Тази седмица в AI - Нови епизоди всяка седмица...

[coolice]

Една от най-силните седмици която сме имали от към нови неща (и някой ден отгоре за да хванем други новини които са свързани с новините от тази)

JoyAI Video Edit https://github.com/jd-opensource/JoyAI-Video-Edit
Реално време отворено редактиране на видео с авторегресивни дифузионни модели. Позволява да редактираш видеа по текстови инструкции, докато се възпроизвеждат (streaming), с висока скорост (до ~30 FPS при 720p).

Scope (SCoPE) https://visual-ai.github.io/scope
Метод за позиционно кодиране в видео дифузионни трансформери, който добавя лъчи от камерата като втора координата. Подобрява контрола върху камерата и качеството на генерираните видеа.

DeepSeek V4 0813 (DeepSeek-V4-Pro-0813) https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813
Официална версия на DeepSeek-V4-Pro – мощна MoE езикова модел с подобрени агентни способности и дълъг контекст (до 1 милион токена).

DeepSeek Harness https://github.com/deepseek-ai/deepseek-harness
Отворена рамка за AI агенти („Everything is a Plugin“). Позволява лесно да композираш модели, инструменти, сесии и UI чрез плъгини.

Grok 4.6 https://x.ai/news/grok-4-6
Новата frontier модел от xAI (Grok 4.6) – значително подобрение спрямо 4.5 при същата цена, с фокус върху агентни задачи и ефективност.

Qwen 3.8 Max https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
Най-мощният модел от серията Qwen3.8 (2.4T параметъра, ~95B активни) – мултимодална MoE модел с 1M контекст.

MiDasheng (MiDashengLM-Gen) https://xingws.github.io/midashenglm-gen-demo/
Модел за генериране на сложни аудио сцени (реч + музика + звукови ефекти) чрез LLM + flow matching.

LTX 2.5 https://ltx.io/model/ltx-2-5
Отворена world model за генериране на видео (и аудио) с native multi-shot, по-добро разбиране на промптите и висока скорост.

Sign to text (SL2T) https://deepmind.google/blog/putting-sign-language-ai-into-users-hands/
Модел на Google DeepMind за превод от жестомимичен език (sign language) в текст. Вече работи в Gboard и Live Transcribe на Pixel 11 (започва с ASL).

GPT Ultrafast https://openai.com/index/previewing-ultrafast/
Нов режим „Ultrafast“ на OpenAI – GPT-5.6 Sol работи до 14× по-бързо (до 750 токена/сек) чрез Cerebras.

Qwen 3.8 27B https://huggingface.co/Qwen/Qwen3.8-27B
Компактен 27B dense vision-language модел от Qwen3.8 – отличен за кодиране, агентни задачи и мултимодалност.

GLM 5.3 https://z.ai/blog/glm-5.3
Флагманският модел на Z.ai (GLM-5.3) – силно подобрени способности за програмиране, агенти и киберсигурност.

Gemini 3.7 Flash https://blog.google/innovation-and-...h/gemini-models/introducing-gemini-3-7-flash/
Най-интелигентният „workhorse“ модел на Google Gemini 3 серията – оптимизиран за кодиране и агентни задачи при ниска цена.

Index TTS 2.5 https://huggingface.co/IndexTeam/IndexTTS-2.5
Мощен zero-shot TTS модел с клониране на глас, контрол върху емоциите и поддръжка на китайски, английски, японски, испански и арабски.

MiniMax Music 3


Magi 2 (MAGI-2 Preview) https://huggingface.co/sand-ai/MAGI-2-preview
114B MoE модел за генериране на видео + синхронизирано аудио (text-to-video / image-to-video) с само ~6B активни параметъра.

Cactus Needle https://cactuscompute.com/blog/needle
Много малък (26M) модел за tool-calling/function calling, оптимизиран за мобилни устройства и edge AI.

