World Observer

Проблема видеомиров — объект при возврате теряется, замирает или превращается в «импостора». Решение — разделить наблюдение и действие

Метод от KAIST для видеомиров: когда объект уходит из кадра «актера», панорамные обсерверы продолжают за ним следить, и при возврате объект сохраняет состояние и динамику.

• Актер-вид генерируется вместе с панорамными обсерверами (наблюдателями)
• Объекты, ушедшие из кадра, продолжают эволюционировать в обсервере
• Обсерверы ставятся где хочешь — не привязаны к актёру
• Несколько обсерверов для полного покрытия сцены
• Раздельный промпт у обсервера — текст рулит событиями за кадром
• При возврате объекта восстанавливается его детальный вид

• Обсервер рендерится в гибком разрешении и с низкими требованиями
• Обучение на реальных панорамах + синтетика CARLA
• Работает на видео-DiT в одной токен-последовательности

Код ждем

#world #research

DMAD

Ускорение генерации картинок и видео

Метод дистилляции от ByteDance: студент-модель учится выдавать результат за 4 шага вместо 50, почти не теряя в качестве.

• Картинки и видео за 4 шага
• Видео с аудио на MiniMax-H3-33B
• Работает на SDXL, Wan2.1, EDM
• FID 1.04 на ImageNet-64 за один проход

В слепых тестах люди чаще предпочитают результат, чем у DMD2 и rCM

Гитхаб
HF
Демо

Спасибо @m_franz

#optimization #minimaxh3

MAX

Fish Audio Drama 3

Новая превью-модель от Fish Audio для речи и озвучки. Вместо жестких аудиотегов интонация, темп и характер персонажа описываются обычным текстом.

• Перегенерация одного слова или фразы в готовой дорожке
• Смена голоса прямо посреди предложения
• Диалоги нескольких героев за один проход
• Работает на русском

Технически
• Голос по id модели или zero-shot клонирование по референсам
• Диалоги через теги <|speaker:0|>, <|speaker:1|>
• Форматы: WAV/MP3/Opus, до 48 kHz

Мульти-спикер-диалоги есть и в S2-семействе, не только в Drama 3

#tts #russian

MAX

LEGO-Anything

Фреймворк из AWS: превращает одно фото в редактируемую 3D-сцену. Кодинг-агент пишет и исполняет код Blender, смотрит рендеры и правит программу, пока не соберёт сцену.

• Из одной картинки собирает редактируемую 3D-сцену
• Результат — не картинка и не фикс-модель, а явная сцена-программа
• Сцену можно смотреть, править и опрашивать
• Агент итеративно пишет Blender-код, проверяет рендеры и пересматривает

Состав
• LEGO-Bench — бенчмарк
• LEGO-Plugin — интеграция
• LEGO-World — сборка миров

Код ждем

#imageto3d #image2scene

MAX

Decision 2.0

Семейство открытых decision-моделей от vLLM Semantic Router. Не генерируют текст, а отвечают на вопросы с вариантами ответа, да/нет или по шкале — сразу вероятностью для каждого варианта, одним проходом.

• Ответ на вопросы выбора, да/нет и по шкале за один проход
• Вероятность для каждого варианта вместо генерации текста
• Вход — текст или JSON
• Режим роутинга запросов: какой команде отдать тикет, есть ли чек, насколько срочно

• 6 размеров: от 0.6B до 27B (Vega-27B, Lux-9B, Nox-4B, Sol-2B, Eos-0.8B, Kai-0.6B)
• Контекст 32,768 токенов
• Медиана 71.4 мс на вопрос на одной GPU

Vega-27B — лучший в семействе, топ-скоор JevArena для своего размера (74.0)

github.com/vllm-project/semantic-router

Спасибо @m_franz

#decision #rlcd

MAX

Pi 1.0

обвязка агента, которую можно сделать своей

Минимализм и полная гибкость: берут только то, что доказало себя, фичи-однодневки отметают. Сотни тысяч пользователей в неделю, MIT.

Что нового в 1.0
• Codemode — нативная поддержка #MCP и не-текстовых моделей (Jev, картинки)
• Расширения для виртуальных моделей
• Отложенная загрузка инструментов
• Нагрев кэша для моделей Anthropic
• Системный промпт, меняемый по ходу диалога
• Новый TUI-тема и full-screen по умолчанию

Отдельно — Pi Durable
Экспериментальная платформа для долгоживущих агентских приложений: длинные задачи и диалоги вне терминала. Делит принципы Pi — минимализм и гибкость — но тянет их дальше.

pi.dev
github.com/earendil-works/pi

#harness #agent

MAX

Решающие модели (System 1) #decision #rlcd

huggingface.co/orcarouter/OrcaSAQ-2-27B - OrcaSAQ2 27B: высокоточный reasoning в файле 12.3GB

huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF - OrcaSAQ2 Cyber: без цензуры, 15.7GB

huggingface.co/akhilaaa3/Jev-Omni - Jev-Omni: решения по тексту, картинкам, аудио и видео разом

huggingface.co/fastino/GLiNER2.5-Decide - GLiNER2.5-Decide: оценка любого набора меток за один проход, без генерации токенов

huggingface.co/SupersonicLabs/Julia-1 - Julia 1: 144M параметров, контекст → чёткие решения

huggingface.co/Contrastive-LM/CLM-v0.1-8B - CLM-v0.1-8B: вместо медленных верификаторов — эмбеддинги состояний и действий

