Нейросети для видео
Нейросети для видео генерируют ролики по тексту и картинке: Sora от OpenAI, Veo от Google, Runway, Kling, Seedance и другие модели создают всё более реалистичное видео из пары предложений. Это меняет рекламу, кино и споры об авторстве и дипфейках. Здесь — все наши материалы про генерацию видео: релизы моделей, качество, цены и индустриальные сдвиги.
DynStream из Пекина собирает динамическую 3D-сцену из видео без поз камеры
Пекинский университет, VGI Labs и Калифорнийский университет представили DynStream: гауссову feed-forward реконструкцию движущихся сцен из потокового видео без поз…
Чжэцзянский университет выпустил первый обзор egocentric-ИИ для умных очков
Команда Чжэцзянского университета опубликовала первый обзор интеллекта умных очков от первого лица: путь от распознавания сцены к памяти, диалогу и действиям.
WorldMemBench проверяет, помнят ли модели мира комнаты и события
Бенчмарк WorldMemBench оценивает память моделей мира по двум осям: сохраняются ли увиденные сцены и продолжаются ли события, пока камера смотрит в другую сторону.
WorldOracle проверяет мировые модели: робот промахнулся, а модель показала успех
UniAVC: совместный синтез аудио и видео через асимметричное расписание шума
HKU EgoWild2Dex учит робота-руку по 538,9 часа «грязного» видео и часу на железе
RoboValue проверил оценщиков действий роботов на 35 задачах и нашёл слепые зоны
Alibaba DAMO выпустила RynnUnify: 16B-модель планирует видео и ведёт робота
16-миллиардная RynnUnify объединяет понимание сцены, генерацию видео и управление роботом: 51,5% успеха на 20 задачах RoboCasa365 и 46,7% на трёх реальных задачах.
HOLI-World учит 4B-модель понимать мир по записям от первого лица
Авторы HOLI-World собрали экосистему из ~100 сцен и ~80 тыс. QA-пар, чтобы модель HOLIWORLD-VL-4B лучше понимала пространство и время по egocentric-видео.
TTR-Compressor сжимает последовательности регрессией и режет визуальные токены на 55,6%
Volcano Engine открыла Seedance 2.5 4K для 20 студий под кинопроекты
ACT3D учит VLM исследовать 3D-сцены и обходит Gemini 3.6 Flash: 53,2% на шести бенчмарках
RVCBench проверил 18 моделей клонирования голоса на шуме, сжатии и защите
FilmFlow: четыре агента строят траектории камеры в 3D по тексту и видео
Агентная система FilmFlow превращает текст или референсное видео в исполняемую траекторию камеры в 3D. На бенчмарке CinemaBench из 750 задач она обошла базовые…
AgentVQA проверил 22 VLM на агентных задачах: лучшая набрала лишь 58,5%
Новый офлайн-бенчмарк AgentVQA из 1000 примеров в пяти доменах показал: лучшая из 22 vision-language моделей отвечает верно лишь в 58,5% случаев, а главная проблема…