Matt Wolfe apžvelgia OpenAI Images 2.6, Pruna PH3 Image ir Gemini Omni 1.2 Flash

Savaitės apžvalgoje aptariamas OpenAI Images 2.6 modelis, kuris generuoja greičiau (įprastas vaizdas — apie 20 s) ir moka kurti bei redaguoti animuotus GIF. Taip pat pristatomas Pruna AI atviro svorio PH3 Image modelis, sukurtas iš MiniMax H3 vaizdo modelio ir išbandomas Hugging Face erdvėje, bei kiti atnaujinimai — Gemini Omni 1.2 Flash, nemokamas vaizdo generavimas Google Vids ir Pika H3 Flex.
Video eiga
- OpenAI Images 2.6 — pristatomas naujas vaizdų modelis ChatGPT ir API, greitesnis ir skirtas profesionalesnei grafikai
- GIF generavimo demonstracija — užklausa apie riedučiais važiuojančią beždžionę sugeneruojama maždaug per 20 sekundžių
- Animuotų GIF redagavimas — modelis sėkmingai pritaiko kelis redagavimo nurodymus jau sukurtam GIF
- Greičio testas — įprastas San Diego panoramos vaizdas sugeneruojamas per 20,4 sekundės
- Pruna PH3 Image — iš MiniMax H3 vaizdo modelio padarytas efektyvus atviro svorio vaizdų modelis, kurį galima pritaikyti ir fine-tune'inti
- Techniniai reikalavimai — 16 bitų versijai reikia apie 56 GB VRAM, 4 bitų kvantizuotai — apie 21 GB, tad ji tilptų į 4090 ar 5090
- Išbandymas Hugging Face — modelį galima nemokamai paleisti Hugging Face erdvėje, nors kokybė atsilieka nuo ChatGPT vaizdų
- Optimizely virtualūs komandos nariai — rėmėjo intarpas apie SEO ir AI paieškos analitiko agentą, auditavusį futuretools.io
- Gemini Omni 1.2 Flash — naujas Google modelis apžvalgoje
- Nemokami vaizdo įrašai Google Vids — galimybė generuoti vaizdo įrašus be mokesčio
- Avataro vaizdo testas — išbandomas avataro vaizdo įrašo generavimas
- Pika H3 Flex atviras vaizdo modelis — pristatomas atviro svorio vaizdo generavimo modelis
Pilna santrauka
OpenAI Images 2.6 ir animuoti GIF0:00
Savaitinėje AI naujienų apžvalgoje pirmiausia pristatomas naujas OpenAI vaizdų modelis Images 2.6, pasiekiamas tiek ChatGPT, tiek per API. Jis greitesnis (pagal OpenAI demonstraciją — beveik dvigubai) ir kuria profesionalesnius vaizdus, tačiau didžiausia naujovė — gebėjimas generuoti animuotus GIF. Autorius išbando: paprašius sukurti animuotą GIF su beždžione ant riedučių, rezultatas gautas maždaug per 20 sekundžių, o modelis net patalpino sceną San Diege, tikriausiai remdamasis atmintimi apie naudotojo buvimo vietą.
Redagavimo užklausos (uždėti beisbolo kepuraitę, perkelti veikėją iš šaligatvio į gatvę) buvo įvykdytos per maždaug 30 sekundžių, taigi animuotų GIF redagavimas veikia gerai. Įprasto statinio vaizdo (San Diego panorama saulėlydyje su burlaiviais) generavimas užtruko 20,4 sekundės — pastebimas greičio pagerėjimas, palyginti su ankstesniu modeliu.
Pruna AI PH3 Image atviri svoriai2:07
Toliau aptariamas Pruna AI išleistas modelis PH3 Image. Bendrovė paėmė pažangų MiniMax H3 vaizdo įrašų modelį ir pavertė jį efektyviu atvirų svorių (open weight) vaizdų modeliu, kurį galima atsisiųsti, paleisti savo įrenginyje ar debesyje, fine-tune'inti ir modifikuoti. Rodomi palyginimai su Qwen Image 2.1 (realistiškas senas žvejys, anime stiliaus paveikslėlis). Pilni svoriai užima apie 55 GB, bet yra ir kvantizuotų variantų: 16 bitų, 8 bitų, 8 bitų VAE. 8 megapikselių vaizdui generuoti 16 bitų versijai reikia maždaug 56 GB VRAM, o 4 bitų — 21 GB, todėl pastarąją galima paleisti ant vartotojiškų GPU, pavyzdžiui, RTX 5090 ar 4090.
