Миры с памятью, новые голоса и модели ИИ: обзор 27 сентября

Генератор мира должен сохранять место, к которому возвращается камера. Синтезатор речи — менять исполнение по указаниям внутри текста. Агент — выбирать действие и продолжать задачу через подключённые программы. В сентябрьской подборке эти возможности распределены между разными моделями: от компактных специализированных систем до весов размером в сотни гигабайт.

В подробном обзоре AI Search от 27 сентября 2026 года собраны демонстрации и заявления, разобранные ниже. Результаты сравнений приведены с указанием источников и условий тестов; сведения о доступе относятся к дате записи.

Tencent представила WorldCrafter — генератор управляемых миров по тексту или изображению. Его задача — восстанавливать уже виденное место, когда камера возвращается к прежнему ракурсу. На странице проекта описана неявная память с учётом трёхмерного пространства: запрошенный ракурс определяет, какие сведения из предыдущих видов передать генератору. Явная оценка глубины для этого механизма не требуется.

Рядом с видеопримерами показаны восстановленные облака точек и траектории камеры. Они служат проверкой пространственной согласованности результата; в обзоре их роль смешана с механизмом памяти. Демонстрации включают разные художественные стили, динамические сцены и виды от первого и третьего лица. Ведущий сообщает о базовой и ускоренной дистиллированной версиях и оценивает общий размер компонентов примерно в 147 ГБ. Это размер файлов, а не подтверждённое требование к видеопамяти.

Следующая модель, Ming Image 0.1, предназначена для визуального дизайна: интерфейсов, инфографики, плакатов и других изображений со множеством надписей и элементов. Ведущий называет её открытой моделью генерации по тексту с 6 млрд параметров. Она поддерживает разрешение до 2K и вывод альфа-канала, позволяющий получать отдельные объекты на прозрачном фоне и затем использовать их в другом дизайне. Основной вариант называется Ming Image 0.1 Design.

Второй вариант, Ming Image Design Layer, получает готовое плоское изображение. Пользователь указывает, какие элементы нужно отделить, и модель выдаёт несколько прозрачных слоёв для раздельного редактирования. В показанной таблице Artificial Analysis основной вариант занимает первое место среди моделей с открытыми весами в категории UI/UX. Ведущий считает его возможным лучшим открытым вариантом для насыщенных текстом и элементами дизайнов. Указана лицензия MIT. Файлы основной модели занимают 12 ГБ, варианта для разделения на слои — 24 ГБ. Эти размеры не устанавливают требования к видеопамяти.

Mira Scene восстанавливает по изображению трёхмерную сцену с отдельными объектами. Сначала система распознаёт объекты, оценивает глубину и генерирует геометрию каждого из них. Затем подбирает расположение и размеры так, чтобы сцена соответствовала исходному изображению. Полученные объекты можно редактировать, импортировать в Blender и анимировать; ещё один показанный сценарий — использование сцены в физическом симуляторе для обучения роботов. По словам ведущего, опубликованы код, инструкции и набор данных. Общий размер файлов составляет около 6,1 ГБ; требования к видеопамяти отдельно не подтверждены.

Команда Flux, прежде выпускавшая генераторы изображений и видео, представила FLUX.3 Action для управления роботами. Ведущий описывает её как модель мира и действий с 7 млрд параметров. На вход поступают цель, изображения с камер и положения суставов. Модель предсказывает следующее действие и вид мира после его выполнения. В примере с переносом предмета роботизированная рука получает последовательность моторных команд, выполняет её, снова наблюдает сцену и корректирует действия до достижения цели. Модель также демонстрируют в видеоиграх. В приведённом сравнении с Cosmos 3 Nano у FLUX.3 Action менее половины параметров, выше доля успешных действий и выше скорость. Опубликованы веса, документация и инструкции дообучения под своего робота, игру или устройство; базовая модель занимает 14 ГБ.

