What to Edit Next

Фреймворк от Alibaba для рекомендаций следующих правок в чате по генерации картинок. После каждой итерации подсказывает, что отредактировать дальше - чтобы совет был уместным, разнообразным и выполнимым на текущем изображении.

На базе Qwen3-VL-8B

кода-весов нет

#research #vlm

OrbitSheets

Кастом пак для создания референс-листов персонажей и локаций. Вместо генерации по углам из текста - один камерный пролёт MiniMax H3, из которого вырезаются согласованные ракурсы.

• Character Sheet - турнтейбл из текстового описания: фуллбоди, лицо, профили, спина, крупные планы
• Location Sheet - интерьер и экстерьер с нескольких углов, режимы cut views и continuous move
• Генерация голоса персонажа из того же латента, что и картинка
• Smart frame selector - vision-модель отбирает лучшие кадры и раскладывает в аккуратный лист
• Настройка числа кадров, колонок, отступов и размера

• База MiniMax H3, якорный кадр от Krea2 Turbo

#referencing #comfyui #minimaxh3 #krea2

MiniMax H3 Hybrid (fl2va base + ref2va reference pathway)

Мердж fl2va and ref2va с попыткой сохранить лучшее от обеих

Спрасибо @muxastarikov

#referencing #minimaxH3

Pika Music

Pika выпустила семейство аудиомоделей

Pika Soundtrack превращает видео в синхронизированную музыку, речь, атмосферу и звуковые эффекты, реагирующие на движение

Pika Music превращает промты, тексты песен, голоса и референс-треки в полноценные композиции

Pika SFX превращает написанные указания в чистые, соответствующие промту звуковые эффекты. 44.1 kHz stereo

Pika Speech превращает текст в выразительную речь с использованием предустановленных голосов или вашего собственного голосового клона. 48 kHz

API
Playground

#text2music #text2sfx #video2av #tts #voicecloning

TeraTTSv2

Локальный TTS от TeraSpace на ONNX Runtime

Русский и английский

работает на CPU, ничего в облако не уходит. Готовый движок с диффузионным синтезом и потоковой отдачей аудио.

• Генерация речи на русском и английском с тегами [ru] и [en] в одном запросе
• Автоматическая расстановка ударений в русском через RUAccent, ручные + приоритетнее
• 10 готовых голосов, рекомендованные русские ru_f1 и ru_m5
• Потоковая отдача аудио чанками
• Числа разворачиваются словами на нужном языке

• 44.1 кГц, моно, float32
• Два сэмплера - distilled на 8 шагов или teacher с настраиваемым CFG
• duration_scale меняет темп, режимы ударений full и dictionary

• Голоса от supertonic-3 подходят к TeraTTSv2 - скрипт supertonic_json_to_teratts.py конвертит json в стиль. Их можно подбирать (и клонировать) через через supertonic3-voice-clone

• Supertonic-Voice-Mixer - GUI, крутит латент стиля и миксует голоса
• Английским голосом на русском - пробуйте duration_scale 0.8

Демо
Клонирование
Миксер
Скрипт закину в коменты

#tts #russian #voicecloning

Stripe покупает OpenRouter за $7+ млрд

Официально стороны молчат, цена может ещё измениться.

OpenRouter основан в 2023-м, в мае подняли инвестиций $113 млн при оценке $1.3 млрд. Через три месяца покупают за 7. Хотя изначально, по WSJ, речь шла о $10 млрд - утечка в прессу до закрытия сделки сбила ценник.

OpenRouter - маркетплейс, который роутит трафик между сотнями ИИ-моделей: 500+ моделей от 80+ компаний, включая OpenAI, Anthropic и DeepSeek

Основатель OpenRouter раньше сам называл стартап "ИИ-эквивалентом Stripe"

Вот такие тревожные #news

#router

Ну а откуда вы думали берутся деньги на оплату бесплатных моделей

Huihui-Qwen3.8-27B-abliterated

Qwen3.8 27B с ослабленной цензурой

квантизации
Демо

#multimodal #agent #gguf #uncensored

ComfyUI Image Conveyor

Кастом пак - конвейер картинок

Суть: когда генеришь серию изображений - например, референсы персонажа - руками перетаскивать их между нодами и следить, что куда пошло, муторно. Эта нода держит очередь картинок и отдельную полку постоянных референсов.

