🌅 Deemos Hyper3D WorldGen превращает одно изображение в редактируемую 3D-сцену

Китайская компания Deemos, создатель платформы Hyper3D, запустила модель генерации миров Hyper3D WorldGen. Она превращает одно изображение среды в мультиобъектную 3D-сцену, где мебель и предметы становятся независимыми ассетами — а не единой «запечённой» сеткой. Пользователь может автоматически или вручную выбрать главные объекты, после чего модель восстанавливает их пространственные и физические взаимосвязи: объекты можно выделять, двигать, заменять и готовить к интерактиву в общей системе координат.

В основе лежит исследование CAST (Component-Aligned 3D Scene Reconstruction from a Single RGB Image), получившее награду Best Paper на SIGGRAPH 2025. Оно достраивает скрытую геометрию, определяет контакты и опоры объектов и размещает их в физически правдоподобном общем пространстве. WorldGen переносит эту академическую базу в производственные пайплайны для игр, кино, XR и симуляций воплощённого интеллекта.

Демо-версии показывают предпросмотр одиночных объектов за несколько секунд, полных сцен — за пару минут. Режим SimReady оценивает массу, масштаб и трение, позволяя объектам реагировать на базовую физику, хотя разработчики называют эти параметры приближёнными, а не метрологическими. Интерактивные объекты остаются редактируемыми мешами, а фон может использовать 3D Gaussian Splatting для сохранения внешнего вида среды. Сцены экспортируются в Blender, Unity, PlayCanvas и Unreal Engine.

#Tech #AI #3D #Models #Deemos #WorldGen #Media

🪙 Gen-1 Slides: презентации уровня Opus 5 за десятую часть цены

Genspark вместе с Fireworks Lab дообучили модель MiniMax M3 и выпустили Gen-1 Slides — модель для генерации готовых презентаций. По заявлению разработчиков, качество слайдов сопоставимо с Opus 5, а стоимость одной готовой колоды примерно в 10 раз ниже.

Ключевая идея — пост-тренинг вместо ставки на самую дорогую модель. Вместо того чтобы платить за inference топовой LLM на каждом слайде, команда адаптировала открытую MiniMax M3 под конкретную задачу: структура дека, вёрстка, подбор контента. Это классический пример узкоспециализированного fine-tuning, который даёт выигрыш и по цене, и по предсказуемости результата.

Практическая ценность — для команд, которым нужно генерировать презентации массово: продуктовые обзоры, отчёты, питч-деки. Экономия на порядок меняет экономику сценария: там, где раньше генерация колоды была дорогой операцией, становится доступен поток.

#AI #FireworksAI #Genspark #Gen1Slides #MiniMax #Models #Development

⚙️ Ant Group открыла мультимодальную модель Ling-3.0-flash-VL с циклом визуальной обратной связи

Ant Group совместно с проектом inclusionAI выложили в open source Ling-3.0-flash-VL — мультимодальную модель на архитектуре MoE объёмом 124 млрд параметров, из которых активны лишь 5,5 млрд. Веса в форматах BF16 и FP8 опубликованы 9 сентября.

Ключевая особенность — цикл визуальной обратной связи (vision feedback loop): модель не просто описывает изображение, а итеративно проверяет результат собственного действия по скриншоту. Это делает её пригодной для агентных сценариев — управления графическим интерфейсом (GUI-агенты), генерации и правки фронтенд-кода по макетам, а также задач в медицине, где важна верификация визуальных данных.

Экономичная схема MoE с 5,5 млрд активных параметров означает, что модель можно разворачивать дешевле сопоставимых плотных решений при близком качестве. Для разработчиков это готовый кандидат в пайплайны компьютерного зрения и автономных агентов: открытые веса позволяют дообучать модель под свой домен без обращения к закрытому API.

