Подробный пересказ выпуска автора AI Search (@theAIsearch) «Weight space programming, science agents, 3D generators, new Gemini Omni, new GPT Image: AI NEWS», опубликованного 8 ноября 2026 года. Оригинальная запись. Сведения о возможностях и доступности ниже относятся к тому, что сообщает ведущий на дату выпуска; сравнительные оценки принадлежат ему и цитируемым разработчикам.
Первый инструмент в выпуске — HairDeck, который восстанавливает трёхмерную причёску по одному изображению персонажа. Волосы представлены отдельными объёмными прядями или пучками. При этом система создаёт не только неподвижную геометрию, но и подвижные сочленения, благодаря которым причёска может двигаться при анимации: в показанных примерах волосы реагируют на повороты головы. Сохраняется и окраска, в том числе сочетание нескольких цветов. По приведённым в ролике сравнительным испытаниям HairDeck превосходит другие подходы по точности геометрии и скорости генерации. Опубликованы код, веса и сценарии обучения; поддерживаются видеокарты NVIDIA и Apple Silicon. Размер файлов на Hugging Face — около 2,45 ГБ. Автор предполагает, что этого достаточно для запуска на большинстве потребительских видеокарт. Лицензия Apache 2 допускает коммерческое использование.
RelayVSR предназначен для повышения разрешения видео в четыре раза. В сравнительных роликах результат выглядит более чётким и подробным: модель восстанавливает или добавляет мелкие детали. Главная особенность подхода — разделение работы между большой и маленькой моделями. Крупная генеративная модель улучшает лишь выбранные ключевые кадры, а небольшая использует их как опору при обработке промежуточных. Такое разделение, по объяснению ведущего, ускоряет процесс и сокращает вычислительные затраты. В показанном сравнении с конкурентами он отмечает более высокую детализацию и точность. Проект уже выпущен, есть инструкции для локального запуска. Общий размер файлов указан как 10,2 ГБ.
Nitro Fusion 2 генерирует изображения за один или два диффузионных шага. В основе лежит Alibaba Z-Image; для сравнения, Z-Image Turbo обычно требует около восьми шагов. В выпуске показаны фотореалистичные изображения, художественные стили и композиции с текстом либо большим количеством элементов. Специальный способ обучения оценивает одновременно само изображение и соответствие текстовому запросу. Это должно помогать сохранять объекты, стиль и типографику даже при очень короткой генерации. Код и модель опубликованы, предусмотрена работа через ComfyUI и Diffusers. Полная версия BF16 занимает примерно 12 ГБ, имеются и более сжатые варианты. Возможность запуска на потребительском оборудовании автор связывает именно с наличием этих версий.
NVIDIA Strata моделирует атмосферу всей Земли. Она принимает сведения о температуре, ветре, влажности и давлении и предсказывает их изменение во времени. Заявленное пространственное разрешение составляет около пяти километров, временной шаг — десять минут. Каждое предсказанное состояние можно снова подать на вход и продолжить расчёт на несколько дней вперёд. Трансформер разделяет планету на небольшие участки, обрабатывает их по отдельности и объединяет результаты в глобальную картину. При таком масштабе у модели около 332 миллионов параметров, а опубликованные на Hugging Face файлы занимают примерно 1,6 ГБ. Доступны также инструкции по обучению, лицензия Apache 2 допускает коммерческое использование. Ведущий считает, что Strata лучше обычных методов моделирует погодные и атмосферные процессы, и предлагает её для прогнозирования погоды и климатических исследований.
FlowHMR восстанавливает движения человеческого тела в трёх измерениях по обычной видеозаписи, без специальных камер, костюмов захвата движения и датчиков. В демонстрациях человек бьёт по футбольному мячу и отжимается. Новая версия учитывает физические ограничения и стремится получать правдоподобные движения, а не только визуально похожие позы. Результат можно использовать для анимации персонажей или переноса движений на гуманоидного робота — в выпуске упомянут Unitree G1 и симуляция его действий. Ещё один вариант применения — связать FlowHMR с видеогенератором, чтобы получать трёхмерное движение из текстового описания. Автор сообщает о преимуществе в показанных тестах точности и физической правдоподобности. Код и модели открыты, есть браузерная демонстрация на Hugging Face; физические ограничения относятся именно к последней версии.