 

[coolice]

Ето реалистична оценка кои от изброените модели/инструменти могат да работят на лаптоп или компютър с умерена видеокарта (примерно 8–16 GB VRAM – RTX 3060/4060/4070, лаптопни еквиваленти, или подобни).

не са само за ентусиасти ами може да го провбвате и на геиминг сетъпа си дори да е поколение две назад...

Работи добре / сравнително лесно на умерена видеокарта​

Модел / инструмент	Приблизителни изисквания	Коментар
Cactus Needle	Много ниски (работи дори на CPU / телефони)	26M параметъра – най-лекият вариант. Идеален за edge/лаптоп.
Index TTS 2.5	8 GB VRAM е достатъчно	Изрично се споменава, че върви на 8GB карти. Отлична опция за локален TTS с клониране на глас и емоции.
MiniMax Music 3	8–24 GB (с оптимизации)	Пълна прецизност ~24 GB, но с CPU offload пада до ~22 GB, а със streaming на language model-а стига и до 8 GB (по-бавно). Възможно на умерена карта.
Qwen 3.8 27B (квантизиран)	12–16+ GB (3–4 bit)	При 4-bit (~17 GB) най-добре 16–24 GB. На 12–16 GB става с по-ниска квантизация (3-bit) или offload. Добър компромис за силен локален LLM/VLM.
LTX 2.5 (по-леки режими / distilled)	~12–16 GB за старт	Споменава се поддръжка на consumer GPU и дори Mac. Пълната версия е по-тежка, но по-леките режими са възможни.
MiDasheng (Gen)	Умерени (базиран на малък LLM ~1.7B)	Аудио генерация – вероятно върви на 8–12+ GB с подходящи настройки.

Силна единична карта (24–32 GB VRAM)​

Примери: RTX 4090, RTX 5090, RTX 6000 Ada и подобни.

Модел	Коментар
Qwen 3.8 27B	Отлично (4–5 bit квантизация). Комфортно с добър контекст.
MiniMax Music 3	Пълна прецизност или близо до нея – без проблем.
Index TTS 2.5	Работи много бързо и комфортно.
LTX 2.5	Добри резултати в по-високи резолюции и по-дълги клипове.
Cactus Needle	Надхвърля нуждите (работи на всичко).
MiDasheng	Лесно.

По-големите модели (JoyAI Video Edit, Magi 2, DeepSeek V4-Pro, Qwen 3.8 Max, GLM 5.3) не влизат комфортно на една 24–32 GB карта.

Две карти (2× 24 GB или 2× 32 GB)​

Позволява tensor parallel / model parallel, по-дълъг контекст и по-големи модели.

Модел	Коментар
Qwen 3.8 27B	Много комфортно, по-дълъг контекст и по-висока скорост.
MiniMax Music 3	Пълна производителност.
LTX 2.5	По-добри настройки и по-високо качество.
JoyAI Video Edit	Възможно в по-леки режими / по-ниска резолюция (все още не е оптимално).
По-големи квантизирани модели	Може да се пробват някои по-големи LLM-и с offload.

DGX Spark (128 GB unified memory)​

Това е desktop AI суперкомпютър с 128 GB споделена памет (Grace Blackwell). Може да пуска значително по-големи модели локално.

Модел	Коментар
Qwen 3.8 27B	Изключително комфортно (дори по-висока прецизност).
DeepSeek V4 Flash	Работи (особено Flash вариантите) - халюто му е пръв приятел...
MiniMax Music 3, Index TTS, LTX 2.5	Работи отлично.
По-големи модели до ~70–200B	NVIDIA официално твърди поддръжка на модели до ~200B параметъра (с квантизация). Две свързани DGX Spark могат да стигнат до ~405B. ама парите стават ненормални особено както поскъпна

 

[urethurs]

Една от най-силните седмици която сме имали от към нови неща (и някой ден отгоре за да хванем други новини които са свързани с новините от тази)

JoyAI Video Edit https://github.com/jd-opensource/JoyAI-Video-Edit
Реално време отворено редактиране на видео с авторегресивни дифузионни модели. Позволява да редактираш видеа по текстови инструкции, докато се възпроизвеждат (streaming), с висока скорост (до ~30 FPS при 720p).

