Ming-3.0-audio

Понимание аудио напрямую, без текста посередине

• Нна выход текст или голос
• Две версии: flash на 126 млрд с 6,5 активными и tiny на 9,3 млрд с 2,7 активными

• Распознавание речи в шуме, с диалектами и акцентами, для нескольких говорящих
• Ответы на вопросы по содержимому аудио, рассуждения над звуком
• Понимает длинные записи, речь, шумы, музыку, обстановку
• Голосовой ответ с клонированием по референсу

• Основные языки - китайский и английский
• tiny живет на одной видеокарте
• У flash контекст на 128 тысяч токенов, нужны восемь H800
• Лицензия MIT

• Поднимается через vLLM-Omni и SGLang, OpenAI-совместимые эндпоинты

huggingface.co/inclusionAI/Ming-3.0-audio-flash
huggingface.co/inclusionAI/Ming-3.0-audio-tiny
github.com/inclusionAI/Ming-3.0-audio-flash

#alm #stt #tts #voicecloning

MAX

Jockey

TwelveLabs выпустили чат-агента для видео и фотоархивов. Основа - их модели: Marengo кодирует содержимое (люди, объекты, звук, текст в кадре), Pegasus рассуждает о событиях и контексте.

• Отвечает на вопросы по всей библиотеке
• Находит нужные моменты и отвечает с таймкодами и ссылками на клипы
• Связывает связанные сцены из разных роликов, сравнивает и делает сводки
• Собирает первый черновик монтажа из удачных кадров

Подключение
• Ставится агенту как #MCP-коннектор
• Работает в Claude и ChatGPT
• Видео добавляется загрузкой файла или по ссылке, YouTube тянет напрямую

Для кого
• Креаторы, маркетинговые команды, спортивные и робототехнические проекты
• Любой, у кого накопился архив футажа, который лень пересматривать

Есть бесплатный тариф

Попробовать

#assistant #t2v #directing

MAX

LILIE

Энкодер из Стэнфорда, делает потери при обучении картинок умнее

Пиксельная ошибка одинаково наказывает за шум на небе и за размытый самолет, хотя смысл у них разный. LILIE учит пространство, где расстояние ближе к смыслу.

• Обратимый энкодер: картинка разбирается и собирается обратно без потерь
• Обучен так, чтобы языковая модель по зашумленным признакам восстанавливала подпись
• Дает готовую функцию потерь для текст-в-картинку, работает вместе с обычным пиксельным лоссом
• В комплекте кодировщики и генеративные модели

github.com/SuchirAgarwal/lilie
huggingface.co/suchiragarwal/lilie

#encoder #training

MAX

Нейросеть без сервера и интернета — прямо во вкладке браузера. Насколько она умная?

Мы проверили сами: 11 моделей, Mac на Apple M5, одни и те же 20 простых заданий — «столица Франции», «2 + 2», «повтори код ORANGE-42».

Малыши на 26–360 млн параметров решили от 3 до 14 заданий. Самая крупная из них на «2 + 2» ответила: «as an AI, I'm unable to provide numerical answers» — «как ИИ, я не могу давать числовые ответы». Самая быстрая выдаёт 581 токен в секунду — и уверенно пишет «2 + 3 = 5».

А Qwen2.5 на 1,5 млрд параметров уже решила 19 из 20: 44 токена в секунду, бесплатно и офлайн. Порог «здравого смысла» — где-то между 360 млн и 1,5 млрд.

В «Фактосборке» мы сами запускаем AI-инструменты и показываем, где они ломаются, — без пересказов пресс-релизов.

Подписаться → https://t.me/+pBwq7VP-4tAyMWQy

#промо

Mercury 3

Диффузионная языковая модель от Inception. Токены предсказываются не по одному, а пачкой параллельно и потом уточняются, отсюда скорость. Контекст на 1 млн токенов.

• Генерация больше 1000 токенов в секунду
• Браузерные и поисковые агенты, где каждая лишняя секунда копится
• Голосовая поддержка, репетиторство, разбор логов
• Совместимый с OpenAI API

• 1068 токенов в секунду на GPU NVIDIA
• Параметров больше, чем у первой Mercury, в 40 раз, скорость та же
• Контекст 1 млн против 260 тысяч у Mercury 2.5
• 0,10 доллара за 1 млн входных и 0,35 за выходные по стартовой скидке 50%, кеш дешевле еще на 90%

• На 50 живых задачах Mind2Web агент закрыл половину, больше GPT-6.1-Sol при том же расходе токенов
• Сравнения с GPT-6 Luna и Claude Haiku 5.5 свои: в 4-8 раз быстрее при сопоставимом качестве
• Доступна в Inception API, OpenRouter, Baseten и Vercel, новым ключам дают 100 млн токенов

Спасибо @Endorpheen

#dllm #agent