Другой проект NVIDIA, ReLift, отслеживает движение отдельных точек в трёхмерном пространстве по обычному видео. Он продолжает оценивать траектории, когда объект оказывается скрыт за другим объектом. В демонстрации восстановленное движение можно рассматривать с разных ракурсов, поворачивая виртуальную камеру. Сначала существующие модели находят точки и оценивают их глубину, затем дополнительная модель исправляет ошибки и предсказывает движение невидимых точек. По оценке ведущего, в показанном сравнении ReLift в среднем лучше отслеживает объект, чем сопоставляемые методы. Опубликованы код, веса и сценарии обучения, позволяющие самостоятельно обучать или настраивать систему.
Google Gemini Omni 1.2 Flash, как и предыдущая версия, создаёт видео длительностью до пятнадцати секунд. На вход можно передавать текст, изображения, видео и звук. Автор обращает внимание на плавное движение камеры, правдоподобное движение и более устойчивое сохранение деталей в демонстрационных сценах. Одно из основных улучшений касается сохранения деталей исходных изображений: по изображениям человека и нескольких комплектов одежды модель создаёт видео виртуальной примерки, сохраняя внешность и особенности вещей. Поддерживаются правки обычным языком — замена фона или объекта, изменение освещения, — а также перенос движения с одного видео на другой объект. В выпуске говорится о снижении цены на 30%: секунда видео 720p теперь стоит семь центов. Перечислены AI Studio, API и Google Flow.
Следующая новость — GPT Images 2.6 от OpenAI. Автор считает её небольшим улучшением предыдущей модели, сохранившим редактирование по тексту и работу с изображениями-референсами. Новая возможность — создание анимированных GIF. По заявлению OpenAI, генерация стала на 50% быстрее. В API представлены два варианта: flare ориентирован на скорость и способен создавать изображение всего за шесть секунд, sunburst отдаёт приоритет качеству и сохранению деталей при последовательных правках. Также упомянуты разметка изображения для точных изменений и создание изображений с экспортом в векторный формат SVG — например, для логотипов и масштабируемой графики. Согласно показанной странице, Images 2.6 уже доступна в ChatGPT и Codex на всех уровнях подписки.
Самый подробный исследовательский сюжет посвящён работе MIT о weight space programming — программировании в пространстве весов. Ведущий объясняет: веса нейронной сети меняются при обучении и определяют приобретённые способности модели. Обычный путь улучшения — новое обучение или дообучение с последовательной корректировкой этих параметров. Исследователи проверяют другой вариант: может ли более сильная модель исследовать веса другой сети и напрямую изменить их так, чтобы исправить её поведение, без обычного цикла обучения? В роли такой модели в выпуске названа GPT-6 Astra. Сначала в выпуске описаны опыты, а затем разобраны ограничения, которые мешают считать их универсальным способом повышения интеллекта.
В первом опыте Astra получила веса четырёх небольших моделей, обученных разным играм. Названия игр ей не сообщали, однако она правильно определила все четыре, включая Pong и Pac-Man. Во втором небольшая модель управляла автомобилем, который застревал на подъёме. Astra предоставили веса и запись неудачной попытки. После изменения 3,5% весов автомобиль прошёл трассу во всех проведённых испытаниях. Ведущий трактует это как исправление параметров, отвечавших за проблемное поведение. Речь идёт именно о результатах этих тестов, а не о доказанной способности исправлять произвольную систему управления.
Третий опыт касался небольшой модели Alibaba Qwen3.5-0.8B с 800 миллионами параметров. Astra поручили улучшить её математические способности. После анализа и изменения небольшой доли весов результат Math500 вырос с 7,9% до 48%; заметно улучшилось и выполнение инструкций. Однако исходная модель имела известный дефект: повторяла рассуждения, зацикливалась и исчерпывала лимит токенов до окончательного ответа. По объяснению автора, исправление могло позволить ей довести до конца задачи, которые она уже умела решать, без приобретения новых математических знаний. Он приводит независимый анализ, где неизменённая модель достигала примерно 44% на Math500 при других настройках.
