MAGI-2 Preview
Опенсорс модель для генерации видео со звуком
Но... 114B параметров. Веса - я даже считать не буду сколько, >300ГБ
Требуется 8 GPU NVIDIA Hopper, Python 3.2 и CUDA, ffmpeg
• генерация видео из текста (T2V)
• генерация видео из промта и изображения (I2V)
• создание звука и его микширование с видео
• два этапа генерации: денойз и рефайн
• разрешение 1080p после рефайна
• длительность клипов 10 секунд
Гитхаб
HF - выложили базовую. Ждем дистиллированную/ Ну как ждем. Бояре ждут
API
#av #t2v #t2av #i2v #i2av #api
Опенсорс модель для генерации видео со звуком
Но... 114B параметров. Веса - я даже считать не буду сколько, >300ГБ
Требуется 8 GPU NVIDIA Hopper, Python 3.2 и CUDA, ffmpeg
• генерация видео из текста (T2V)
• генерация видео из промта и изображения (I2V)
• создание звука и его микширование с видео
• два этапа генерации: денойз и рефайн
• разрешение 1080p после рефайна
• длительность клипов 10 секунд
Гитхаб
HF - выложили базовую. Ждем дистиллированную/ Ну как ждем. Бояре ждут
API
#av #t2v #t2av #i2v #i2av #api
🤷♂9👍7🤯3😱3🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Kijai/MiniMax-H3_comfy lightx2v
4-шаговая турбо лора сконвертированная Киджаем в формат Comfy из оригинальной
8-шаговую ждем
Спасибо @stefanfalkok
#minimaxH3 #lora #optimization
4-шаговая турбо лора сконвертированная Киджаем в формат Comfy из оригинальной
8-шаговую ждем
Спасибо @stefanfalkok
#minimaxH3 #lora #optimization
❤15👍5
This media is not supported in your browser
VIEW IN TELEGRAM
Wan-Animate-2
Новая версия персонажного оживлятора без привычных костылей вроде отдельных экстракторов движения - видео-драйвер идет прямо в трансформер, и это дрейф идентичности персонажа при сложных движениях.
Ракурс камеры можно задать текстом, независимо от исходного видео. Раньше камера была жёстко привязана к драйверу, тут её отвязали.
Есть облегчённая версия для рилтайма: обучена трёхэтапно, включая дистилляцию с поблочным обратным распространением, и держит задержку на уровне живого стрима - то есть цифровые аватары и ведущие трансляций уже не про офлайн-рендер
Гитхаб
HF
А также
https://huggingface.co/Comfy-Org/Wan-Animate-2/tree/main
https://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_wan2_2_14B_animate.json
#wananimate2 #characteranimation #pose2video
Новая версия персонажного оживлятора без привычных костылей вроде отдельных экстракторов движения - видео-драйвер идет прямо в трансформер, и это дрейф идентичности персонажа при сложных движениях.
Ракурс камеры можно задать текстом, независимо от исходного видео. Раньше камера была жёстко привязана к драйверу, тут её отвязали.
Есть облегчённая версия для рилтайма: обучена трёхэтапно, включая дистилляцию с поблочным обратным распространением, и держит задержку на уровне живого стрима - то есть цифровые аватары и ведущие трансляций уже не про офлайн-рендер
Гитхаб
HF
А также
https://huggingface.co/Comfy-Org/Wan-Animate-2/tree/main
https://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_wan2_2_14B_animate.json
#wananimate2 #characteranimation #pose2video
👍13❤1
Agent Plugins
OpenAI, AWS, Cursor, Microsoft, GitHub и Vercel выпустили общую спецификацию для портируемых плагинов - навыки, MCP-серверы и клиентские расширения собираются один раз и загружаются куда угодно. VS Code, Cursor, GitHub Copilot и ChatGPT & Codex уже в списке совместимых, каждый поддерживает Agent Skills плюс MCP через stdio, Streamable HTTP и устаревший SSE.
Идея skills/MCP, стоящая за всем этим, принадлежит Anthropic, а самой Anthropic в списке клиентов пока даже нет.
Если формат приживётся, плагин пишется один раз вместо пересборки под каждого агента - именно такая скучная стандартизация в итоге экономит всем время.
#skill #mcp #news
OpenAI, AWS, Cursor, Microsoft, GitHub и Vercel выпустили общую спецификацию для портируемых плагинов - навыки, MCP-серверы и клиентские расширения собираются один раз и загружаются куда угодно. VS Code, Cursor, GitHub Copilot и ChatGPT & Codex уже в списке совместимых, каждый поддерживает Agent Skills плюс MCP через stdio, Streamable HTTP и устаревший SSE.
Идея skills/MCP, стоящая за всем этим, принадлежит Anthropic, а самой Anthropic в списке клиентов пока даже нет.
Если формат приживётся, плагин пишется один раз вместо пересборки под каждого агента - именно такая скучная стандартизация в итоге экономит всем время.
#skill #mcp #news
Agent Plugins
A portable package format for reusable components that extend AI agents.
