Google releases Gemini Omni 1.2 Flash

Google launched Gemini Omni 1.2 Flash, enabling 15-second video generation with native conversational editing. The update lowers inference costs by 30 percent, pricing generation at $0.07 per second for 720p resolution.

Users can refine clips turn-by-turn through dialogue instead of re-generating from scratch. The model is available today across the Gemini API, Google Vids, and Flow.

#ArtificialIntelligence ⚡ #GenerativeVideo ⚡ #Google

Subscribe

• Sent via TeleFeed

Kimi 3D Worlds в Hugging Face Spaces: интерактивная генерация 3D-миров на Three.js с помощью Kimi K3.1 Pro

На Hugging Face Spaces бахнули интерактивное веб-приложение Kimi 3D Worlds, демонстрирующее возможности MoE-модели Kimi K3.1 Pro (2.8 трлн параметров, 104 млрд активных) в задачах генерации 3D-сцен.

Можете задать текстовое описание желаемой локации и при необходимости прикложить реф (sketch) или выбирать визуальный стиль. На основе запроса Kimi K3.1 Pro генерирует исполняемый код полноценной трехмерной сцены на базе стека Three.js и WebGL.

3D-мир мгновенно рендерится в полноэкранном режиме в браузере со свободным управлением камерой, процедурным освещением, шейдерами и анимацией объектов.

Демо Kimi 3D Worlds в Hugging Face Spaces

@cgevent

• Sent via TeleFeed

🥭Fast/Accurate Hand Estimation🥭

👉FAH is novel family of models built on SAM 3D Body’s hand branch: 2D/3D joints and surface points, fit MANO or MHR-Hand, and optionally estimate anatomical parts and contact without object geometry at inference. Repo under Apache 2.0💙

👉Review https://lnkd.in/p/dfTBMFA8
👉Paper https://arxiv.org/pdf/2611.07711
👉Project https://www.jinkuncao.com/FAH/
👉Repo https://github.com/noahcao/FAH

• Sent via TeleFeed

⚡️ #JUST_IN Nvidia H200 stock stalls in Hong Kong

As of November 6, 600,000 Nvidia H200 accelerators are stranded in Hong Kong warehouses, awaiting import approval for mainland China. Beijing enforces tight quotas to push local firms toward using domestic chips for inference tasks. 🛑

This backlog illustrates the friction between the desperate demand for high-end compute and the state's strategy to curb reliance on American tech.

#ArtificialIntelligence ⚡ #Nvidia ⚡ #Hardware

Subscribe

• Sent via TeleFeed

Интересная шняга: кольцо с экраном для действий ИИ-агентов

Aina открыла предзаказы на кольцо с OLED-экраном и управлением большим пальцем. Предлагают использовать его для коротких действий, которые обычно требуют достать телефон. Например, перед встречей кольцо может предложить открыть её на Mac, а пользователь подтверждает действие свайпом.

Aina называет такие подсказки Cues. Система изучает привычки на устройствах пользователя и выводит на экран одно подходящее действие. Для выполнения требуется подтверждение. Голосовой режим позволяет обратиться к агенту или продиктовать заметку. Устройство сопрягается с iPhone, а для Mac заявлено управление встречами и приложениями.

Предзаказы от 399 долларов, поставки в начале 2027 года.

https://www.aina.com/

@cgevent

• Sent via TeleFeed

Pruna AI бахнули видеомодель P-Video-2-Pro-Replace на базе MiniMax H3 для замены кожаных на видео по фото-референсам

Вот так смышлёные ребята зарабатывают на open source.

Модель переносит внешность и одежду новых персонажей в сцену, полностью сохраняя исходную хореографию движений, ракурс и траекторию камеры, кадрирование, фоновое окружение и оригинальную аудиодорожку. Максимальная поддерживаемая длительность обрабатываемого видео до 120 секунд.

Генерация 10-секунд занимает около 1.5-2 минут при стоимости от $0.05 за секунду видео в разрешении 480p. Дорого.

Доступ открыт через API и песочницу Pruna, а также на Runware, WaveSpeed AI, Replicate, Segmind, Wiro AI, Tellers AI и Eachlabs.