Кроме того, Astra не просто просматривала сотни миллионов чисел. В опыте с Qwen она имела Python-инструменты, многократно запускала модель на тренировочных вопросах, изучала поведение и проверяла разные изменения. Поэтому результат включает экспериментальную отладку, а не только прямое понимание знаний, заключённых в весах. Когда аналогично попытались улучшить Google Gemma, не страдавшую такими циклами рассуждения, улучшения не получили. Ведущий сообщает, что результаты работы воспроизводились другими, но предостерегает от чрезмерных интерпретаций. Для него это перспективный подход к поиску ошибок и улучшению моделей, а не доказательство возможности произвольно повышать интеллект любой сети. Журналы экспериментов опубликованы на GitHub.
Lucid Lyra превращает одно изображение в трёхмерную сцену, которую можно осматривать, и одновременно распознаёт отдельные объекты. Их разрешается выделять, извлекать, перемещать, масштабировать, дублировать и удалять. Ещё одно заявленное применение — создание среды для симуляции роботов, которые перемещаются по ней и взаимодействуют с предметами. Сначала видеогенератор предсказывает, как исходная сцена выглядела бы с разных ракурсов. Затем другая модель объединяет эти представления в трёхмерную реконструкцию и выделяет объекты. Автор отмечает преимущество в показанных сравнениях распознавания и разделения предметов. На момент выпуска код обозначен как готовящийся к публикации.
P-H3 Image получена переработкой видеомодели MiniMax H3 в генератор и редактор изображений. Она создаёт картинки по тексту, меняет существующие изображения обычными инструкциями и объединяет до восьми референсов в одной сцене. Среди показанных направлений — фотореализм, кинематографические сцены, портреты, аниме и другие художественные стили. Архитектуру приспособили к отдельным изображениям, а число шагов сократили с пятидесяти до восьми; в выпуске говорится об ускорении примерно в пять раз. Поддерживается разрешение до шестнадцати мегапикселей и автоматическое расширение короткого запроса. Веса доступны на Hugging Face в BF16, 8- и 4-битных вариантах, запуск возможен через Diffusers и ComfyUI.
OpenRoboKit объединяет четыре открытые библиотеки для управления роботами, симуляции и обучения. RoboKit отвечает за расчёт движений и планирование действий: в примерах роботы вращают ручки и кубики, открывают блокноты, преодолевают препятствия и прыгают. RetargetingKit переносит движения человека из видео, систем захвата движения или VR на роботизированные кисти и полноразмерных гуманоидов. GraspKit помогает захватывать предметы и манипулировать ими, обучать модели управления и применять их в симуляции либо на настоящем оборудовании. RoboSkills предлагает рабочие процессы для ИИ-агентов: генерацию движений, восстановление симуляций из видео и самостоятельное улучшение управления через эксперименты. Код всех четырёх наборов и инструкции по установке уже опубликованы.
MOSS-Live — голосовая мультимодальная система реального времени от команды, которая также работает над Moss Image. Ей можно передавать изображение с экрана или камеры. В показанном диалоге пользователь просит спланировать прогулку: система определяет местоположение на Fuzhou Road, предлагает пройти от Sichuan Middle Road к набережной Bund, затем двигаться к Nanjing Road, поужинать поблизости и оставить запас времени на дорогу в аэропорт. Она обещает проверить продолжительность переездов. Автор также описывает возможность одновременно слушать и говорить, различать перебивание новым вопросом и короткую реакцию собеседника, отделять его голос от посторонних людей и шума, участвовать во встречах и искать нужные сведения. В другом примере путешественник показывает системе место через камеру и задаёт вопросы о нём.
В MOSS-Live разговор и фоновые задачи обрабатывают отдельные компоненты. Первый ведёт диалог в реальном времени, второй выполняет сложные рассуждения и обращения к инструментам. Благодаря этому система может продолжать диалог во время работы над другой задачей. Ведущий положительно оценивает показанные тесты голосового общения, обработки перебиваний и использования инструментов. На момент выпуска доступны онлайн-демонстрация и API. О публикации весов не сообщается.
