Luma Ray 3 в Adobe Firefly

Помимо Kontext, Gemini, Nano-Banana в фотошопе - Прикрутили Luma RAY 3 в Firefly

Причем с поддержкой HDR 10/12/16 бит, EXR, ACES - заявка на интеграцию в серьезные пайплайны

Доступно без ограничений до 1 октября на платных тарифах Firefly или Creative Cloud Pro

#news #image2video #text2video

MinerU 2.5

Обновка модели для преобразования PDF документов в машинно-читаемые форматы


Всего 1.2B параметров, но превосходит Gemini 2.5 Pro, GPT-4o и Qwen2.5-VL-72B

— удаляет заголовки, футеры, сноски, номера страниц и другие элементы для обеспечения семантической связности

— выводит текст в порядке, удобном для чтения человеком, подходит для одностолбцовых, многостолбцовых и сложных макетов

— сохраняет структуру исходного документа, включая заголовки, абзацы, списки и прочее

— извлекает изображения, описания изображений, таблицы, заголовки таблиц и сноски

— автоматически идентифицирует и преобразует формулы в документах в формат LaTeX

— преобразует таблицы в HTML

— обнаруживает отсканированные и искажённые PDF-файлы и активирует функцию OCR

— распознает 84 языков с помощью #OCR

— работает с различными форматами вывода, включая мультимодальный и NLP Markdown, JSON, упорядоченный по порядку чтения, и информативные промежуточные формат

— CPU / GPU

— Windows, Linux и Mac

Требует 20 ГБ на диске, рекомендовано от 16 ГБ RAM, от 6 ГБ VRAM

Гитхаб
Колаб
Демо
Попробовать на Mineru.net
HF

#tools #pdf #assistant

LaViDa-O: Elastic Large Masked Diffusion Models for Unified Multimodal Understanding and Generation

Унифицированная мультимодfльная модель для генерации / понимания / редактирования картинок при участии Adobe

Использует новую архитектуру Elastic Mixture-of-Transformers (Elastic-MoT, эластичный совет трансформеров), которая сочетает лёгкую ветвь генерации и более крупную ветвь понимания. Видимо, по аналогии с советом экспертов.

Планирует и итеративно размышляет. Превосходит Qwen2.5-VL и FluxKontext-dev по скорости вывода и качеству

Разрешение генерации 1024 пикселя

Код ждем

#multimidal #vlm #imageediting #captioning #text2image #image2text

WorldExplorer: Towards Generating Fully Navigable 3D Scenes

Очередная генерилка миров. Сначала создает картинку по тексту, затем создает еще ракурсы и превращает в сцену на гауссианах

На сайте есть интерактивный вьюер где можно походить по примерам сцен

Может не так нарядно как у некоторых, зато честно

Приблизительное время для RTX 3090:

Генерация каркаса: ~5 минут (быстрый режим)
Расширение сцены: 6-7 часов (полная генерация 3D-сцены)

Гитхаб

#text2world #world #text2scene #gaussian

Тилли Норвуд — первая AI-актриса, созданная студией Xicoia. Она дебютировала на Zurich Summit. В июле Тилли сыграла свою первую роль в комедийном скетче «AI Commissioner». Занятно что в скетче нет ни единого пикселя снятого живьем, все на 100% сгенерировано. Но промоутят именно Тилли. Её продюсер Элайн Ван дер Велден заявила, что цель проекта — сделать из Тилли следующую Скарлетт Йоханссон или Натали Портман, только дешевле и сговорчивее

В своем посте в LinkedIn Ван дер Велден написала: “Зрители? Их волнует история, а не то, есть ли у звезды пульс. Тилли уже привлекает интерес со стороны агентств по подбору талантов и поклонников. Эпоха синтетических актеров не "наступает" — она уже наступила".

#news

Wan2.2-Lightning

Четырехшаговая дистилляция #WAN22

Ограничения: При очень интенсивном движении будут артефакты

Сейчас только A14B
по тексту (Wan2.2-T2V-A14B-NFE4-V1.1)
и по картинке (Wan2.2-I2V-A14B-NFE4-V1)
5B готовят

воркфлоу по ссылке в описании модели

спасибо @m_franz

#text2video #image2video #optimization