Atlas

Новая модель мира от World Labs для пространственного интеллекта. Предобучена с нуля работать сразу с текстом, изображениями, видео и 3D в общем пространственном контексте: по всему увиденному генерирует что будет дальше и держит сцену согласованной в 3D.

• генерация с управлением камерой - видео из одного или нескольких снимков с точным заданием ракурса
• реконструкция сцен - из нескольких фото восстанавливает новые ракурсы и явную 3D-геометрию, обходя специализированные модели реконструкции
• симуляция пространства и времени - перекадрирует видео и готовит данные для робототехники по принципу реального в симуляцию
• генерация изображений - текст в картинку и в 360-панораму, сложные промпты, рендер текста, разные стили

• видео до 1 минуты при 1440p
• реконструкция по 1-100+ входным изображениям

Поклянчить ранний доступ

#world #image2world #gaussian

Prompting Claude Fable 5.1

Официальный промпт-гайд
Как изменилось поведение модели между Claude Fable 5.1 и Claude Mythos 5.1 и что с этим делать в промптах для агентов

• effort уровни low medium high xhigh max дают другой объём размышлений чем раньше - тестировать заново
• модель реже шлет промежуточные апдейты между вызовами инструментов, может молчать минутами - статус проси явно
• в agent loops лучше батчить независимые tool calls за один ход
• история диалога должна быть append-only, иначе запрос падает с ошибкой bound to a different conversation
• на low effort модель реже лезет в search и retrieval, чаще отвечает по памяти
• безобидные запросы на код иногда получают stop_reason refusal из-за safety классификаторов
• на xhigh и max для длинных ответов нужен запас по max_tokens

#prompting #guide

VK | MAX

Nemotron 3 Diarization preview

NVIDIA выложила превью модели для диаризации речи - определения, кто и когда говорит в аудиозаписи. Работает на архитектуре streaming-sortformer, то есть умеет размечать спикеров в потоке, а не только по готовой записи.

Диаризация — это процесс определения, КТО говорит в аудиозаписи. Система анализирует звук и разбирает его по голосам: выделяет разные говорящих, отмечает моменты, где они начинают и заканчивают говорить

Доступ по запросу, лицензия nvidia-software-and-model-evaluation-license: использовать можно только для внутреннего тестирования, не в продакшене

Доступны блокноты для Google Colab и Kaggle, интеграция с библиотекой NeMo.

#diarize

VK | MAX

#humor

VK | MAX

VibeVoice-Streaming ASR

Потоковая модель от Microsoft транскрибирует речь по мере поступления аудио. Плюс сразу помечает, кто из спикеров что сказал.

Из полезного - поддержка кастомных hotwords, то есть можно заранее задать слова и имена, которые модель должна распознавать точно (имена собственные, термины, названия компаний). Работает с 10 языками включая русский

Гитхаб
Попробовать

#stt #asr #russian #streaming

VK | MAX

AetherScale

Кастом пак #ComfyUI от подписчика @vj_vizart

Апскейл и восстановление видео, HDR-тонирование, анализ движения, экспериментальный #DLSS5

• апскейл через NVIDIA VFX с подавлением шума, артефактов и размытия
• CUDA HDR-тонирование и цветокоррекция
• анализ движения кадр за кадром со сценами-разрезами и компактным хранением в FP16
• экспериментальный DLSS 5 Neural Rendering с режимами вывода от 1x до 3x

#upscale #videorestoration

VK | MAX