Google, согласно записи, выпустила Gemini 3.8 Flash TTS и Flash Lite TTS для синтеза речи. Голос можно создать текстовым описанием. Среди примеров звучит энергичный диджей из Мельбурна, обращающийся к слушателям перед музыкальной композицией; далее возникает короткая фраза о японском драконе. Ещё одна возможность — метатеги внутри озвучиваемого текста, задающие выразительность и способ произнесения конкретных фрагментов. Ведущий показывает, как это используется в разговорной и драматической речи.

В первом развёрнутом примере голос сообщает, что заказ не доставлен, просит подождать, обновляет его статус и переносит доставку. Во втором несколько реплик изображают людей, которые замечают в лесу нечто крупное у края света фонаря. Они спорят, олень ли это, затем понимают, что существо наблюдает за ними, сначала пытаются быстро уйти, а после звука ломающихся веток решают бежать. Эти аудиопримеры иллюстрируют управление чтением и эмоциями с помощью метатегов; успешность реального обслуживания заказов или каких-либо действий за пределами синтеза речи здесь не заявляется.

Flash Lite TTS предназначена для большого объёма озвучивания с меньшими затратами. Заявлена поддержка более 100 языков и диалектов. По интерпретации ведущим показанных тестов, новые Gemini в среднем превосходят ElevenLabs по качеству синтеза и сильны в создании голоса по описанию. В таблице слепых сравнений Voice Arena Flash занимает второе место, а по устойчивости произношения — первое. Стоимость ведущий оценивает как низкую. Он сообщает о доступности программного интерфейса API, через который приложения отправляют запросы синтеза речи, бесплатной пробе в AI Studio и использовании в Gemini Notebook, который, по его словам, прежде назывался NotebookLM.

Синтез речи — один из этапов локализации: в нашем проекте перевода и дубляжа видео ему предшествуют расшифровка, разделение реплик и перевод, а затем проверяются голос и совпадение с временными границами.

Xiaomi завершила обучение MiMo 2.6. Неделей ранее, рассказывает ведущий, компания показывала процесс обучения с подкреплением в реальном времени: запуски и изменение результатов можно было наблюдать на панели. На приведённых теперь тестах Pro приближается к GPT-6 Astra и превосходит Fable 5. В тесте DeepSWE он также отмечает сильный результат. На тестах агентных задач и работы со знаниями ведущий также видит близость к передовым моделям; отдельно выделяет результат свыше 95% в CyberGym. В демонстрациях модель создаёт трёхмерные окружения и игры по запросам.

В показанном индексе Artificial Analysis MiMo 2.6 Pro становится первой среди открытых моделей, опережая GLM 5.3 на один балл. Названа стоимость около 13 центов за задачу, ниже GLM 5.3 Flash и DeepSeek 4.1 Flash. Эти оценки ведущий использует, чтобы назвать модель особенно выгодной по соотношению цены и возможностей. Веса доступны через Hugging Face. У Pro около триллиона параметров и размер примерно 573 ГБ; у Flash — 311 млрд параметров и 178 ГБ. Дополнительно представлено настольное приложение MiMo Desktop для работы с моделями.

StepFun представила Step 5 Preview — мультимодальную агентную модель с архитектурой смеси экспертов. Из 600 млрд параметров при работе активны 27 млрд; контекст рассчитан на миллион токенов. По показанным тестам программирования, агентных действий и работы со знаниями ведущий считает её сопоставимой с GLM 5.3 и Kimi K3, иногда превосходящей их. В таблице Artificial Analysis она уступает GLM 5.3 один балл, но обходится почти втрое дешевле; закрытые модели он также называет более дорогими. Среди примеров — создание трёхмерной сцены по фотографии. Отдельно упоминаются хорошие показатели в финансовых исследованиях. По показанной странице модель уже доступна через продукты и API компании, а выпуск самой модели на момент записи был запланирован на 15 октября.

Ещё одна модель мира — GAE, Geometry-Native Autoencoder. При генерации видео она одновременно создаёт карту глубины, траекторию камеры в трёхмерном пространстве и реконструкцию сцены по мере движения. Сохранение этого представления, по его объяснению, помогает поддерживать согласованность окружения. В одном примере видео показано рядом с возникающими траекторией и геометрией. Представлены разные персонажи, окружения и виды от первого и третьего лица. Опубликованы инструкции запуска, сценарии обучения и оценки; веса занимают менее 12 ГБ. Требования к видеопамяти отдельно не подтверждены.