Скорость и кванты #optimization #gguf #dflash

huggingface.co/harshatheg/Qwen-2.5-1B-RLCD - RLCD: извлекает структурированные данные в 7 раз быстрее на Apple Silicon

huggingface.co/z-lab/Qwen3.8-27B-DFlash2 - Qwen3.8-27B DFlash2: ускоренная генерация (drafter-модель)

huggingface.co/sirus/Qwen3.8-27B-heretic-ara-MXFP6-MXFP8-DFlash2-GGUF - новый формат кванта MXFP6/MXFP8 + DFlash2: быстрее инференс

huggingface.co/Edge0/Edge0-35B-A3B-preview - Edge0-35B-A3B: модель «телефонного» класса, работает в 3 GiB памяти

Агенты и инструменты #agent #toolcalling

huggingface.co/XingChen-AGI/Xing4.0-29B-A4B - Xing4.0-29B-A4B: агентные задачи на Ascend NPU, контекст 256K

huggingface.co/TokenRhythm/NeoHorse-1-4B - NeoHorse-1-4B: роутинг-обвязка, прокачивает Qwen3.5-4B

huggingface.co/apodex/Apodex-1.1-mini-GGUF - Apodex-1.1-mini: агентные задачи по файлам и данным

huggingface.co/nex-agi/Nex-N2.5-Pro - Nex-N2.5-Pro: агент для кодинга и работы с компьютером

huggingface.co/nex-agi/Nex-N2.5-mini - Nex-N2.5-mini: длинные агентские задачи с vision-обратной связью

github.com/ortegaalfredo/ngram-knowledge-injector - инжектор фактов в память Qwen3.8 через n-gram

huggingface.co/TheOneWhoWill/Coding-Monkey-Gemma-GGUF - Coding-Monkey: локальная модель с сильными тул-коллами

huggingface.co/pipecat-ai/phonellm-alpha-1 - phonellm: держит телефонных агентов в рамках диалога

Мультимодальность и контекст #multimodal

huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp - DeepSeek-V4-Flash Vision Exp: экспериментальный мультимодальный вариант

huggingface.co/Agnes-AI/Agnes-2.5-Pro-Alpha - Agnes-2.5-Pro: рассуждения на миллион токенов

github.com/QLNI/SHADOW-250M-Instruct - SHADOW-250M: архив 100M токенов ужат до 60MB файла

Код и всякое #coding

huggingface.co/ornith-ai/Ornith-1.5-9B - Ornith-1.5-9B: #reasoning и кодинг на одной GPU

huggingface.co/ornith-ai/Ornith-1.5-35B-A3B-GGUF - Ornith-1.5-35B-A3B: GGUF под локальных кодинг-агентов

huggingface.co/openbmb/MiniCPM5-2B - MiniCPM5-2B: карманная модель, кодит и рассуждает

huggingface.co/IFM/K2-Horizon-MoVA-36B-A4B - K2-Horizon-MoVA: 36B всего, активно 4B

huggingface.co/XHToken/Spark-X2.5-4B - Spark-X2.5-4B: компактная универсальная 4B (гибридное внимание, 1M контекст) #compact

huggingface.co/thesysdev/OUI-1 - OUI-1: диффузионная генерация UI-экранов за ~секунду #gui

huggingface.co/LessThanThreeAI/Qwen3.8-27B-Humanlike-Chat-GGUF - Humanlike-Chat: живой, реалистичный ролеплей

huggingface.co/TheDrummer/Artemis-31B-v1.1 - Artemis-31B: креативное мышление поверх Gemma 4 Chat

huggingface.co/OBLITERATUS/Qwen3.8-27B-OBLITERATED - Qwen3.8 27B полностью без цензуры #uncensored

huggingface.co/superwhisper/s1-mini - S1-mini: превращает неразборчивую речь в текст #ASR

Tavus Griffin

Первый «Human Interaction Model» (#HIM) от Tavus — модель для живых видеозвонков, которая понимает и воспроизводит реальное face-to-face общение. Слушает, пока говорит, следит за мимикой и паузами, а не только словами.

• Полный дуплекс: слышит и реагирует одновременно
• Говорит «мм-хм» пока ты ещё говоришь
• Перебивает, кивает, реагирует на то, что видит
• Сам решает по под-секундам: говорить, реагировать или ждать
• Отвечает без пауз-тишины, останавливается, если ты вклинился

• 48% собеседников приняли за живого человека за минутный звонок
• #1 в независимом тесте NVIDIA среди face-to-face AI
• +37% к следующей лучшей модели по мгновенной реакции

Eже доступен части тестеров, мощная версия — следом

#dialog #avatar

MAX