Famegrid 2nd Gen (Krea 2 / Z-Image / Qwen)

Серия LoRA на реализм с закосом под смартфон

- Работает в связке с Turbo Distill LoRA — 6 шагов первый проход, 2 шага второй

- Вес LoRA: 0.7–0.9 (0.7 более естественно, 0.9 сильнее стиль, но чисто)
- С character LoRA вес не выше 0.6
- Триггер-слово: rls

#lora #realism #krea2 #zimage #qwenimage

VK | MAX

Qwen3.8-Flash-Next

Ранний предпросмотр архитектуры Qwen4 с открытыми весами

Скорость Flash при размере большой модели. Плюс 51B n-gram эмбеддингов, которые добавляют параметров почти бесплатно по памяти

- Мультимодальная: понимает текст, изображения и видео
- 6B активных на токен из 125B - быстро и экономично
- Контекст 262K нативно, до 1M через YaRN
- Обходит Qwen3.7-Plus и DeepSeek-V4-Flash по большинству бенчмарков при куда меньших затратах

Гитхаб
HF
Квантизации
Демо
API

#multimodal #agent

VK | MAX

Breeze TTS 2

Рилтайм говорилка

- Клонирование голоса: пара секунд речи + точная расшифровка → сохранение тембра, ритма, эмоций
- Дизайн голоса без референса по промпту
- Voice Direction: "говори медленно, серьезно" - голос остается, подача меняется
- Вокальные события в тексте: (laugh), (cough), (sigh)
- Стриминг с задержкой менее 40 мс до первого аудио, генерация в 3 раза быстрее реального времени

- 3B, ~7.7 GB VRAM, min 12 GB GPU
- английский и китайский

Гитхаб
HF
Попробовать
Демо

Спасибо @m_franz

#TTS #VOICECLONING #VOICEDESIGN

VK | MAX

GLM-5.3-Flash

оказалось это она пряталась под псевдонимом Ox Alpha

Первая GLM с настоящей мультимодальностью: изображения и видео принимаются нативно, без отдельных моделей-помощников

- Мультимодальность из коробки: текст, изображения, видео
- Контекст до 1M
- Агентские бенчмарки приближаются к Opus 4.8
- 321B параметров, активны 18B

- Цена: $0.075 вход / $0.25 выход, с 9 сентября вырастет до $0.15 / $0.50
- Работает полностью на китайских чипах

HF
GGUF / FP8
API

#flagship #gguf #fp8 #multimodal #agent

VK | MAX

Gemini 3.5 Transcribe (Google)

Новая модель распознавания речи от Google. В отличие от обычных ASR сразу чистит мусор, форматирует и понимает контекст

- Умная транскрипция: убирает "эээ", "ммм", исправляет самоперебивы, автоматом форматирует
- Распознавание более 85 языков с региональными акцентами, должен понимать русский
- Определение до 3 спикеров в записи (3+ экспериментально)
- Пользовательский словарь: специфические термины, коды, названия
- Вызов функций: может делегировать сложные задачи вроде генерации картинок другим моделям Gemini

- Стриминг: субсекундная задержка через Live API

- Преемник Chirp 3 - значительный скачок по качеству
- Замена традиционным ASR-пайплайнам: одна модель вместо конвейера из детекции, диарнализации и пост-обработки

#ASR #STREAMING

VK | MAX