Pyramid JiT — открытый генератор изображений примерно с двумя миллиардами параметров. По приведённым сведениям, его обучили с нуля, затратив на вычисления 21 тысячу долларов. В примерах есть портреты, пейзажи и стилизованные иллюстрации; автор считает качество неожиданно высоким для такого масштаба и бюджета. Модель работает непосредственно с пикселями, без отдельного сжатого латентного представления, а особенности архитектуры уменьшают вычисления при обучении. Разработчики при этом называют её экспериментальной и признают трудности со сложными сценами, несколькими людьми и точным воспроизведением текста. Код и веса открыты, размер модели — 8,74 ГБ. Ведущий предполагает, что она поместится на большинстве потребительских видеокарт. Лицензия Apache 2 допускает коммерческое использование.
Cola 3D строит целую трёхмерную сцену по одному изображению, причём каждому предмету соответствует отдельная полигональная сетка. Предусмотрены три режима: автоматическое обнаружение всех объектов, указание нужных предметов точками или задание масок сегментации. Система обрабатывает сцену целиком, а не создаёт независимые предметы с последующей сборкой. По объяснению ведущего, это помогает сохранить взаимные положения, размеры и пространственные связи. Опубликованы код для запуска, обучающий код и набор данных.
Mirage — небольшая открытая модель компьютерного зрения. Она находит объекты и обводит их границы, читает текст и распознаёт пространственные отношения: например, какие предметы соединены и что находится на столе. Можно также предложить набор ответов, чтобы модель выбрала подходящий по изображению; автор связывает это с классификацией и подсчётом предметов. Один общий компонент обрабатывает изображение, а специализированные компоненты извлекают из него сведения об объектах, тексте и других деталях. У модели около 51 миллиона параметров, а после двухбитного квантования размер составляет примерно 22 МБ. В выпуске заявлена обработка изображения на смартфоне примерно за десятую долю секунды; конкретное устройство не называется. Предусмотрен локальный запуск и на ноутбуках, носимых и других потребительских устройствах, код и модель опубликованы.
DreamX переносит движение с персонажа в исходном видео на другого персонажа. В демонстрации движение человеческой руки, манипулирующей предметами, превращается в аналогичные действия робота. Причём речь идёт не только о новом видеоролике: система может преобразовать движение в команды, которые настоящий робот выполняет физически. Видеодиффузионная модель извлекает информацию о движении, отделяет её от внешности исходного субъекта и применяет к другому. Автор сообщает о преимуществе над некоторыми сопоставляемыми методами понимания и переноса движений. Код пока только обещан.
Zero Real Agent Policy, сокращённо ZAP, принимает видео с камеры и текстовую инструкцию для непосредственного управления роботом. По заявлению в выпуске, обучение управлению проходило полностью в симуляции, без реальных обучающих данных. Основой стала визуально-языковая модель, уже понимающая предметы и инструкции; затем её обучали с подкреплением на сорока сравнительно простых виртуальных задачах. При переносе на физического робота она выполняла и новые задания. В показанных примерах манипулятор перемещает пробирку, ставит шахматную фигуру по схеме, держит ручку и рисует крестик на поле для крестиков-ноликов. Модель содержит 27 миллиардов параметров; в приведённых реальных тестах она сравнялась по успешности с GPT-6 Astra, работая быстрее и дешевле. Пока опубликована лишь техническая статья, выпуск весов не обещан.
Tencent Hy4 получила визуальное понимание и возможности работы с программными интерфейсами. Ведущий показывает анализ спутниковых изображений, восстановление дома в Blender, создание подробного трёхмерного окружения в Three.js, финансовое моделирование и исследование акций. Отдельно упомянута реконструкция трёхмерного эмбриона мыши по семи миллионам клеток за полтора часа. По приведённым тестам программирования с агентами, трёхмерного моделирования и интеллектуальной работы автор относит Hy4 к наиболее сильным открытым моделям. Однако он сразу уточняет, что веса ещё не опубликованы: их обещают выпустить в ближайшие дни. Пока доступны Tencent Cloud и WorkBuddy — бесплатная среда для агента, которую он сравнивает с Codex и Claude Code.
