📈 Krea 3 обошла Nano Banana Pro в рейтингах редактирования изображений
Krea опубликовала сравнение своей модели Krea 3 с Nano Banana Pro (Gemini 3 Pro Image) от Google. По данным трёх публичных рейтингов на 19-20 октября 2026 года, Krea 3 занимает более высокие позиции по Elo.
В Arena Multi-Image Edit Krea 3 Ultra - #4 с 1435 баллами против #9 и 1365 у Nano Banana Pro. В Design Arena Krea 3 - #4 из 51 с 1298 Elo против 1245. В Artificial Analysis Ultra - #5 с 1151, Fast - #11 с 1125, тогда как Nano Banana Pro - 1106. Krea также заявляет, что большинство правок выполняются менее чем за 8 секунд в нативном 2K и стоят в 3 раза дешевле.
При этом Nano Banana Pro сохраняет преимущества в 4K, поисковой привязке Google, длинном тексте на изображении и отдельном пуле референсов персонажей. Krea 3 принимает до 8 референсов, но Ultra может работать несколько минут.
🎨 qvabo.studio/tg · картинки и видео
#AI #Rating #ImageGen #Krea #NanoBananaPro
Krea опубликовала сравнение своей модели Krea 3 с Nano Banana Pro (Gemini 3 Pro Image) от Google. По данным трёх публичных рейтингов на 19-20 октября 2026 года, Krea 3 занимает более высокие позиции по Elo.
В Arena Multi-Image Edit Krea 3 Ultra - #4 с 1435 баллами против #9 и 1365 у Nano Banana Pro. В Design Arena Krea 3 - #4 из 51 с 1298 Elo против 1245. В Artificial Analysis Ultra - #5 с 1151, Fast - #11 с 1125, тогда как Nano Banana Pro - 1106. Krea также заявляет, что большинство правок выполняются менее чем за 8 секунд в нативном 2K и стоят в 3 раза дешевле.
При этом Nano Banana Pro сохраняет преимущества в 4K, поисковой привязке Google, длинном тексте на изображении и отдельном пуле референсов персонажей. Krea 3 принимает до 8 референсов, но Ultra может работать несколько минут.
🎨 qvabo.studio/tg · картинки и видео
#AI #Rating #ImageGen #Krea #NanoBananaPro
Компания i14 совместно с AWS Generative AI Innovation Center адаптировала свою модель Laplace 3B с линейным вниманием под ускорители Trainium2, используя нативный бэкенд PyTorch - TorchNeuron Native.
В архитектуре Laplace 3B (24 слоя, 3,03 млрд параметров) softmax-внимание заменено на Gated Linear Attention. Вместо растущего KV-кэша модель хранит рекуррентное состояние фиксированного размера - 29,5 МБ на последовательность независимо от длины контекста. Это меняет сложность обучения с O(T²) на O(T), а инференс делает O(1) на токен.
Инженеры внесли три ключевых изменения: переписали Triton-ядро fused_chunk_simple_gla на стандартные операторы PyTorch (16 чанков по 128 токенов под 128 партиций буфера NeuronCore), переработали коммуникации Muon через два all_to_all в MuonFSDP2 (трафик на ранг упал в 24 раза, пропускная способность выросла в 1,63 раза) и статически развернули 16 шагов рекуррентного backward pass, чтобы уложиться в лимиты компилятора.
Результат на одном инстансе trn2.48xlarge: обучение около 120 000 токенов в секунду и сервинг 11 544 выходных токенов в секунду при 1 280 одновременных последовательностях. Подход интересен для长期 агентов и анализа больших документов, где нужна предсказуемая память при подаче запросов, но качество извлечения информации из сжатого состояния требует отдельной проверки под конкретные задачи.
🎨 qvabo.studio/tg · картинки и видео
#AI #Models #AWS #Trainium2 #PyTorch #LLM #LinearAttention
Please open Telegram to view this post
VIEW IN TELEGRAM