#AI #OpenSource #Models #MultiModal #MoE #Development

🆕 PrismML выпустила Bonsai 2 27B - сжатую LLM, помещающуюся на смартфон

Стартап PrismML из Калтеха представил Bonsai 2 27B - модель, которая сжимает открытый Qwen3.8 27B от Alibaba до 5,9 ГБ. Это в 9-10 раз меньше памяти, чем у оригинала, и достаточно мало для запуска на ПК и, возможно, на флагманском смартфоне.

Ключевая технология - «тернарные» веса: вместо стандартных 16 бит на параметр используются всего три значения (+1, −1, 0). По словам CEO Бабака Хассиби, модель сохраняет 98% агрегированных бенчмарков Qwen - против 95% у первой Bonsai, вышедшей в марте. Первая версия уже скачана более 11 млн раз.

Стартап привлёк $22,25 млн seed-раунда от Khosla Ventures, Cerberus Capital и Caltech; среди советников - сооснователь Databricks Ион Стойка. Следующая цель - сжатие моделей на сотни миллиардов параметров: по словам Хассиби, крупные модели сжимать легче без потери качества. Стойка подчёркивает: локальный запуск даёт бесплатный и приватный ИИ без облака.

#AI #Models #PrismML #Bonsai #LLM #Compression

📢 xAI выпустила Grok Voice Transcribe 2.0 - вдвое точнее предыдущей версии

xAI представила новую модель распознавания речи Grok Voice Transcribe 2.0. По внутренним оценкам, она вдвое точнее версии 1.0 при той же цене и занимает первое место по точности среди 32 стриминговых моделей на публичном лидерборде Artificial Analysis.

Модель построена на аудио-фундаменте Grok Voice, который уже обслуживает десятки тысяч звонков в поддержку ежедневно и работает в голосовых агентах, включая ассистента Grok в автомобилях Tesla. Обучение шло на живых шумных многоязычных записях из разных сред - это даёт лучший результат на «сложном» аудио: плохие телефонные линии, несколько говорящих, акценты, продиктованные номера и email. На коротких фразах (например, командах в машине) word error rate упал с 20,6% до 6,8%.

Среди возможностей: batch и streaming, таймстемпы на уровне слов с confidence-оценками, диаризация спикеров без доплаты, до 8 каналов, key term biasing до 100 терминов, форматирование чисел и дат, удаление слов-паразитов и smart turn detection для голосовых агентов. Существующие интеграции Speech-to-Text API получают прирост точности без изменений кода. Цена прежняя: $0.10/час за batch и $0.20/час за streaming. Atlassian уже использует модель в Loom.

#Tech #xAI #Grok #SpeechToText #Models #Development

🧠 TypeSafe AI представила Jev - модель, возвращающая не текст, а готовые решения

Компания TypeSafe AI выпустила Jev - первый пример нового класса моделей, который она называет System One (в сообществе прижилось имя «decision models», или модели решений).

Jev принимает текст или полуструктурированные данные, но вместо генерации текста возвращает числа. Вход - объект «state»: строка, массив строк или набор пар имя-значение. Далее задаются вопросы трёх типов: yes/no (Noul, от распределения Бернулли) - вероятность от 0 до 1; choice - выбор одного варианта из списка с распределением вероятностей; score - оценка по заданной числовой шкале. Вопросы обрабатываются параллельно, поэтому сотня вопросов занимает почти столько же времени, что и один.

Главное - цена и скорость. Оплачивается только вход: $0.042 за миллион токенов, выход бесплатный. Это дешевле GPT-5 Nano ($0.05). Практическая ниша - всё, что сводится к классификации: спам-фильтры, авторазметка, приоритизация и ранжирование. Автор обзора экспериментировал с переранжированием поиска: 100 кандидатов от BM25, затем оценка релевантности через Jev.

Обратная сторона - полный «чёрный ящик»: объяснений нет, только число, поэтому риски скрытого bias высоки. Отсюда особая важность evals - благо тысячи тестовых прогонов стоят копейки. Сообщество уже собрало jevchat, jev-2048 и открытые реплики вроде Kev на Qwen 3.5.

