Kling Sound

А также выпустили генератор звуков для видео
Или просто по текстовому описанию

#video2sound #text2sound #sfx #foley

3d-model-playground

Просто побаловаться с вебкой
Можно закинуть модельку и в реальном времени ее руками крутить и анимировать

#3d #realtime #webcam

Baidu выпустили в опенсорс семейство моделей ERNIE 4.5

#SOTA на текстовых и мультимодальных бенчмарках:
— следование инструкциям,
— запоминание фактов,
— визуальное понимание,
— мультимодальные рассуждения.

Опубликовано всего 23 модели ERNIE 4.5 от компактнойdense‑версии с 0.3B параметров до старшей модели с 424B параметров (#MoE)

Попробовать
Веса
Гитхаб
AI Studio

#assistant #reasoning #VLM

Еще несколько залипательных демок от кофаундера HuggingFace

#sound #realtime #webcam

Ovis-U1

Мультимодальная модель от Alibaba для понимания, генерации и редактирования изображений

- Поддерживает понимание сложных визуальных сцен и текстового контента, ответы на вопросы об изображениях, выполнение визуальных ответов на вопросы (VQA) и генерацию описаний изображений.

- Генерирует высококачественные изображения на основе текстовых описаний, поддерживая различные стили и сложные изображения сцен.

- Точное редактирование изображений на основе текстовых инструкций, включая добавление, корректировку, замену или удаление элементов, а также перенос стиля.

Код
Веса
Демо

#vlm #text2image #imageediting #captioning #image2text

Normalized Attention Guidance (NAG) Flux-Kontext-Dev

Демоспейс с прикрученным к Flux NAG

#imageediting #optimization

llama-nemoretriever-colembed-3b-v1

модель для поиска информации в текстовых и визуальных документах

первое место на бенчмарке ViDoRe

#search #leaderboard

WebDancer

Ризонер-агент от Alibaba для автономного поиска информации на фреймворке ReAct

Гитхаб
Веса

#reasoning #search #agent

Radial Attention: O(nlogn) Sparse Attention with Energy Decay for Long Video Generation

ускорение генерации длинных видео с сохранением высокого качества. Плюс в дорожной карте увеличение максимального хронометража до 4 раз

Поддерживает Wan2.1-14B, HunyuanVideo, Mochi-1 и лоры

От команды SVDQuant / nunchaku

Код
ComfyUI ждем

#optimization #text2video

SimpleTuner v2.0

В свежем релизе инструмента - полная поддержка дообучения Flux Kontext

и еще миллион ничтяков

#finetuning #tools

Генератор 3D моделей Hi3DGen принят в программу ICCV2025

А код опубликован если кто не знал

#imageto3d #image2normal

ComfyUI-OmniGen2

Большое упущение с моей стороны что не опубликовал до сих пор. Бежим играть с омнигеном2

#personalization #imageediting #text2image #image2image #referencing #comfyui

Есть нативная поддержка

спасибо @kuvshin8