Pixel Reasoner: Incentivizing Pixel-Space Reasoning with Curiosity-Driven Reinforcement Learning

Модель анализирует изображения на уровне пикселей, улавливает мелкие детали и сложные визуальные отношения, которые трудно выразить текстом

Демо
Код - пока только обучение, без инференса, ждем
Веса

#reasoning #assistant #image2text

В прототипизатор программ Memex добавили поддержку Claude Sonnet 4, Gemini 2.5 Pro и три шаблона MCP

Пробуем

#vibecoding #coding #mcp #mac

UltraSharpV2

Новая версия модели апскейла UltraSharp, которую многие юзали еще с SD1.5

#upscale

Gemini Speech

генератор речи от Гугла доступен в AI Studio

Звучит живо.
Огромная библиотека голосов, поддерживает русский язык.
Для диалога/подкаста можно выбрать несколько спикеров.
Можно в тексте прописывать промпты на смех или кашель и т п

Включаем ВПН, в AI Studio выбираем Generate Media, а затем Gemini Speech Generation - пробуем

#tts #text2speech

QuickVideo

Ускорение понимания визуально-языковыми моделями длинных видео за счёт параллельного декодирования видео, эффективного предварительного заполнения памяти и совмещения декодирования с анализом, что позволяет добиться рилтайма

Код

#VLM #optimization #video2text #realtime

Форк персонализатора-кастомизатора DreamO с поддержкой лор и квантизацией

petermg DreamO

#personalization #referenceing #tex2image #lora

На HF появились две дистиллированные модели генератора длинных видео MAGI-1

4.5B_distill и
4.5B_distill_quant

Говорят, что даже на убунту с трудом заводится. А на Windows и подавно

Веса
Ветка на Реддит

#text2video #image2video