#Tech #AI #LLM #Jev #TypeSafeAI #Models #Development

🔄 Together AI запустила canary-роллауты для обновления моделей без простоя

Together AI добавила в платформу dedicated inference механизм роллаутов: живой трафик переносится с текущей модели на новый чекпоинт поэтапно, с health-проверками и автоматическим откатом.

Доступны три стратегии. Canary - шаги по долям трафика (по умолчанию 5% → 25% → 50% → 100%), blue-green - один переход 0% → 100%, rolling - последовательная замена реплик с сохранением ёмкости. Внутри каждого шага canary сначала масштабируется target, затем срабатывает health-гейт, идёт ожидание сходимости маршрутизации, дренаж source и только потом проверка метрик. Если гейт не проходит, роллаут переходит в SYSTEM_PAUSED и ждёт решения человека - отмена всегда за оператором.

В демо Qwen2.5-7B → Qwen3.5-9B гейт поймал рост p95-латентности на 137% уже при 10% трафика: роллаут отменили и запустили в обратную сторону - при живых запросах ни один не упал. Управление доступно через CLI (tg в пакете together 2.34.0+), REST API и Python SDK.

#AI #Models #TogetherAI #MLOps #Inference #Deploy #LLM

🤖 ChatGPT Voice научился работать с почтой, календарём и Slack

Голосовой режим ChatGPT получил крупное обновление: теперь он работает на новых моделях OpenAI - GPT-6 Astra, Sol и Luna. Функция доступна глобально.

Впервые голосовой ассистент подключается к плагинам: почте, календарю и Slack. Пользователи могут голосом проверять события в календаре, отправлять письма, находить и отменять дублирующиеся списания в финансовых приложениях и даже собирать сайт со страницей оплаты. В демо-видео показаны поиск погоды и онлайн-покупки.

Voice также работает в ChatGPT Work на вебе и в мобильном приложении: документы, презентации и таблицы можно создавать просто разговором. Всё доступно в последней версии приложения.

Для Сэма Альтмана это очередной шаг к ассистенту из фильма «Она» - на него он ссылался ещё при запуске первой версии ChatGPT Voice в 2024 году. OpenAI видит потенциал изменить работу с компьютером, но признаёт и связанные с этим риски.

#AI #ChatGPT #Models #OpenAI #VoiceAssistant #GPT6

🪙 Сколько стоит 10 секунд AI-видео: сравнение цен Seedance, Kling, Veo и MiniMax

Hedra посчитала стоимость одного и того же запроса - 10-секундный клип 1080p с нативным звуком из стартового кадра - на 11 видеомоделях. Разброс цен 13x: от $0.60 на LTX-2.3 Fast до $7.91 на Seedance 2.5. Между ними Seedance 1.5 Pro ($1.13), Kling V3 Pro ($1.68), Wan 3.0 ($2.00) и Seedance 2.0 ($5.27). Veo 3.1 упирается в 8 секунд, а у MiniMax H3 нет режима 1080p.

Три фактора меняют счёт сильнее тарифа. Звук включён по умолчанию почти везде: явный "generate_audio": false вдвое снижает цену Seedance 1.5 Pro и Veo 3.1 Standard. Версия важнее семейства - Seedance 2.x дороже 1.5 Pro в 4.7-7 раз, но разница в схемах только в reference-входах: если вы отправляете один кадр и промпт, переплата не оправдана без собственного теста качества. И прайс покрывает одну попытку, поэтому умножайте цену клипа на своё attempts-per-keeper.

В тестовом прогоне LTX-2.3 Fast за $0.60 к концу клипа менял и бариста, и интерьер, тогда как Kling V3 Pro и Seedance 2.5 удерживали одного персонажа и живой фон. Дешевле, но с ретраями - не всегда выгоднее.

#AI #VideoGen #Models #Media #API #Seedance #Kling