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
Grok Imagine Image 2.0
Обновка генератора картинок с фокусом на редактирование
• Magic Wand - правка только выбранной зоны
• Segmentation - точное выделение участков
• Background Removal - объект на прозрачном фоне
• Multi-ref editing - до 5 референсов в одной генерации
• Smart Resize - достройка кадра под нужное соотношение сторон
• Templates - готовые пайплайны под типовые сценарии
• Единый визуальный стиль для наборов кадров и миров
• Quality Mode в Grok
• Поддержка плотных композиций и читаемого текста
• Сохранение деталей между итерациями
Шаблоны закрывают частые кейсы без промптов, упор на консистентность для видео и серий. Скоро подгонят API
Попробовать
#imageediting
Обновка генератора картинок с фокусом на редактирование
• Magic Wand - правка только выбранной зоны
• Segmentation - точное выделение участков
• Background Removal - объект на прозрачном фоне
• Multi-ref editing - до 5 референсов в одной генерации
• Smart Resize - достройка кадра под нужное соотношение сторон
• Templates - готовые пайплайны под типовые сценарии
• Единый визуальный стиль для наборов кадров и миров
• Quality Mode в Grok
• Поддержка плотных композиций и читаемого текста
• Сохранение деталей между итерациями
Шаблоны закрывают частые кейсы без промптов, упор на консистентность для видео и серий. Скоро подгонят API
Попробовать
#imageediting
👍9
This media is not supported in your browser
VIEW IN TELEGRAM
Anydoc
Еще один парсер документов от Firecrawl для быстрой конвертации в Markdown без потери структуры и качества
• конвертация PDF, Word, презентаций и 10+ форматов
• сохранение качества обработки во всех типах файлов
• скорость 500 docx за 1,7 секунды
• поддержка широкого спектра форматов
#any2markdown #ocr
Еще один парсер документов от Firecrawl для быстрой конвертации в Markdown без потери структуры и качества
• конвертация PDF, Word, презентаций и 10+ форматов
• сохранение качества обработки во всех типах файлов
• скорость 500 docx за 1,7 секунды
• поддержка широкого спектра форматов
#any2markdown #ocr
👍10👎1😁1
MiniMax H3 Team провели AMA на реддите - ответили на вопросы
- H3-Regenerate-2K не просто апскейлер, а отдельный модуль для генерации в более высоком разрешении. Его планируют открыть, но пока улучшают эффективность и качество
- Рассказано про подход к разреженной внимательности (sparse attention), который отличается от MSA и ближе к MoBA-стилю. Планируется выпустить консервативную реализацию
- Упоминается работа над улучшением качества Ref2VA и снижением размытости деталей
- Планируют выпустить модель для генерации изображений и редактирования на базе H3
- Ответы на вопросы про продление видео, промптинг, проблемы с качеством и прочее
#news #ama #minimaxH3
- H3-Regenerate-2K не просто апскейлер, а отдельный модуль для генерации в более высоком разрешении. Его планируют открыть, но пока улучшают эффективность и качество
- Рассказано про подход к разреженной внимательности (sparse attention), который отличается от MSA и ближе к MoBA-стилю. Планируется выпустить консервативную реализацию
- Упоминается работа над улучшением качества Ref2VA и снижением размытости деталей
- Планируют выпустить модель для генерации изображений и редактирования на базе H3
- Ответы на вопросы про продление видео, промптинг, проблемы с качеством и прочее
#news #ama #minimaxH3
❤13👍9🔥5
Muse Glimmer
30B опенсорсная агентная модель от Meta Superintelligence Labs. Дистиллят Muse Spark, заточен под локальных AI-агентов. Работает на компе с одной видеокартой, без облака. Apache 2.0.
• End-to-end агентные задачи: SWE-Bench, DeepSearch QA, MCP-Atlas, τ-Bench
• Надёжный вызов инструментов и функций по схемам в многошаговых сценариях
• Мультимодальный вход - текст + картинки (скриншоты, графики, документы)
• Failure recovery - сама перезапускает упавшие тулзы вместо зависания
• Контролируемое усилие рассуждения - low / medium / high / xhigh
• 100+ языков
Параметры
• 29.6B, контекст 131K+ токенов
• 4-битное квантование - модель сжата до ~17 ГБ, влезает в 24 ГБ VRAM
• DFlash speculative decoding - ускорение ×3.1 на RTX 5090, ×1.8 на M5 Max
• ViT-G/14 энкодер (~1.8B), до 4096 визуальных токенов на картинку
Обещают интеграции с llama.cpp, MLX, ExecuTorch, Ollama, LM Studio, vLLM.