Pilnai versijai reiktų galingesnės įrangos — Mac Ultra M3 ar M5 su 128 GB ir daugiau vieningos atminties arba DGX Spark tipo įrenginio. Visas atsisiuntimas Hugging Face platformoje siekia beveik 100 GB, tačiau sukurta ir Hugging Face erdvė (space), kurioje modelį galima nemokamai išbandyti naršyklėje. Autoriaus testas su San Diego panorama parodė, kad kokybė gerokai prastesnė nei ChatGPT, bet privalumas — atvirumas ir galimybė fine-tune'inti.
Rėmėjo intarpas: Optimizely SEO analitikas4:44
Rėmėjo intarpe pristatomi Optimizely virtualūs komandos nariai, konkrečiai iš anksto sukonfigūruotas SEO ir AI paieškos analitikas. Autorius prijungė jį prie savo svetainės futuretools.io ir paprašė atlikti auditą dėl SEO ir AI paieškos matomumo bei nurodyti, ką taisyti pirmiausia. Įrankis tiria raktinius žodžius, randa turinio spragas ir vertina svetainės pasirengimą atsirasti AI atsakymuose — vadinamąją AEO (answer engine optimization) sritį. Virtualus komandos narys gali nuolat stebėti svetainę ir proaktyviai teikti prioritetizuotą veiksmų sąrašą.
Gemini Omni 1.2 Flash vaizdo įrašai6:16
Google pristatė naują vaizdo įrašų modelį Gemini Omni 1.2 Flash. Svarbiausia naujovė — iki 15 sekundžių trukmės klipai (anksčiau buvo iki 10). Kaina sumažinta 30 % lyginant su Omni 1.1 ir siekia apie 7 centus už 720p vaizdo sekundę. Teigiama, kad pagerėjo referencijos atitikimas (demonstruojama moteris ir trys aprangos variantai — išlaikomas tiek veidas, tiek drabužiai), rezultatų nuoseklumas (1.2 Flash artimesnis referenciniam vaizdui nei 1.1 Flash), redagavimas (tas pats vaizdo įrašas su keturiais skirtingais fonais, nekeičiant priekinio plano žmonių) ir natūralesnė kalba, kurią autorius pademonstruoja garso pavyzdžiu.
Modelis pasiekiamas per Gemini API, Flow ir Google Vids. Google leidžia naudotis juo net ir nemokamo plano turėtojams: bet kuris Google paskyros ar Google Workspace prenumeratos turėtojas gali nemokamai sugeneruoti iki trijų 15 sekundžių vaizdo įrašų per mėnesį būtent Vids platformoje (vids.new). Autorius testuoja: prideda savo nuotrauką kaip avatarą, mėlynus marškinius kaip ingredientą, prompt'ą apie prenumeratą jo YouTube kanale ir fone žongliruojančią grandininiais pjūklais mešką. Rezultatas gautas maždaug per minutę; už 15 sekundžių būtų tekę mokėti apie 15 dolerių, jei ne nemokama kvota.
Pika H3 Flex 4K modelis9:21
Pika Labs paskelbė Pika H3 Flex — atvirų svorių vaizdo įrašų modelį, generuojantį iki 4K raiškos, greičiau nei realiu laiku, o 15 sekundžių klipą su garso takeliu sukuriantį vos per 7 sekundes. Design Arena reitinge jis lenkia kitus atvirų svorių modelius. Svoriai patalpinti Hugging Face ir sveria 220 GB. Nurodyti greičio rezultatai (vaizdo generavimas per 5 sekundes) pasiekti su H100 ir 80 GB VRAM, tad lokaliai paleisti reikėtų labai galingos sistemos arba M3/M5 Ultra su didele unified memory ar DGX Spark. Taip pat sukurta nemokama Hugging Face erdvė.
Autoriaus testas su numatytąja užklausa užtruko apie 30 sekundžių; bandymas sugeneruoti 15 sekundžių klipą su Willu Smithu, valgančiu spagečius, buvo užblokuotas ne dėl turinio, o dėl GPU laiko limito, tačiau 8 sekundžių versija pavyko ir taip pat užtruko apie 30 sekundžių.
Meta Muse balso ir vaizdo pokalbiai12:01
Meta atnaujino savo Muse modelį: dabar su juo galima kalbėtis balsu ir net skambinti vaizdo skambučiais. Autorius demonstruoja pokalbį su asistentu, pavadintu Gary; asistentas iškart persijungė į kitokį balsą, kai buvo pastebėta, kad tembras neatitinka vardo, ir išvardijo, kuo gali padėti: tvarkyti Gmail ir kalendorių, generuoti turinio idėjas Instagramui siekiant 100 tūkst. sekėjų, atlikti tyrimus, rašyti juodraščius ir planuoti. Jis taip pat apibendrino tos dienos darbus. Pokalbio metu rodomas nedidelis avataras, kurio prasmės autorius nelabai supranta, tačiau balso režimas suteikia kur kas labiau „tikro asistento" pojūtį nei rašymas.
