242 новини · всички източници
NVIDIA пусна Nemotron 3 Diarization — модел за диаризация на говорители с отворени тегла в Hugging Face. Той отговаря на един въпрос за всеки разговор: кой кога е говорил. Моделът с 100 млн. параметъра проследява до 8 говорители, включително при припокриване на гласове. Една контролна точка обработва и двете…
Екипът за приложни изследвания на Nokia публикува с отворен код AnyJev, Python библиотека, която превръща отворен LLM в модел за вземане на решения. Тя не изисква обучение. Насочена е към честа производствена задача: избор на един отговор от фиксиран набор, вместо писане на…
Kyutai пусна Voice of Reason — 2 модела с отворени тегла за преобразуване на реч в реч, изградени върху GLM-4-Voice-9B. Надзираното дообучаване и обучението чрез подсилване повишават точността при устно зададени задачи GSM8K от 27,3% на 77,1%. Няма стъпка за транскрипция и в процеса не участва текстов LLM. И двата чекпойнта…
OpenAI пусна GPT-6 Sol и GPT-6 Luna — два по-евтини модела, обучени с методи, подобни на тези при GPT-6 Astra. Sol струва $2/$10, а Luna — $0,10/$0,50 за 1 млн. токена. И двата вече са налични в API, ChatGPT Work и Codex. Те идват…
Гласовото въвеждане на телефони е решено от години. Нерешен остава изходът. Говорите в повечето инструменти за диктовка и получавате обратно точно това, което сте казали — включително паразитни думи и недовършени фрази — в бележка, която после…
Гласовото въвеждане в телефоните е решено от години. Нерешен остава резултатът. Кажете нещо в повечето инструменти за диктовка и ще получите точно това, което сте казали — включително паразитни думи и недовършени фрази — в бележка, която после…
Anthropic пусна Claude Opus 5.5 — първия модел от новото семейство Claude 5.5. Екипът заявява, че той се представя на нивото на Claude Fable 5.1 при повечето задачи. Работата му струва и 40% по-малко в сравнение с Opus 5…
Изследователи на NVIDIA публикуваха SoL-Pi — 4 механизма за обвивка на отворения кодиращ агент Pi, открити от ИИ, който е изпълнявал цикли за автоматизирани изследвания в 535 среди. При EdgeBench SoL-Pi намалява токенния трафик с 44,7% до 49,0%, а разходите за API — с приблизително 33%,…
SpaceXAI пусна Grok 4.7, новия си водещ модел за програмиране, агентни задачи и работа със знания. Grok 4.7 е изграден върху по-голям базов модел и по-дълъг процес на обучение с подсилване. Той се предлага на същата цена и със същата скорост…
Много разработчици установяват, че дадена идея за агент работи в Claude Code или Codex, но среща трудности, когато я изградят наново със собствен цикъл. Екипът Strands Agents на AWS се стреми да запълни тази празнина със Strands Harness — напълно сглобена, универсална…
Екипът Qwen на Alibaba пусна Qwen-Image-2.1 — дифузионен трансформер с 7B параметъра, който поддържа генериране на изображения от текст, редактиране с множество референции и нативна RGBA прозрачност в един чекпойнт. Префиксният KV кеш ускорява редактирането с до 10 референтни изображения. Теглата са публични,…
Клонирахме един глас с 10-секунден запис на 7 платформи и ги класирахме по референтно аудио, съгласие, лицензиране и цена.
