Теги
57 записей
Генерация видео и разговорное редактирование доехали до Gemini API и Google AI Studio. В анонсе модель зовут Gemini Omni 1.1 Flash, хотя у Google она значится как Gemini Omni Flash и на 27 августа остаётся в preview.
open-models
Kingy AI отмечает, что название Flash официально никто не подтверждал, но техника сходится: стелс-модель Ox Alpha с OpenRouter выложена на Hugging Face как GLM-5.3-Flash, мультимодальная 320B-A18B под лицензией MIT.
В новой сборке десктопного Gemini, по данным TestingCatalog, есть аватары с отдельным разделом настроек и скрытая вкладка Customize с приложениями, навыками и плагинами. Широкой поддержки MCP в приложении при этом нет.
open-models
Смешанный ввод текста и картинок дошёл до младшей линейки DeepSeek: в API открыли V4-Flash-Vision-Exp. По заявлению DeepSeek, на тексте она держится на уровне V4-Flash, а в целом близка к Opus 4.8.
openai
Прозрачный фон в gpt-image-2 заработал в API OpenAI, и под него уже перечислены сценарии: вырезанные товары, логотипы, стикеры и графика для презентаций.
meta
Отобранные партнёры Meta уже гоняют Muse Video в закрытой бете, и TestingCatalog показал первые генерации: ролики по 10 секунд с нативным аудио, голосом и музыкой, но с жёсткими ограничениями по копирайту.
meta
Прикрепить конкретный экран или окно прямо из строки запроса: Meta AI вышла на macOS в отдельных регионах, со сборкой 1.0 и системной диктовкой. Управления браузером и компьютером в приложении нет.
openai
В бенчмарке Roboflow детекция объектов у GPT-5.6 Sol выросла до 46,2 mAP@50 против 13,8 у GPT-5.5. Лидирует в детекции и счёте всё равно Gemini 3.5 Flash, при 0,8 цента за изображение против 2,5 у Sol.
Искорку в правом нижнем углу изображений Gemini можно отключить, пишет The Verge, но в странах, где видимая маркировка обязательна по закону, настройка недоступна. Невидимый SynthID при этом остаётся вшитым в результат.
open-models
Веса Qwen3.8-27B появились на Hugging Face под лицензией Apache 2.0. Модель плотная и нативно мультимодальная, запускается локально, при этом нативное окно контекста 262K токенов расширяется до 1 миллиона через YaRN.
model-releases
Вторую строку рейтинга Arena по генерации изображений, по заявлению Microsoft, заняла новая MAI-Image-2.6. В публичных данных Arena на 10 августа там держится grok-imagine-image-2.0, а mai-image-2.5 идёт девятой.
xai
Magic Wand правит одну область картинки и не трогает остальное, описывает xAI инструмент в Grok Imagine Image 2.0. Сама модель уже работает в приложениях Grok, а доступ через API компания только планирует.
open-models
«Смотреть, слушать и говорить» одновременно: ByteDance показала SeedRealtime, где момент ответа выбирает сама модель, без внешних правил детекции речи. По оценке компании, сбоев темпа диалога вдвое меньше, чем у каскадных систем.
openai
Пока GPT-Live поддерживает разговор, GPT-5.5 в фоне рассуждает и вызывает инструменты. Детектор реплик при этом убрали из аудиотракта: полнодуплексная модель слушает и говорит одновременно.
xai
До семи референсов в одной генерации: Grok Imagine удерживает лицо с одной картинки, товар со второй, локацию с третьей. При этом, по словам xAI, образец голоса закрепляет за персонажем одно звучание в разных сценах.
Коверы, липсинк-видео и приложение для iOS получил Google Flow Music вместе с новой флагманской моделью Lyria 3.5. Функция коверов переделывает песню в другой стиль, сохраняя исходную структуру.
Голосовой ввод Gemini получил вызов по удержанию клавиши Fn в любом окне на Mac. Речь попадает текстом прямо под курсор, а слова-паразиты вроде «эм» и «а-а» ассистент вырезает сам.
openai
Транскрипт приходит частями прямо во время речи, так OpenAI описывает новую модель GPT-Live-Transcribe. Рядом в API появилась GPT-Transcribe для готовых аудиофайлов и пакетных задач.
multimodal
Шёпот или нервный смешок задаются прямо в тексте квадратными скобками, без списка готовых эмоций. Их понимает модель S2.1 Pro от Fish Audio с временем до первого звука около 90 миллисекунд и поддержкой 83 языков.
xai
Разработчикам обещают один API и для картинок, и для видео: xAI готовит Imagine API версии 2.0 с объединённой генерацией. Публично доступной при этом остаётся версия 1.5.