Ранее Meta, по рассказу ведущего, выпустила персонального агента Muse. С ним можно общаться, поручать сводки писем, покупки, подготовку ответов и действия в календаре. Ведущий считает продукт более простой оболочкой для возможностей, напоминающих OpenClaw, но лично опасается передавать Meta свои данные. В качестве альтернативы он представляет открытый OpenMuse: агент получает браузер, терминал и файлы и может продолжительное время выполнять поставленную задачу. Предусмотрены подключения Gmail, Google Calendar и других приложений. Это агентный фреймворк, к которому можно подключить выбранную модель: локальную при достаточных вычислительных ресурсах либо платную через API. Ведущий указывает лицензию MIT и наличие инструкций начала работы.

Contrastive Language Models, или CLM, быстро оценивают возможные действия по текущему состоянию. В карточке CLM-v0.1-8B описаны два обучаемых модуля поверх фиксированного Qwen3-8B: один кодирует состояние, другой — действия. Модель сравнивает полученные числовые представления и ранжирует предложенные варианты. Она сама не генерирует свободный ответ, а её вероятности относятся к данному набору кандидатов.

В обзоре показано сравнение с Jev в Dino Run. Разработчики сообщают о задержке до девяти раз ниже при сопоставимом качестве на выбранных задачах. Отдельные высокие результаты проверки решений в DeepSWE и Terminal-Bench получены после дообучения специальных модулей; их нельзя приписывать базовой версии без этого этапа. Опубликованы веса, алгоритм и инструкции запуска. Быстрое ранжирование действий и длительное построение решения здесь остаются разными задачами.

В рассказе о Grok 4.7 сначала показаны заявления xAI о более низкой стоимости относительно других передовых моделей. На собственном тесте профессиональной работы GDPVal компания показывает результат выше GPT-6 Astra и на несколько баллов ниже Fable 5.1. Также представлены тесты многочасовой офисной работы и электротехники. Ведущий отдельно оговаривает, что эти результаты сообщила сама компания, после чего обращается к Artificial Analysis. На показанном индексе Grok отстаёт от GPT-6 и последних Claude, деля результат с MiMo 2.6 Pro. По стоимости задачи в этой оценке он даже дороже GPT-6. Поэтому ведущий сомневается в заявленной экономичности и считает положение на графике качества относительно цены слабым. Сообщается о доступности в Cursor, Grok Build, API и у сторонних провайдеров.

Линейку GPT-6 ведущий разделяет на три категории: Astra с самыми высокими показателями и ценой, промежуточную Sol и наиболее дешёвую и лёгкую Luna. Sol Max на приведённой диаграмме уступает Astra и ведущим Claude несколько баллов, но стоит более чем втрое дешевле Astra. Luna находится ниже первой пятёрки, в том числе ниже DeepSeek и Gemini 3.8, зато задача обходится примерно в семь центов. Сравнение с самым дорогим Claude даёт разницу более чем в сто раз. Ведущий связывает Luna с простыми быстрыми задачами, не требующими длительных рассуждений. Согласно показанному сообщению, Sol и Luna доступны в GPT-Work и Codex на всех платных тарифах; бесплатные пользователи могут получить меньшую Luna в настольном приложении. В чате этих моделей на момент рассказа ещё нет.

О Claude Opus 5.5 ведущий говорит по впечатлениям нескольких дней собственных испытаний, подробности которых оставляет отдельному обзору. Он относит модель к передовым, хвалит работу с 3D, дизайном, программированием, сайтами и другими интерфейсами. При этом существенного превосходства над GPT-6 Astra он не увидел: уровень считает близким, а стоимость задачи у Claude — заметно выше. Его личный выбор остаётся за GPT-6. Оценка моделей Claude как чрезмерно дорогих здесь является мнением ведущего.