❤8👍3
Media is too big
VIEW IN TELEGRAM
WorldClaw
Модель от Tencent Hunyuan создает четкую, исследуемую и редактируемую 3D-сцену открытого мира по промпту
Важна именно агентная часть - вместо того чтобы одна модель выдавала статичный меш, фреймворк запускает агентный цикл, который выстраивает структуру мира так, чтобы она оставалась исследуемой и редактируемой после генерации, а не просто красивым рендером, с которым больше ничего не сделать.
кода/весов нет
#textto3d #3d #text2scene #research
Модель от Tencent Hunyuan создает четкую, исследуемую и редактируемую 3D-сцену открытого мира по промпту
Важна именно агентная часть - вместо того чтобы одна модель выдавала статичный меш, фреймворк запускает агентный цикл, который выстраивает структуру мира так, чтобы она оставалась исследуемой и редактируемой после генерации, а не просто красивым рендером, с которым больше ничего не сделать.
кода/весов нет
#textto3d #3d #text2scene #research
👍6🔥4❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Hunyuan3D-Buffalo 1.0
Единая модель понимает 3D-объекты, генерирует их из текста и редактирует по словесной инструкции - в одном пайплайне, без отдельных моделей под каждую задачу.
• отвечает на вопросы про 3D-объект и находит нужную часть по описанию
• генерирует 3D-модель из текстового промпта
• редактирует готовый меш по текстовой инструкции не пересоздавая объект заново
• выделяет отдельные семантические части модели по словесному запросу
Как устроено
• общий бэкбон Hunyuan3D-VLM связывает язык и 3D-представление
• поверх него работают DiT-модули, они отвечают за генерацию, редактирование и построение частей объекта
опенсорс ждем
#3d #textto3d #3dediting #3dlm #segmentation3d
Единая модель понимает 3D-объекты, генерирует их из текста и редактирует по словесной инструкции - в одном пайплайне, без отдельных моделей под каждую задачу.
• отвечает на вопросы про 3D-объект и находит нужную часть по описанию
• генерирует 3D-модель из текстового промпта
• редактирует готовый меш по текстовой инструкции не пересоздавая объект заново
• выделяет отдельные семантические части модели по словесному запросу
Как устроено
• общий бэкбон Hunyuan3D-VLM связывает язык и 3D-представление
• поверх него работают DiT-модули, они отвечают за генерацию, редактирование и построение частей объекта
опенсорс ждем
#3d #textto3d #3dediting #3dlm #segmentation3d
👍15
ToolArtist
Модель для генерации изображений на базе UniVR. Сама решает когда рассуждать, когда обращаться к внешним инструментам, а когда рисовать. Делает это одной политикой, а не по жёсткому сценарию.
Полностью агентное управление процессом генерации стабильно обгоняет варианты с фиксированным пайплайном или частичным контролем агента
Гитхаб
HF ждем
#agent #t2i
Модель для генерации изображений на базе UniVR. Сама решает когда рассуждать, когда обращаться к внешним инструментам, а когда рисовать. Делает это одной политикой, а не по жёсткому сценарию.
Полностью агентное управление процессом генерации стабильно обгоняет варианты с фиксированным пайплайном или частичным контролем агента
Гитхаб
HF ждем
#agent #t2i
👍8🤔5🥴4❤1
Video-DeepResearch
Учит мультимодальных агентов работать не с картинками, а с полноценным видео. Модель сначала внимательно разбирает, что происходит в кадре по месту и времени, и только потом идет искать информацию в интернете. Разработчики так решили две частые проблемы агентов: те слишком любят текстовый поиск вместо разбора видео и часто просто выдают заученные факты вместо реальной работы с инструментами.
• разделяет процесс на восприятие видео и поиск информации, инструменты открываются постепенно
• заставляет модель сначала точно найти нужный момент в видео и только потом переходить к поиску и ссылкам
• точность 68.0% на Video-DR при 35B-A3B - выше чем у Claude-4.5-Sonnet (63.0%), Gemini 2.5 Pro (62.0%) и GPT-5 (57.0%)
• версия 30B-A3B показывает 62.0%, столько же сколько Gemini 2.5 Pro, но с намного меньшим числом параметров
Гитхаб
#deepresearch #vlm
Учит мультимодальных агентов работать не с картинками, а с полноценным видео. Модель сначала внимательно разбирает, что происходит в кадре по месту и времени, и только потом идет искать информацию в интернете. Разработчики так решили две частые проблемы агентов: те слишком любят текстовый поиск вместо разбора видео и часто просто выдают заученные факты вместо реальной работы с инструментами.
• разделяет процесс на восприятие видео и поиск информации, инструменты открываются постепенно
• заставляет модель сначала точно найти нужный момент в видео и только потом переходить к поиску и ссылкам
• точность 68.0% на Video-DR при 35B-A3B - выше чем у Claude-4.5-Sonnet (63.0%), Gemini 2.5 Pro (62.0%) и GPT-5 (57.0%)
• версия 30B-A3B показывает 62.0%, столько же сколько Gemini 2.5 Pro, но с намного меньшим числом параметров
Гитхаб
#deepresearch #vlm
👍11