Hydrogen 1.0 ориентирована на научную работу в химии, материаловедении и биологии. У неё 753 миллиарда параметров; основой служит GLM 5.3, дополнительно обученная на научных текстах, лабораторных записях и реальных исследовательских экспериментах. В одном примере модель пишет и запускает молекулярную симуляцию полиэтилена в пластиковом пакете, находит ошибку в собственном коде, исправляет её и продолжает расчёт. В другом анализирует ЯМР-спектр для определения возможных структур продуктов реакции. Также она составляет экспериментальный протокол для роботизированной лаборатории, проверяет инструкции в виртуальной среде и устраняет найденную ошибку до исполнения. Обучающие данные включают полные исследовательские траектории, в том числе неудачные опыты.
В показанных тестах научных рассуждений и планирования экспериментов Hydrogen, по словам автора, в отдельных случаях превосходит GPT-6 Astra. На Hugging Face опубликованы три варианта: полный, FP4 для NVIDIA и MX для AMD. Даже FP4 занимает около 464 ГБ, поэтому для локального запуска, как отмечает ведущий, понадобятся несколько видеокарт. Высокая оценка научных возможностей в выпуске относится к приведённым примерам и бенчмаркам.
GPT-6 Cyber от OpenAI специализируется на кибербезопасности: самостоятельном поиске уязвимостей и помощи в исправлении программ. Согласно рассказу, с её помощью обнаружили 81 ранее неизвестную уязвимость высокой серьёзности в Firefox после проверок предыдущими ИИ-моделями. Она также помогла разработать работающие эксплойты для более чем девятисот уязвимостей Linux. По показанным специализированным тестам модель существенно превосходит предшествующую кибермодель и в большинстве таких задач GPT-6 Astra. Общедоступного запуска не заявлено: доступ предоставляется через программу Daybreak одобренным исследователям безопасности.
Meta добавляет в персонального помощника Muse голосовое общение в реальном времени и выразительные аватары. В качестве сценариев названы подготовка отпуска, обсуждение идей и репетиция собеседования. Помощник может выполнять поручения одновременно с разговором, без необходимости прерывать диалог и ждать завершения задачи. Аватар сопровождает речь мимикой и жестами, соответствующими разговору. По данным показанной страницы, обновление начинает распространяться в США в приложениях для мобильных устройств, веба и Mac.
Mobius объединяет генерацию, понимание, дополнение и редактирование человеческого движения. По текстовому описанию она создаёт анимацию трёхмерного персонажа; по готовой последовательности движений, наоборот, составляет словесное описание. Если дан лишь фрагмент действия, модель достраивает недостающие части, при необходимости учитывая текстовое указание. Существующую анимацию также можно изменять обычными инструкциями. Общая архитектура обрабатывает язык и движение, позволяя одной системе решать обе группы задач. Ведущий отмечает хорошие сравнительные результаты по разным метрикам. При этом код проходит внутреннюю проверку, а его открытая публикация ещё не состоялась.
У Kimi K3.1 наконец опубликованы обещанные ранее веса. Автор называет её наиболее результативной открытой моделью в приведённых тестах агентного программирования, общих знаний и научной работы и отмечает приближение к некоторым ведущим закрытым моделям. Полная версия доступна на Hugging Face. Это смесь экспертов с 2,8 триллиона параметров, из которых одновременно активны 104 миллиарда; файлы занимают около 1,56 ТБ. Есть инструкции запуска на разных платформах. Ведущий подчёркивает, что такие требования скорее соответствуют корпоративному оборудованию, чем домашним компьютерам, и высоко оценивает сам факт свободного выпуска столь крупной модели. Его слова о вероятных многомиллионных затратах на обучение — предположение, а не приведённая финансовая отчётность.
Baidu Ernie 5.5 Flash имеет 280 миллиардов параметров всего и 14 миллиардов активных в архитектуре смеси экспертов. Контекстное окно достигает миллиона токенов. Ведущий отмечает хорошие результаты относительно открытых моделей сопоставимого размера в рассуждениях, программировании и общих знаниях. На Hugging Face доступны FP8 размером около 288 ГБ и полная BF16 примерно на 573 ГБ, а также инструкции локального запуска. Существенная оговорка: это базовая модель, предназначенная прежде всего для дальнейшего обучения. Её не следует воспринимать как уже подготовленного универсального помощника.