Scope (SCoPE) https://visual-ai.github.io/scope
Метод за позиционно кодиране в видео дифузионни трансформери, който добавя лъчи от камерата като втора координата. Подобрява контрола върху камерата и качеството на генерираните видеа.

DeepSeek V4 0813 (DeepSeek-V4-Pro-0813) https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813
Официална версия на DeepSeek-V4-Pro – мощна MoE езикова модел с подобрени агентни способности и дълъг контекст (до 1 милион токена).

DeepSeek Harness https://github.com/deepseek-ai/deepseek-harness
Отворена рамка за AI агенти („Everything is a Plugin“). Позволява лесно да композираш модели, инструменти, сесии и UI чрез плъгини.

Grok 4.6 https://x.ai/news/grok-4-6
Новата frontier модел от xAI (Grok 4.6) – значително подобрение спрямо 4.5 при същата цена, с фокус върху агентни задачи и ефективност.

Qwen 3.8 Max https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
Най-мощният модел от серията Qwen3.8 (2.4T параметъра, ~95B активни) – мултимодална MoE модел с 1M контекст.

MiDasheng (MiDashengLM-Gen) https://xingws.github.io/midashenglm-gen-demo/
Модел за генериране на сложни аудио сцени (реч + музика + звукови ефекти) чрез LLM + flow matching.

LTX 2.5 https://ltx.io/model/ltx-2-5
Отворена world model за генериране на видео (и аудио) с native multi-shot, по-добро разбиране на промптите и висока скорост.

Sign to text (SL2T) https://deepmind.google/blog/putting-sign-language-ai-into-users-hands/
Модел на Google DeepMind за превод от жестомимичен език (sign language) в текст. Вече работи в Gboard и Live Transcribe на Pixel 11 (започва с ASL).

GPT Ultrafast https://openai.com/index/previewing-ultrafast/
Нов режим „Ultrafast“ на OpenAI – GPT-5.6 Sol работи до 14× по-бързо (до 750 токена/сек) чрез Cerebras.

Qwen 3.8 27B https://huggingface.co/Qwen/Qwen3.8-27B
Компактен 27B dense vision-language модел от Qwen3.8 – отличен за кодиране, агентни задачи и мултимодалност.

GLM 5.3 https://z.ai/blog/glm-5.3
Флагманският модел на Z.ai (GLM-5.3) – силно подобрени способности за програмиране, агенти и киберсигурност.

Gemini 3.7 Flash https://blog.google/innovation-and-...h/gemini-models/introducing-gemini-3-7-flash/
Най-интелигентният „workhorse“ модел на Google Gemini 3 серията – оптимизиран за кодиране и агентни задачи при ниска цена.

Index TTS 2.5 https://huggingface.co/IndexTeam/IndexTTS-2.5
Мощен zero-shot TTS модел с клониране на глас, контрол върху емоциите и поддръжка на китайски, английски, японски, испански и арабски.

MiniMax Music 3


Magi 2 (MAGI-2 Preview) https://huggingface.co/sand-ai/MAGI-2-preview
114B MoE модел за генериране на видео + синхронизирано аудио (text-to-video / image-to-video) с само ~6B активни параметъра.

Cactus Needle https://cactuscompute.com/blog/needle space waves
Много малък (26M) модел за tool-calling/function calling, оптимизиран за мобилни устройства и edge AI.

Благодаря за обобщението – определено има доста неща за разглеждане.

 

[coolice]

Епизода от вчера

H3 World
Интерактивен world model върху MiniMax-H3: клавиатурата се превръща в езикови инструкции, вързани към конкретни видео латенти. С 8 000 gameplay клипа и само 0.199% trainable параметри дава контрол върху персонаж и камера без отделен action модул.