В другом сообщении Anthropic заявила о поиске новой ферментной системы для редактирования генов. Согласно пересказу, исследователи поручили Claude просмотреть большой массив последовательностей ДНК в поисках необычных обратных транскриптаз — ферментов, копирующих РНК в ДНК. Примерно 950 агентов использовали 210 млн токенов; через 21 час была замечена повторяющаяся последовательность, потенциально связанная с механизмом CRISPR. Функция найденного сочетания остаётся неизвестной и требует исследования. Ведущий выделяет самостоятельный поиск в большом массиве и сужение круга объектов для эксперимента. Он также передаёт критику специалистов по биотехнологиям: CRISPR-подобные повторы и необычные сочетания встречаются часто, большинство не оказывается полезным. Поэтому он допускает, что значимость объявления преувеличена; подтверждённой работающей системы редактирования в рассказе нет.

PrimeBot показала T1, которого, по словам ведущего, сама компания называет трансформируемым персональным роботом. Он переходит из четвероногой конфигурации в двуногую человекоподобную и обратно. Для переноса вещей предлагается класть груз на спину в четвероногом положении, а для действий, требующих человекоподобной формы, менять конфигурацию. Ведущий оценивает конструкцию как интересную и дешёвую: около 20 тысяч юаней, или 2800 долларов. На момент записи компания планировала начать поставки в октябре.

В обзоре сообщается о заявленной отправке первой партии реалистичных человекоподобных роботов серии U1. Ведущий уже показывал их ранее и перечисляет особенности внешности: лица, волосы, одежду и позы, рассчитанные на реалистичное впечатление. Новость этого фрагмента — заявленное начало доставки хотя бы первой партии. Возможности автономной работы или массовость поставок здесь не уточняются.

Роботизированная кисть Unitree Dex-5S имеет размер человеческой руки и 22 степени свободы: отдельные суставы позволяют пальцам сгибаться и принимать разные положения. В демонстрации она удерживает и перемещает предметы, нажимает клавиши пианино, показывает жесты и разрезает бумагу ножницами. Для каждого сустава заявлена защита от ударной нагрузки по крутящему моменту.

Следующая демонстрация относится к Skild AI и модели S1 для автономного футбола человекоподобного робота. Ведущий сравнивает подход с обучением AlphaGo в игре против себя: система многократно играет против себя в симуляции. Цель S1 — забивать голы. По приведённому описанию, обучение в NVIDIA Isaac Sim охватило эквивалент более 140 лет футбола. Выбор этой задачи ведущий объясняет сочетанием требований к равновесию, скорости, контролю мяча, реакции и пониманию игры. Сначала робот падает и действует неуклюже; после обучения с подкреплением начинает обводить защитников, закрывать мяч корпусом и бить по воротам. Соперниками служат предыдущие версии модели, поэтому по мере улучшения растёт сложность матчей. После переноса в физического робота демонстрируется некоторая способность автономно играть против человека. Навигацию среди людей, перенос предметов и автономное вождение ведущий упоминает как возможные дальнейшие применения обучения в игре против себя, а не как показанные результаты.

В подборке менее крупных моделей первой идёт Dots3Note от RedNote. У модели со смесью экспертов 208 млрд параметров, из которых активны 16 млрд. По показанным тестам агентного программирования, решения задач и мультимодального понимания он считает результат сильным относительно размера. Для сравнения приводит Kimi K3 с 2,8 трлн параметров — примерно на порядок больше.

Особенно ведущий выделяет результат ARC AGI 2, где, по показанной таблице, Dots3Note лидирует среди открытых моделей. Тест он описывает как незнакомую игровую среду, правила которой системе нужно понять для победы. Трудность он связывает с фиксированными весами большинства моделей и сложностью использования новых правил при принятии решений. Опубликованы полная версия размером 577 ГБ и FP8 размером около 300 ГБ. Стоимость модели ведущий также оценивает как низкую.

OVIS VL Embedding предназначена для поиска по разнородным данным. Модель преобразует текст, изображения, видео и документы в числовые представления в общем пространстве эмбеддингов. Вариант Omni с 3 млрд параметров дополнительно принимает аудио. Варианты Vision с 2 и 9 млрд параметров работают с изображениями и видео, но без аудио. По приведённым сравнениям с близкими по размеру моделями ведущий оценивает средний результат как передовой. Для Vision 9B указан размер 16,8 ГБ, для Omni 3B — 11 ГБ. Указана лицензия Apache 2.0. Ведущий считает модель сильным открытым вариантом для общего представления разных форматов данных.