Ling 3.2 Flash от Ant Group принимает текст, изображения и видео. В демонстрациях она восстанавливает трёхмерные объекты по изображениям, создаёт анимированный сайт о Лондоне и координирует команду агентов, превращающую финансовые данные в аналитический отчёт и презентацию. Всего у модели 560 миллиардов параметров, одновременно активны 25 миллиардов. В показанных тестах она конкурентоспособна с ведущими открытыми моделями, включая GLM 5.3 Flash и DeepSeek. Пока модель предлагается через платформу разработчиков Ant Group. Открытые веса не объявлены выпущенными: ведущий лишь надеется на их будущую публикацию, поскольку предыдущие Ling уже открывали.
Ripple65B обучена с нуля и содержит 65 миллиардов параметров. Разработчики заявляют о лучших результатах агентного программирования среди открытых американских моделей. Здесь применяется плотная архитектура: при работе активны все параметры. Поддерживается контекст до миллиона токенов. Первоначально Ripple создавали для платформы проектирования ИИ-чипов; замысел — улучшать чипы с помощью ИИ, а затем использовать их для обучения более сильных моделей. По словам команды, все исследования и разработка стоили 32 миллиона долларов; ведущий отмечает, что это гораздо меньше затрат на обучение у многих ведущих ИИ-лабораторий. Опубликованы BF16 размером 130 ГБ и FP4 для NVIDIA примерно на 57 ГБ, лицензия — Apache 2.
Longcat 2.5 от Meituan — мультимодальная смесь экспертов с 1,6 триллиона параметров и примерно 48 миллиардами активных. В качестве сильных сторон называются программирование, понимание изображений и сложные самостоятельные задачи. Среди примеров — интерактивный сайт с физической симуляцией жидкости и визуальными эффектами, анализ бизнес-данных и создание отчётов. Нативное визуальное понимание выделено как крупное отличие от предыдущей версии. Автор отмечает конкурентоспособность с некоторыми моделями OpenAI и Anthropic, уточняя, что речь идёт об их более старых поколениях. Доступны официальный чат и API; публикации на GitHub и Hugging Face пока помечены как предстоящие.
Thinking Machines представила Inkling 2 Small: несмотря на название, в ней 594 миллиарда параметров всего и 17 миллиардов активных. Модель ориентирована на программирование, визуальное понимание и продолжительные самостоятельные задачи. В примерах она создаёт интерактивный город в Three.js с автоматически создаваемыми зданиями, транспортом и инфраструктурой, а также анимацию в Blender. В отдельном опыте она самостоятельно обучает и улучшает другую модель прогнозирования временных рядов: предлагает эксперименты, оценивает результаты и меняет обучение. Ведущий высоко оценивает сравнительные тесты и допускает, что после публикации это будет сильнейшая открытая американская модель. Сейчас она доступна через Tinker; веса обещаны на следующей неделе под Apache 2.
VoxLution генерирует трёхмерные интерьеры — квартиры, офисы и спальни — по категории или простой планировке. В примерах комнаты полностью обставлены, геометрия включает небольшие детали вроде ножек столов и внутренних перегородок шкафов. Сначала система создаёт грубую структуру из объёмных элементов — вокселей, затем последовательно увеличивает разрешение и добавляет подробности. На странице проекта код пока обозначен как готовящийся к выпуску.
Завершающий проект, Solver, восстанавливает геометрию сцены и положения камер по нескольким фотографиям либо видеокадрам. Реконструкция может постепенно уточняться: новые изображения разрешается добавлять в любой момент и в произвольном порядке. Поддерживается и видеопоток реального времени, при котором сцена обновляется по мере поступления кадров. В основе — циклический трансформер, повторно применяющий один и тот же вычислительный цикл для улучшения оценок геометрии и камер. Автор считает результаты конкурентоспособными с современными методами и отмечает эффективность непрерывной обработки видео. Репозиторий уже создан, но код и модели обещаны лишь в течение недели после выпуска.
