тема · 50 новостей за 60 дней
Генерация и редактирование изображений и видео.
Восемь недель назад ChatGPT и сторонние программы, подключённые к генератору OpenAI через API, выдавали больше 3 млрд картинок в неделю, а теперь больше 4 млрд, сообщил один из руководителей компании Тибо Соттио.
По замерам Meta, пользователь приложения Muse начинает получать ответ аватара с голосом и видео примерно через 870 мс после окончания своей реплики.
Ролики можно править сообщениями в чате, а генерация видео в 720p стоит 0,07 доллара за секунду — на 30% дешевле прежней версии.
В ChatGPT и Codex картинку можно превратить в анимированный GIF, а разработчикам OpenAI дала две модели, которые, по её словам, рисуют на 50% быстрее прежних.
За полгода зарубежная выручка Seedance выросла почти в пять раз, а в тройку крупнейших клиентов в Китае входит Tencent со своей видеомоделью, пишут китайские издания.
TestingCatalog показал скрытую карточку Comics в Gemini Notebook: судя по ней, Google готовит для сервиса функцию создания комиксов по материалам пользователя в четырёх стилях.
Genie 4 на ходу строит фотореалистичный мир, по которому можно ходить, озвучивает его и даёт героям говорить; пока модель есть только у тестировщиков.
В рейтинге Artificial Analysis модель Microsoft AI для редактирования картинок уступает только GPT Image 2.5 Sunburst от OpenAI. Попробовать её можно на сайте MAI Playground.
Ассистент на моделях Apple и OpenAI появится в ноябре в музыкальном Logic Pro и офисных Keynote, Pages и Numbers — но только у подписчиков Apple Creator Studio, платного набора программ компании для авторов.
Инженеры NVIDIA, Alibaba, Hugging Face и энтузиасты сократили до 4–8 число шагов, за которые видеомодель MiniMax H3 собирает ролик из шума, и запустили её на Mac, облачных ускорителях Google и игровых видеокартах.
Вышла первая серия ИИ-сериала по «Одиссее» Гомера, снятого на видеомодели Grok Imagine от SpaceXAI, ИИ-компании Илона Маска. В июле Маск обещал полнометражный фильм по поэме до конца года.
Black Forest Labs выложила модель, которая дописывает запросы к модели картинок FLUX 3 Image Klein
Открытая модель Black Forest Labs рисует и правит картинки, расставляет объекты по рамкам из запроса, а сжатая версия идёт на видеокарте с 8 ГБ памяти.
TIME отметил невидимую метку Google для созданного ИИ контента: ею помечено больше 180 млрд картинок и видео, её ставят и модели OpenAI, NVIDIA и Kakao.
Дообученная версия видеомодели MiniMax H3 делает ролик со звуком по запросу, кадрам начала и конца и картинкам-образцам. До 20 октября она доступна только через API платформы Reactor для видеомоделей в реальном времени.
По данным The Information, стартап сооснователя DreamWorks Джеффри Катценберга и бывшего главы Sora Билла Пиблса обсуждает с OpenAI право дорабатывать свёрнутую видеомодель и продавать киностудиям программы на её основе.
Ускоренная версия открытой модели Alibaba для картинок рисует изображение за восемь шагов очистки от шума, а не за 40, как в примерах к обычной версии; в облаке компании к ней появился API.
Новый тест из 40 физических задач показал, что ролики видеомоделей часто нарушают законы физики: лучшая из восьми моделей набрала 57,76 балла из 100.
Облегчённая видеомодель SpaceXAI делает ролики по тексту или картинке от 2 центов за секунду, а агент Grok Bot, по словам Маска, пользуется ей автоматически.
MachGen выложила открытый код, который на ускорителях NVIDIA B200 примерно вдвое ускоряет механизм внимания — самую затратную часть расчёта в видеомоделях вроде MiniMax H3.
Любой может загрузить картинку, видео или аудио и узнать, создали ли их модели Google, OpenAI, NVIDIA или южнокорейской Kakao, а скоро и Apple.
Агент SpaceXAI будет подбирать модель под задачу, в том числе у сторонних компаний, а простые запросы отдаст быстрой версии будущей Grok 4.8.
По словам Логана Килпатрика из Google, новая модель компании для создания и правки изображений рисует качественнее, в ней исправлены ошибки прежних моделей, и стоит она меньше.
Метод PRISM считает, сколько связей метафоры сохранилось на картинке, и правит запрос; люди чаще выбирали доработанные изображения, но те становились перегруженнее.
Надстройка Google Research подправляет генерацию картинок, не меняя весов модели. В части тестов она оказалась лучше дообучения методом LoRA.
Пользователи X и Reddit массово выкладывают ролики, для которых Claude Opus 5.5 сама написала сценарий и анимацию на JavaScript, без видеогенератора.
Модель Runway по текстовым командам достраивает видео и звук кадр за кадром, но пока держит связный мир лишь несколько минут.
Агенты поверх Gemini и Veo планируют сюжет, запоминают, как выглядят герои и места, и сами переписывают запросы. На показе Google они сделали фильм на десять минут.
Аватар Live Avatar почти в реальном времени двигает губами и меняет мимику под речь модели на 97 языках, его получили клиенты Gemini Enterprise.
По мнению Катценберга, ИИ пока умеет рассуждать, но не творить, поэтому разработчикам нужен Голливуд, а Голливуду стоит договориться с ними об условиях.
Модель Muse Realtime Avatar превращает фото, рисунок или предмет в собеседника, который отвечает голосом и мимикой меньше чем через секунду.
Nunchux запустила видеомодель MiniMax-H3 на ускорителях AMD так, что ролики генерируются быстрее, чем проигрываются, а сюжет можно менять прямо во время просмотра.
Модель на 7 млрд параметров по кадрам с камер и текстовой команде выдаёт движения робота и заодно предсказывает, что камера увидит дальше.
По голосам пользователей Arena модель Alibaba Qwen-Image-2.1 стала первой среди открытых моделей и в правке картинок, и в их создании по тексту.
Открытую модель Alibaba, которая рисует и правит картинки, теперь можно запускать в оптимизированном виде на оборудовании Intel.
На одной RTX 4090 модель Alibaba для картинок Qwen-Image-2.1 без сжатия рисует картинку за 18,7 секунды — это замеры команды движка SGLang Diffusion.
Qwen-Image-2.1-PE-T2I на 9 млрд параметров превращает короткую просьбу на любом языке в подробный английский запрос для генератора картинок и советует пропорции кадра.
Модель на 9 млрд параметров превращает расплывчатую просьбу о правке картинки в подробный запрос для Qwen-Image-2.1. Коммерческое использование — только по отдельной лицензии.
Открытую модель Alibaba для создания и правки картинок можно запускать в ComfyUI, а vLLM-Omni на ускорителе NVIDIA GB300 рисует ею кадр 1024×1024 за 4,5 секунды.
Новая модель Alibaba рисует и правит картинки, в том числе с прозрачным фоном, и берёт до десяти образцов. Для коммерческого применения нужна отдельная лицензия.
* Meta Platforms Inc., которой принадлежат Facebook и Instagram, признана в России экстремистской организацией, её деятельность запрещена.