Как поиск связывается с ответами по исходным материалам, показано в нашем проекте системы знаний — с индексированием документов и ссылками на найденные фрагменты.

Модель Limite 1B Violetto специализируется на сложной математике. При миллиарде параметров она, по показанному тесту соревновательных задач, набирает около 94%. На других приведённых математических тестах ведущий также видит превосходство над моделями, которые крупнее в десятки и сотни раз, при меньших вычислительных затратах. При этом он прямо ограничивает оценку специализацией: в общих задачах ожидать того же качества не следует. Опубликованы код, модель и инструкции локального запуска. Общий размер файлов он оценивает примерно в 2 ГБ; требования к видеопамяти отдельно не подтверждены.

Aikido Altar — модель для задач кибербезопасности на основе GLM-5.3. Aikido описывает уменьшение хранимых весов с 1,51 ТБ до 488 ГБ квантованием, затем до 328 ГБ удалением части экспертных компонентов. Квантование хранит числа с меньшей точностью; удаление экспертов сокращает число компонентов, которые нужно держать в памяти.

Во внутреннем испытании повторного поиска 32 известных уязвимостей Altar нашла 23 хотя бы один раз за три запуска. Полная исходная модель покрыла 25. Это совокупное покрытие трёх попыток, а не доля находок в каждом запуске. Средняя полнота за один запуск у Altar составила 60,4%. Испытание относится к целевому повторному обнаружению известных уязвимостей внутри заданной системы инструментов; оно не измеряет поиск всех неизвестных ошибок во всей программе.

Веса доступны для самостоятельного размещения. Размер 328 ГБ всё ещё требует серверной конфигурации: в описании Aikido указаны четыре H200. Сжатие в этом случае уменьшает объём хранения специализированной модели, сохраняя большую часть измеренных возможностей на конкретном наборе задач.

В Project Suncatcher Google изучает возможность размещения крупных вычислений для ИИ в космосе. Ведущий передаёт обоснование компании: низкая околоземная орбита может давать почти постоянный солнечный свет и потенциально до восьми раз больше солнечной энергии, чем наземные системы. Первый этап — проверка работоспособности компонентов, для чего готовится спутниковый прототип с процессорами Trillium TPU. Полноценный орбитальный дата-центр на этой стадии не заявлен.

Одна из проверок касается запуска: примерно за десять минут выведения аппарат может испытывать до 10 g, отдельные компоненты — до 100 g. По рассказу, Google испытывала процессоры вибрацией в разных направлениях, имитируя запуск, и оборудование выдержало. Другая проблема — радиация, способная нарушать работу электроники и менять отдельные биты данных. TPU испытывали в протонном пучке непосредственно во время выполнения нагрузок ИИ. Предварительные результаты, по переданному сообщению компании, показали устойчивость выше ожидаемой.

Для охлаждения в вакууме Google экспериментирует с тепловыми трубками и радиаторами, которые отводят тепло от процессоров и излучают его в космос. Совместная работа процессоров требует быстрого обмена данными между спутниками; для этого рассматриваются лазерные каналы высокой пропускной способности с очень точным наведением. Google планирует испытание с двумя спутниками в 2027 году. Проверить предстоит переносимость запуска, многолетней радиации, охлаждение и быстрый обмен данными. Возможность последующего строительства солнечной вычислительной инфраструктуры остаётся условной и зависит от решения этих задач.

Последний содержательный сюжет — Supra Image, генератор изображений со 100 млн параметров. Для сравнения ведущий приводит Z-image с 6 млрд: новая модель примерно в 60 раз меньше. Качество показанных изображений он оценивает как низкое и связывает это с очень небольшим размером. Компромисс — возможность запуска на телефоне или другом небольшом устройстве. Модель занимает около 417 МБ; на её странице, по словам ведущего, опубликованы инструкции запуска.