H3-World — Turning Language Understanding into World Control

H3-World enables character and camera control across diverse visual environments.

danzer1xxxxchan.github.io

SolarWM
Отворена инфраструктура за дълги video world models: 1.43 млн. клипа, пълен data pipeline и един фреймуърк за Wan, LTX и MiniMax-H3. Моделите се обучават на къси клипове, но се rollout-ват в реално време до минути и часове.

SolarWM — Open Data and Scalable Training for Long-Horizon Video World Models

SolarWM — Open Data and Scalable Training for Long-Horizon Video World Models

junchao-cs.github.io

TimesFM-3
Новото zero-shot foundation модел на Google Research за time series. 330M параметъра, native multivariate прогнозиране, ковариати и #1 място на Gift-Eval, FEV-Bench и TIME.

TimesFM-3: A zero-shot foundation model for multivariate forecasting

research.google

Lucida
ByteDance pipeline за real-to-sim: парсва indoor видео в scene graph, генерира пълни 3D ассети и ги подрежда с VLM политика GizmoAct. Целта е симулационно готова сцена, в която всеки обект е отделен и редактируем.

Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling

A composable real-to-sim system that parses multi-view evidence, generates complete assets, and places them with GizmoAct.

lucida-r2s.github.io

VideoDeltaNet (VDN-H3)
Хибридно внимание върху MiniMax-H3: линейно за далечен контекст, softmax за близки кадри. На 8× B200 генерира 14.4 сек видео за ~11.2 сек при почти същото качество. Има и ComfyUI нода.

VideoDeltaNet on MiniMax H3

Video Delta Net is a hybrid architecture that combines softmax attention and linear attention for faster long video generation.

openvdn.github.io

GitHub - Saganaki22/ComfyUI-VDN-H3: Video Delta Net hybrid attention for MiniMax-H3 as a native ComfyUI node.

Video Delta Net hybrid attention for MiniMax-H3 as a native ComfyUI node. - Saganaki22/ComfyUI-VDN-H3

github.com

LLaDA-Image
Отворен 6B unified модел на inclusionAI за генерация и editing. Base е на 50 стъпки, Turbo — на 4. Силен текст в изображения, китайски/английски рендър и SOTA на Qwen-Image-Bench.

GitHub - inclusionAI/LLaDA-Image

Contribute to inclusionAI/LLaDA-Image development by creating an account on GitHub.

github.com

DeepSeek-V4-Flash-Vision-Exp
Първият multimodal експериментален модел в семейството V4-Flash. Запазва силните agent способности на текстовата версия и добавя визия за графики, документи и multimodal агенти (~305B / ~18B active).

deepseek-ai/DeepSeek-V4-Flash-Vision-Exp · Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

huggingface.co

Qwen3.8-Max-0902
Snapshot от 2 септември на флагмана Qwen3.8-Max (2.4T MoE). По-добър coding за дълги инженерни проекти, по-стабилни агенти и по-остра native визия. 1M контекст, thinking mode, $2 / $6 за 1M токена.

Qwen3.8-Max-0902 - QwenCloud

Qwen3.8-Max-0902（alias qwen3.8-max-2026-09-02）is an upgraded snapshot of qwen3.8-max. Coding capability breaks new ground, handling more complex engineering-scale projects and long-horizon autonomous development. Collaborative agent performance is significantly enhanced, with greater composure...

www.qwencloud.com

Claude Fable 5.1
Най-силният общодостъпен Claude за дълги агентни задачи, coding и knowledge work. 1M контекст, adaptive thinking, $10 / $50. По-честен при затъване и по-добър на многодневни сесии спрямо Fable 5.

Claude Fable

Next generation of intelligence for the hardest knowledge work and coding problems.

www.anthropic.com

Higgsfield
AI creative suite за образ, видео и аудио. Нови: Genjutsu (смяна на обект/персонаж във видео без пълен реген) и 3D Jutsu (редактируема 3D сцена → видео), плюс MiniMax H3 Max в платформата.