Источники:
Документация модели

@cgevent

• Sent via TeleFeed

Nous Research бахнули Hermes Marketplace: единый каталог плагинов, навыков и MCP-коннекторов для Hermes Agent

Пока OpenAI перебувается и думает, как им сделать маркетплейс (сначала были GPT-шки, потом плагины, потом коннекторы, ну и так далее), взрослые мальчики берут и делают.

Хермесовцы открыли официальный портал Hermes Marketplace, объединяющий плагины, агентные навыки (skills) и MCP-коннекторы для автономного фреймворка Hermes Agent с установкой через CLI (hermes plugins install).

Каталог построен вокруг переносимого стандарта пакетов Portable Agent Plugins v1 (связка конфигурации mcp.json и директории skills/). Среди ключевых модулей релиза выделяется Claude Subscription Direct SDK (claude-subscription-directsdk), который маршрутизирует шаги выполнения Hermes Agent напрямую через локальный Claude Code CLI (путь Agent SDK), позволяя использовать квоту подписки Claude Pro/Max без отдельной поминутной оплаты токенов по API.

Для работы с 3D-графикой и процедурным видео в каталог вонзили официальный stdio-сервер Blender Lab MCP (с автоматической бесправной установкой портативного Blender 5.1+ и проверкой SHA-256) и коннектор TouchDesigner MCP (протокол Streamable HTTP на 127.0.0.1:40404). Также выпущены локальная вики-панель Memory Wiki для аудита постоянной памяти агента (MEMORY.md / USER.md) и режим бота-секретаря Telegram Business Mode с подтверждением черновиков ответов.

Каталог Hermes Marketplace

@cgevent

• Sent via TeleFeed

Быстрый генератор картинок NitroFusion2 за 1-2 шага на базе Z-Image-Turbo

Не возлагаю на него больших надежд. Просто за ним стоит забавная история. Nitro Fusion 1 вышел два года назад, и был ничем не примечательным генератором картинок. А Nitro Fusion 2 - это как бы fine-tune Z-Image Turbo. При этом нейминг сохранён прежним. И у меня только один вопрос: если Z-Image Turbo как бы помер и не обновляется, то зачем делать Nitro Fusion 2 или 3?

Для двухшагового режима авторы выпустили специальный адаптер de-distillation LoRA (применяется с весом 0.5 на первом шаге и отключается на втором для устранения артефактов), а также линейку квантованных GGUF-весов объемом от 2.0 ГБ (Q2_K_4XS) до 7.2 ГБ (Q8_0) и готовые воркфлоу для ComfyUI.

Скажите-ка мне, вот такие опенсорсные новости вам нужны? Оставлять такое в канале или нет?

👍- оставлять
👎- не надо

Источники:
Страница проекта
GitHub
Hugging Face
arXiv

@cgevent

• Sent via TeleFeed

Japan Introduces Child Driver Seats on Buses to Inspire Future Generations

• Sent via TeleFeed

Вы будете смеяться, но у нас новый видеогенератор

Vimoo открыла веса семейства видеогенераторов Vimoo 1.0 для генерации по тексту (T2V) и изображениям (I2V). Модель не стали обучать с нуля, а собрали как гибридный конструктор из разных открытых компонентов вокруг собственного 11.7B двухпоточного диффузионного трансформера (Dual-Stream MMDiT).

Базовая генерация (открытый код): 5 секунд (121 кадр при 24 FPS в 720p).

Расходимсо?

Там внутри Wan 2.2: модель использует видео-VAE со сжатием 4×16×16 и 48 латентными каналами.
За семантику промпта отвечает Qwen2.5-VL-7B, за типографику и четкий текст в кадре - посимвольный энкодер Glyph-ByT5-v2, а детализацию референсных кадров в I2V обеспечивает Google SigLIP.

Для масштабирования до 1080p есть отдельная генеративная модель-реставратор Vimoo Enhancer.

Скажите-ка мне, вот такие опенсорсные новости вам нужны? Оставлять такое в канале или нет?