HF
квантизации
Демо
Спасибо @m_franz
#agent #local #gguf #int4
30B опенсорсная агентная модель от Meta Superintelligence Labs. Дистиллят Muse Spark, заточен под локальных AI-агентов. Работает на компе с одной видеокартой, без облака. Apache 2.0.
• End-to-end агентные задачи: SWE-Bench, DeepSearch QA, MCP-Atlas, τ-Bench
• Надёжный вызов инструментов и функций по схемам в многошаговых сценариях
• Мультимодальный вход - текст + картинки (скриншоты, графики, документы)
• Failure recovery - сама перезапускает упавшие тулзы вместо зависания
• Контролируемое усилие рассуждения - low / medium / high / xhigh
• 100+ языков
Параметры
• 29.6B, контекст 131K+ токенов
• 4-битное квантование - модель сжата до ~17 ГБ, влезает в 24 ГБ VRAM
• DFlash speculative decoding - ускорение ×3.1 на RTX 5090, ×1.8 на M5 Max
• ViT-G/14 энкодер (~1.8B), до 4096 визуальных токенов на картинку
Обещают интеграции с llama.cpp, MLX, ExecuTorch, Ollama, LM Studio, vLLM.
HF
квантизации
Демо
Спасибо @m_franz
#agent #local #gguf #int4
huggingface.co
meta-models/Muse-Glimmer-30B · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
👍8❤5🥴3
MAI-Image-2.6
Новая версия генератора картинок от Microsoft
Поднялась на #2 в Arena text-to-image leaderboard, обойдя Google, Meta и xAI. +79 Elo к MAI-Image-2.5, +91 Elo только по отрисовке текста.
Что улучшили
• Отрисовка текста - главный скачок, +91 Elo
• Портреты и 3D-изображения
• Коммерческие и фотореалистичные сцены - товарка, брендинг, синематик
• Мультиреференсная генерация - работа с несколькими исходниками
• Более богатый grounding и контроль над форматом/разрешением
Доступна на Arena, на MAI Playground - позже на этой неделе, в Microsoft Foundry в ближайшее время.
Спасибо @Goog1le
#t2i
Новая версия генератора картинок от Microsoft
Поднялась на #2 в Arena text-to-image leaderboard, обойдя Google, Meta и xAI. +79 Elo к MAI-Image-2.5, +91 Elo только по отрисовке текста.
Что улучшили
• Отрисовка текста - главный скачок, +91 Elo
• Портреты и 3D-изображения
• Коммерческие и фотореалистичные сцены - товарка, брендинг, синематик
• Мультиреференсная генерация - работа с несколькими исходниками
• Более богатый grounding и контроль над форматом/разрешением
Доступна на Arena, на MAI Playground - позже на этой неделе, в Microsoft Foundry в ближайшее время.
Спасибо @Goog1le
#t2i
👍9❤3🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
MatrAIx
Опенсорсная инфраструктура для тестирования ИИ-систем и цифровых продуктов на синтетических пользователях
Оцените масштаб: 8.3 млрд персон-агентов - симуляция всего населения Земли
Персоны проверены на совпадение с реальными демографическими распределениями по полу, возрасту, стране, языку, доходу, образованию
• Четыре режима оценки: опросы, чат-боты, веб-прототипы, интерфейсы приложений
• Кастомные персоны - можно задать любой демографический сегмент
• A/B-тесты с сегментированными отчётами
• Коррекция persona drift
• Стоимость: ~$3.60 за 10K опросов против $28K+ на живых людях
Гитхаб
Плейграунд для локального запуска
#simulation #agent
Опенсорсная инфраструктура для тестирования ИИ-систем и цифровых продуктов на синтетических пользователях
Оцените масштаб: 8.3 млрд персон-агентов - симуляция всего населения Земли
Персоны проверены на совпадение с реальными демографическими распределениями по полу, возрасту, стране, языку, доходу, образованию
• Четыре режима оценки: опросы, чат-боты, веб-прототипы, интерфейсы приложений
• Кастомные персоны - можно задать любой демографический сегмент
• A/B-тесты с сегментированными отчётами
• Коррекция persona drift
• Стоимость: ~$3.60 за 10K опросов против $28K+ на живых людях
Гитхаб
Плейграунд для локального запуска
#simulation #agent
😁3😱3👍1