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
Qwen-MM-Plugins
Набор плагинов для моделей Qwen, который превращает любой агентский харнес в мультимодальный из коробки - работает с картинками, видео, документами и 3D сразу, без костылей
• читает изображения, видео, документы и 3D модели с динамическим разрешением
• OCR, grounding, сегментация, ASR, чат по картинкам, веб-поиск
• память по длинным видео через иерархический граф для QA
• редактирование и генерация видео, картинок, аудио
• управление Blender по Python, 22 инструмента
• управление FreeCAD, 14 инструментов, включая FEM анализ
• каждая способность это скилл плюс опциональный MCP сервер, запускается через uvx
• единый конфиг ставится один раз и работает в Claude Code, Codex, Qoder, OpenClaw, Qwen Code, Gemini CLI
• лицензия Apache-2.0
Установка одной командой через install.sh
#multimodal #agent #skill #mcp
Набор плагинов для моделей Qwen, который превращает любой агентский харнес в мультимодальный из коробки - работает с картинками, видео, документами и 3D сразу, без костылей
• читает изображения, видео, документы и 3D модели с динамическим разрешением
• OCR, grounding, сегментация, ASR, чат по картинкам, веб-поиск
• память по длинным видео через иерархический граф для QA
• редактирование и генерация видео, картинок, аудио
• управление Blender по Python, 22 инструмента
• управление FreeCAD, 14 инструментов, включая FEM анализ
• каждая способность это скилл плюс опциональный MCP сервер, запускается через uvx
• единый конфиг ставится один раз и работает в Claude Code, Codex, Qoder, OpenClaw, Qwen Code, Gemini CLI
• лицензия Apache-2.0
Установка одной командой через install.sh
#multimodal #agent #skill #mcp
👍10
За 5 минут сделал карточку товара в нейронке 🤩
А теперь от неё хочется помыть глаза?
📉 Хотели сэкономить на дизайнере, а в итоге сэкономили на продажах.
Инфографика и нейрофото — канал, где создаются топовые карточки для Ozon и WB.
Разборы, кейсы, нейросети. Настоящая визуальная база для селлеров🔖
Подпишись: https://t.me/+pRuRA6nYXAU4ZDIy
А теперь от неё хочется помыть глаза?
Инфографика и нейрофото — канал, где создаются топовые карточки для Ozon и WB.
Разборы, кейсы, нейросети. Настоящая визуальная база для селлеров
Подпишись: https://t.me/+pRuRA6nYXAU4ZDIy
Please open Telegram to view this post
VIEW IN TELEGRAM
👎7😁7🍌3❤2