👍- оставлять
👎- не надо

Источники:
Документация моделей (vimoo.ai)
Технический отчет Vimoo 1.0
Репозиторий Vimoo-1.0 на GitHub
Коллекция весов на Hugging Face

@cgevent

• Sent via TeleFeed

Внутряночка от Kling. Что происходит между промптом и видео

Команда Kling рассказала, как учит генератор выполнять наши режиссёрские хотелки.

• Видео для обучения размечают почти как монтажный лист. В статье разбирают 18-секундный ролик. Обычное описание перепутало резкую склейку с плавным переходом и пропустило, что реплика началась до появления героя. Если в обучающих описаниях такие детали регулярно теряются, генератору сложнее выучить, как ими управлять.

• У каждого референса своя роль. Допустим, с первой картинки нужно взять лицо, со второй - куртку, а из видео - только движение камеры. Kling учат явно связывать каждый референс с нужной частью сцены. Иначе "сделай как здесь" легко превращается в "заодно возьми оттуда фон и освещение".

• Prompt Enhancer натаскивают на реальных генерациях. Сначала его учат переписывать запросы на языке тех самых подробных описаний. Потом для одного запроса делают несколько версий промпта, генерируют по ним ролики и оценивают результат.

Любопытная деталь от команды: после этого результат стал стабильнее, но самые выразительные варианты пострадали. Если судья штрафует за артефакты, проще выбрать движение камеры, которое модель уже хорошо умеет.

• Судья тоже должен уметь смотреть видео. Если он видит слишком мало кадров, то может пропустить, как у героя на долю секунды ломается кисть. У Kling есть два оценщика: один объясняет, где и что пошло не так, другой быстро выставляет оценки по движению, картинке и соответствию запросу.

И ещё деталь про то, что под капотом. Визуальную и языковую части Kling-MLLM инициализировали из семейства Qwen 3.5-3.8 и добавили обработку звука. Речь о системе, которая помогает понимать и оценивать видео. Сам ролик генерирует отдельная модель.

Для совсем гиков: эра чистого масштабирования диффузионных трансформеров (DiT) ради улучшения пикселей закончилась. Сегодня узкое горлышко видеогенерации сместилось из рендеринга в семантический контроль и мультимодальное понимание. Поскольку видеогенераторы обучаются на порядки меньшем объеме данных, чем языковые LLM, качество картинки на 100% определяется тем, насколько точно модель понимает физику, свет и связку текста с объектами.

Разработчики выделили ключевые архитектурные инсайты пайплайна:

1. Плотный кэпшнинг как семантический контракт. Если модель обучается на коротких описаниях («мужчина бежит»), диффузия вынуждена додумывать детали наугад. Kling ввела концепцию «семантического контракта» с максимальной плотностью описания (description density): позы, физика материалов, ракурсы и траектории строго фиксируются. Для режима Image-to-Video используется Reference-grounded кэпшнинг, где части исходного изображения жестко привязываются к объектам в тексте.

2. Сильная LLM не делает видео лучше. Инженеры выяснили, что простое подключение более «умной» языковой модели в качестве текстового энкодера не улучшает видеогенерацию. Текстовому энкодеру нужно перцептивное (зрительное) обучение: он должен понимать пространственные отношения, оптику и композицию, а не решать логические задачи.

3. Prompt Enhancer с обучением прямо внутри генератора. Пользователи обычно пишут краткие промпты из 3-5 слов. Двухуровневый улучшайзер Kling переводит пользовательский ввод на «язык модели»: базовый уровень оптимизируется через Generator-in-the-loop RL (награда алгоритму улучшения промпта выдается по качеству итогового видео, собранного DiT), а агентный уровень (Agentic PE) достраивает драматургию и логику сцены.

4. Двойная система Reward-моделей. Для отсева брака используются две независимые модели: General Reward Model (дает локализованную и объяснимую критику дефектов конкретных областей кадра - расплывшихся пальцев или мигающего света) и Decision Reward Model (быстрый скоринг для массового RL-выравнивания).

Препринт команды Kling на arXiv

@cgevent

• Sent via TeleFeed