• Очередь Conveyor - картинки прокручиваются через генерации одна за другой
• Полка Persistent Reference Shelf - до 8 референсов, которые не тратятся и держат персонажа стабильным между кадрами
• Библиотеки персонажей - свой набор картинок на каждого героя, грузишь нужные в один клик
• Папка как библиотека - подпапки, перенос, удаление файлов, драг-н-дроп между папками и полкой

• До 8 постоянных референсов
• Галереи виртуализированы - почти без нагрузки на карту

• В v1.4 допилено под MiniMax H3, где мульти-референс стал важен для консистентности

#referencing #minimaxH3 #comfyui

VK | MAX

EVIE-Preview-4.5B

Модель Tencent для визуального поиска по документам на базе Qwen3.5-4B

ищет релевантные страницы по запросу, глядя на картинки, а не на извлечённый текст. Эмбеддинги ультракомпактные, 128 измерений на токен, отсюда низкие требования к памяти и быстрый поиск.

• Поиск по сканам, PDF, таблицам, диаграммам и отчётам без OCR
• Мультиязычность - EN, FR, DE, IT, ES, PT, ZH и другие
• Zero-shot на новых языках и форматах

#SOTA на ViDoRe
• Обходит 8B модели, будучи вдвое меньше

Гитхаб
HF

#vlm #search #ocr

VK | MAX

Marionette

Игровая модель мира от Alaya Lab. Учится предсказывать что будет дальше в сцене но не рисует все подряд нейросетью - геометрию считает формулой, а ИИ доверяет только внешний вид. Поэтому персонажи не рассыпаются на долгих роликах.

• Основа внешности - Wan2.2-Fun-5B-Control, VideoX-Fun
• Генерация игрового мира по одному референс-кадру и паре стартовых поз
• Управление действиями персонажа
• Прямое задание траектории - развороты, направление и скорость ходьбы

• Качество кадра на уровне пиксельных моделей, но с реальной управляемостью
• Пока косячит на долгих прогонах - персонажи уходят за край карты, внешность плывёт

Гитхаб
HF
Демо

#world #interactive

VK | MAX

MiniMax Music 3.0 Studio

Локальный воркспейс для генерации музыки MiniMax Music 3.0 в ComfyUI. Оборачивает нодовый рендер в веб-интерфейс - собираешь бриф, а он сам ставит задачу в очередь ComfyUI и отдаёт MP3.

• Генерация по структурированному брифу - жанр, темп, тональность, эмоциональная арка
• Секционные тексты с тегами [Intro], [Verse], [Chorus], [Bridge], [Outro]
• Редактор текстов, настройка длительности, шагов, CFG, сида, вариаций
• Библиотека с превью и скачиванием MP3 прямо из браузера

• UI и галерея - React, гейтвей - лёгкий Python-мост к ComfyUI

#text2music #comfyui

VK | MAX

UI-Mate-27B

GUI-агент от Tencent на базе Qwen3.6-27B. Управляет рабочим столом: смотрит на скриншоты и отдаёт команды мыши и клавиатуры. Главное - учится с одной демонстрации, показал раз, как делать, и он адаптирует это под похожую задачу.

• Выполнение задач по естественной инструкции и живым скриншотам
• Обучение по одной демонстрации - без превращения в слепой реплей скрипта
• Долгий горизонт через несколько приложений
• Live-screen grounding вместо повторения координат
• Структурированные действия: мышь, клавиатура, скролл, ожидание, завершение

• Есть версии 9B и демонстрационная democua-27B

Гитхаб
HF
Демо

#computeruse #agent

VK | MAX