Decision Index

Первый бенчмарк для decision-моделей на Artificial Analysis — Jev и подобных

Слабое место почти у всех — отказ от галлюцинаций: у GLiDE 16.4, у Clef 4.3, у Celeris-1 ноль. То есть модели уверенно выбирают вариант, но не всегда честно говорят «не знаю»

Спасибо @morozovsk

#benchmark #decision #leaderboard

MAX

Surjo-Image-Preview

Очередной микротрансформер на арихитектуре Looped DiT для генерации картинок 256×256 по тексту. 108 млн параметров, обучен с нуля на rectified flow matching.

Объекты и атрибуты даются лучше всего, позиции слабее, глаголы и точный счет почти не удаются. Текст рисует плохо, лица и руки ломаются вне распределения, подписи только на английском. Это финальные веса превью, полный релиз обещают с большим набором данных и доработанной архитектурой

Смотря что нужно. Модель крошечная и быстрая, поэтому её сильная сторона — там, где важна скорость и цена, а не финальное качество.

Где пригодится
• Черновики и превью: набросать композицию, цвет, настроение перед нормальной генерацией
• Пакетная генерация низкого разрешения: плейсхолдеры, фоны, текстуры, тайлы, мудборды

#compact #t2i

MAX

DBS (Dynamic Band Splitting)

Метод разделения аудиоисточников от Tsinghua: границы частотных полос подстраиваются под каждый микс, а не задаются заранее. Бюджет токенов при этом фиксированный.

Как работает
• Предсказывает границы полос по содержимому внутри частотных блоков
• Отбирает заданное число границ через hard Top-K
• Пулит полосы с учётом содержимого в компактные токены
• После разделения сглаживает и растягивает токены обратно на сетку STFT
• Уточняет их по частоте и декодирует комплексные маски общей по частоте головой

Две версии
• DBS-BSRNN: 4.7M, окна по 3 секунды
• DBS-TIGER: 1M, окна по 6 секунд

Обе делят монодорожку 44.1 кГц на музыку, звуковые эффекты и речь. BSRNN тяжелее и аккуратнее на коротких окнах, TIGER компактнее и смотрит дальше по времени

hf.co/JusperLee/DBS-TIGER-DnR
hf.co/spaces/JusperLee/DBS-Demo
github.com/JusperLee/Dynamic-Band-Splitting

#audioseparation #demix #unmix

Audiobook Studio

Генератор аудиокниг для #MacOS на базе Qwen с наложением звука на epub. Из книги получается и аудиоверсия, и epub с аудиослоем.

Три режима
• Полный автомат: закинул книгу и получил готовое. Система сама находит действующих лиц, определяет характер, возраст и акценты, собирает озвучку и файлы
• Полуавто: то же самое плюс правка персонажей
• Telegram-бот: отправляешь epub, получаешь ссылку на свой Google Drive

Что на выходе
• Аудиокнига
• epub с аудиослоем
• Подсветка текста по предложениям по мере чтения

• Только ARM, то есть Apple
• Нужен ключ Ollama или DeepSeek, тестировалось на DeepSeek 4.1 Flash
• Скорость на M2 Pro с 16 ГБ — около 1-1.6
• Обработка книги по API — примерно 10-13 центов, Ollama в рамках тарифа

Для озвученного epub нужна читалка, которая такое умеет. В примерах — часовая история

#epub2audiobook #audiobook

MAX

3DCodeVerse

Исследовательская экосистема, кодинг-агентов делать 3D-контент кодом: статичные и артикулированные объекты, сцены, целые миры и анимацию. Результат — редактируемая и проверяемая программа, а не запеченный меш.

Из чего состоит
• 3DCodeVerse-2M: 2 млн самостоятельных исполняемых 3D-программ. Внутри исходники, ассеты для запуска в заявленной среде, описания и записи проверок
• 3DCodeVerse Harness: мультиагентный фреймворк на графе зависимостей. Проверяет исполнение, измеряет пространство и смотрит на рендеры, правит программу без участия человека
• Практические рекомендации по 3D-кодингу из серии экспериментов

• 90% побед против Claude Design (3D Object) в парных человеческих оценках, обе стороны работали через Claude

github.com/gaoypeng/3dcodeverse

#agent #3d

MAX

Kimodo / ARDY

NVIDIA обновила семейство генерации движения.

• Kimodo-SOMA-RP-v1.2 — базовая, сглаженный корень, исправленные сплиты
• Kimodo-SOMA-RP-ArdyRep-v1.2 — та же база, но с представлением Ardy: сырая траектория бедра, совместимость с ARDY
• ARDY-SOMA-RP-KimodoRep — авторегрессивная ARDY в представлении Kimodo

• В апреле вышли Kimodo v1.1, где часть тестовых последовательностей попала в обучение — метрики были несравнимы. В v1.2 утечку убрали, скольжение стоп меньше, метрики сопоставимы
• ARDY вышла в июле. Теперь у нее есть вариант в представлении Kimodo
• Kimodo делает клип фиксированной длины одним проходом, ARDY работает авторегрессивно и в реальном времени

• Kimodo: 282M, до 10 с, 30 fps
• ARDY: 192M, история и выход до 8 с

github.com/nv-tlabs/kimodo
hf.co/nvidia/Kimodo-SOMA-RP-v1.2
hf.co/nvidia/Kimodo-SOMA-RP-ArdyRep-v1.2
hf.co/nvidia/ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60

#animation

MAX

World from Motion

4D реконструкция на гауссианах из одного видео. С июля лежало в закладках ждало релиза

Stanford и NVIDIA, NeurIPS 2026.

• За основу взята реконструкция MoSca. Видеомодель DiffSynth дорисовывает виды с новых камер, потом эти кадры дистиллируются обратно в сцену
• То есть реконструкция и генерация работают в паре: где данных не хватает, их добирает видеомодель на базе Wan2.1-VACE-14B

github.com/GradientSpaces/World-from-Motion
huggingface.co/liyzzz/World-from-Motion

Спасибо @m_franz

#videoto4d #4d #gaussian

MAX

Новости ИИ, которые можно проверить.

Три истории из ролика вышли в «Нейрогазете» за один день — 14 октября. В каждом посте — проверенные факты и ссылка на первоисточник.

Каждый день с утра до вечера — коротко о новых моделях, решениях компаний и других событиях в ИИ. Без воды и морали.

Подпишись: https://t.me/+jqF88923qXgwYjVi?erid=2W5zFHHkFFf

GaussFusion

Чистка 3DGS видеомоделью

CVPR 2026, Stanford и Zillow Group.

• Чинит готовую реконструкцию на гауссианах: убирает летающие точки, мерцание и размытие от ошибок позы камеры и неполного покрытия
• Не переобучает сцену, а улучшает рендер видео-моделью
• Работает и с оптимизационными методами, и с прямыми вроде DepthSplat

Как работает
• Из реконструкции рендерится буфер гауссиан: цвет, глубина, нормали, непрозрачность, ковариация
• Буфер идет в VAE и трехмерную свертку, сжимается в латент геометрии
• Flow-трансформер на блоках DiT с геометрическими адаптерами сшивает его с латентом видео, текст входит через cross-attention
• На выходе согласованные по времени кадры без артефактов

Быстрый вариант дает 16 FPS, годится под интерактив

Код и модель ждем

Спасибо @m_Franz

#gaussian

MAX