Нейросети для картинок
Нейросети для картинок создают изображения по текстовому описанию: Midjourney (миджорни), Stable Diffusion, FLUX, DALL-E и Nano Banana превращают промпт в иллюстрацию, фото или арт за секунды. Качество уже спорит с работой дизайнера, а суды разбирают вопросы авторских прав. Здесь — все наши материалы про генерацию изображений: релизы моделей, сравнения, цены и правовые баталии.
DirCast сам режиссирует и комментирует киберспорт, обойдя GPT-5
Одна потоковая видео-языковая модель выбирает камеру и говорит за кастера в реальном времени. В сравнениях с GPT-4o комментарии DirCast выигрывают в 29,2% случаев.
HiSTEVE 1.0 играет в Minecraft мышью и клавиатурой: 85,0% на MineStudio Bench
VLA-агент HiSTEVE 1.0 проходит длинные задачи в Minecraft без API и скрытых состояний игры: 85,0% на MineStudio Bench, 37,4% на OpenHA и железная кирка с нуля.
Обзор Shengqiong Wu и Hao Fei: 600+ работ о видеомоделях как моделях мира
Команда с участием Shuicheng Yan, Ming-Hsuan Yang и Philip Torr свела понимание и генерацию видео в одну рамку и разобрала более 600 работ в 19 таблицах.
NUS научил модель искать то, что она описала: gIoU вырос с 57,5% до 68,2%
CausalAlign лечит «забывчивость» видеомоделей: ошибки геометрии ниже на 20%
LEGO-SCD учится находить изменения в 3D-сценах на 17,2 FPS без ручной разметки
250 субагентов против 4 потоков: почему архитектура оркестрации важнее громкого имени модели
Шесть команд из UCSB, Stanford и J.P. Morgan выпустили бенчмарк памяти агентов
WorldMemArena проверяет, как мультимодальные агенты помнят и используют увиденное в реальных взаимодействиях. Работа шести организаций принята на NeurIPS 2026.
Dream Labs из команды NVIDIA DreamZero привлекла $90 млн и открыла API для роботов
Команда DreamZero, ранее работавшая в NVIDIA, вышла из стелса: seed на $90 млн и публичный Dream API, который управляет роботом по текстовой команде.
RoboJudge-9B судит робо-видео точнее Gemini: корреляция с людьми 0,719
OvisOCR3 на 0,8 млрд параметров обошёл OCR-модели: 96,74 на OmniDocBench v1.6
Black Forest Labs: штат из 70 человек бросает вызов гигантам Кремниевой долины
Meta представила Muse Spark: мультимодальную ИИ-модель с визуальным мышлением
SpatialScout: лучший VLM-агент собрал 3D-карту комнаты лишь на 41,71%
Новый бенчмарк SpatialScout проверяет, умеют ли VLM-агенты сами исследовать сцены и строить карту объектов. Claude Opus 5.5 набрала 41,71%, а IoU выше 0,9 получили…
Omni-Woodpecker снижает галлюцинации омни-LLM без дообучения: +12,9 на CMM
Команда из Нанкинского университета предложила метод OWP: он правит скрытые состояния омни-модели до декодинга и добавляет 12,9 пункта на CMM для Qwen2.5-Omni-7B.