Higgsfield AI — AI-native creative suite

Create images, videos, and voice content with Higgsfield AI from text prompts or references. Edit and upscale media, automate creative workflows with its AI agent, and generate content on web and mobile.

higgsfield.ai

Gemini 3.8 Flash
Най-умният Flash досега за дълъг coding, агенти и enterprise workflow-и. 1M вход, thinking levels, computer use. Introductory цена $0.75 / $3.75 до края на 2026. Има и вариант Flash Cyber за trusted defenders.

Introducing Gemini 3.8 Flash and 3.8 Flash Cyber

Gemini 3.8 Flash and 3.8 Flash Cyber deliver next-generation intelligence for agentic workflows and cybersecurity.

blog.google

Muse Spark 1.3
Meta модел за агентни и coding задачи. По-малко излишни tool call-ове (~20%) и токени (~25%) спрямо 1.2, по-добър на дълги нишки. 1M контекст, $1.25 / $4.25. Наличен в Muse Code и Meta Model API.

Introducing Muse Spark 1.3

Introducing Muse Spark 1.3, with max reasoning for challenging reasoning and agentic tasks and improved real-world usability.

research.meta.ai

GPT-6 Astra
Ново поколение на OpenAI: SOTA на computer use, browsing, coding, math и cybersecurity. 98% FrontierMath T4, 99.9% ARC-AGI-3, 100% ExploitBench. ~1.05M контекст, rollout към Plus/Pro/API.

https://openai.com/index/gpt-6-astra/

WeatherNext 3
Глобален AI forecast на DeepMind/Google Research с живи сателитни данни всеки час. До 5 km резолюция, до 50% по-точни валежи, 15-дневни ансамбли. Влиза в Search, Maps, Gemini и Earth Engine.

Introducing WeatherNext 3, our most advanced and accurate global weather AI model

WeatherNext 3, our most advanced global weather AI model, is now in Search, Gemini, Maps, Google Maps Platform, and Cloud.

blog.google

Fly brain (мъжки Drosophila connectome)
Пълна карта на мозъка и вентралния нервен корд на мъжка плодова муха: 166 000+ неврона и ~125 млн. синапса. Съвместна работа на HHMI Janelia и Google Research — най-големият такъв connectome досега.

A connectomics milestone: Mapping the complete male fruit fly brain

research.google

Atlas (World Labs)
Omni world model на Fei-Fei Li et al.: текст, образ, видео и 3D в общ пространствен контекст. Camera-controlled видео до 1 мин / 1440p, реконструкция от няколко снимки и real-to-sim. Ще захранва следващия Marble.

Atlas: A World Model for Spatial Intelligence

Introducing Atlas, our new omni world model for spatial intelligence.

www.worldlabs.ai

Intern Lumina U2
16B-A1B MoE на Shanghai AI Lab с multi-codebook discrete визуално представяне. Един модел за QA, T2I, image/video/3D understanding и editing. Inference кодът е пуснат, теглата предстоят.

Intern Lumina U2

Intern Lumina U2 — a unified multi-codebook model for visual understanding, image generation, and image editing.

internlm.github.io

Viggle Animate
33.1B fine-tune на MiniMax-H3 ref2va: сменя персонаж във видео от един прерисуван кадър, без pose/mask/prompt. DMD дестилация — 124 кадъра за ~26 сек на B200, около 6× по-бързо от Wan2.2-Animate-14B.

Viggle/Viggle-Animate · Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

huggingface.co

GWM Worlds 2 (Runway)
Интерактивен world model в реално време: 720p @ 24 fps + аудио 48 kHz. Задаваш свят, после го управляваш с текст-действия и камера без фиксирана дължина на сесията. Research preview върху GWM Worlds.

Runway Research | Introducing GWM Worlds 2

GWM Worlds 2 generates interactive worlds in real time — continuous 720p video at 24 fps and audio at 48,000 Hz, responding to your inputs as you explore.

runway.com