Grokbot skambina telefonu14:06
Grokbot gavo naują funkciją — gali skambinti telefonu naudotojo vardu. Autorius, kuris laiko Grokbot nepelnytai nuvertintu agentu, bandė apgauti sistemą, nurodydamas savo paties numerį kaip komiksų parduotuvės „Matt's Comics" numerį. Grokbot patikrino ir pastebėjo, kad tai ne tikras verslo numeris, tačiau sutiko paskambinti po patvirtinimo. Skambučio metu asistentė prisistatė kaip Leora, Matto virtuali asistentė, kalbanti įrašoma linija, ir pademonstravo, kaip teirautųsi parduotuvės darbo laiko. Autorius vertina rezultatą kaip įtikinamą, bet abejoja, ar žmonės neužmes ragelio supratę, kad skambina robotas.
Trumpai: GPT-6 Cyber, limitai, Kimi K3.116:42
Greitųjų naujienų dalyje: OpenAI išleido GPT-6 Cyber, prieinamą tik kibernetinio saugumo specialistams; jis lenkia visus kibernetinio saugumo benchmarkus. OpenAI taip pat sujungė naudojimo limitus — jie dabar bendri ChatGPT ir Codex. Atvirų svorių modelis Kimi K3.1 Pro paskelbė savo svorius Hugging Face: 1,56 TB dydžio, 2,8 trilijono parametrų modelis, kurio namų GPU nepaleis; jis laikomas geriausiu prieinamu atvirų svorių modeliu ir tik truputį nusileidžia Claude Opus 5.1.
Banko sąskaitos prijungimas prie Claude18:17
Anthropic pristatė galimybę prijungti banko sąskaitą prie Claude — funkcija diegiama Pro, Max ir Ultra planams, naudojamas Plaid. Galima klausti, kur išleisti pinigai per mėnesį ar kiek liko iki atlyginimo. Finansiniai duomenys nenaudojami modelių mokymui, prieiga tik skaitymui, matomi tik paskutiniai keturi sąskaitos numerio skaitmenys. Autorius dar neprijungė savo sąskaitos ir dvejoja.
Selendis AI montavimo programėlė19:20
Steve Aoki kartu su partneriais pristatė AI vaizdo montavimo programėlę Selendis, šiuo metu ankstyvosios prieigos stadijoje. Ji esą mokosi kiekvieno kūrėjo skonio iš sprendimų montavimo programoje, ankstesnių vaizdo įrašų katalogo ir pateiktų referencinių įrašų. Autorius dar neturi prieigos, bet primena savo ankstesnį vaizdo įrašą apie montavimo darbo eigą su Claude.
Netflix AI Discover skirtukas19:50
Netflix skelbia apie dar daugiau AI savo platformoje — naują AI „Discover" skirtuką su kategorijomis tipo „kažkas lengvo", „šeimos filmų vakaras", „greiti peržiūrėjimai", kur AI rūšiuoja turinį pagal nuotaiką. Autoriui atrodo, kad tai nelabai skiriasi nuo dabartinių Netflix kategorijų.
Agentų užsakymai: DoorDash ir Uber skaičiai20:21
Dvi statistikos istorijos rodo, kad agentų panaudojimas kasdienėse užduotyse kol kas minimalus. DoorDash trečiojo ketvirčio rezultatų skambutyje pranešė gavęs vos kelis šimtus užsakymų iš AI agentų — ir tai iš viso, o ne per dieną, kai tuo tarpu bendrovė vidutiniškai atlieka 3 milijonus pristatymų kasdien. Uber pateikė panašius skaičius: iš 320 milijonų kelionių tik 500 Uber Eats užsakymų buvo atlikti AI agento.
Google Project Suncatcher orbitoje21:56
Galiausiai Google „Project Suncatcher" pasiekė rezultatų: spalio 1 d. paleistas prototipinis palydovas su TPU kosmose, o šią savaitę pasiektas „hello world" etapas — pirmasis AI atsakymas iš duomenų centro orbitoje. Tai tik vienas testinis atsakymas iš prototipo, bet palydovas su veikiančiais AI modeliais realiai siunčia duomenis atgal į Žemę.
Kodėl savaitė buvo ramesnė22:28
Apibendrindamas autorius pažymi, kad savaitė buvo ramesnė, ir siūlo kelias priežastis: JAV vyko rinkimai, po kurių kiek krito akcijų rinka, artėja Anthropic IPO (dėl to bendrovė tikriausiai laukia su dideliais pranešimais, kad nepaveiktų akcijų kainos), o OpenAI stebi Anthropic IPO eigą galvodama apie savo pačios IPO ir įprastai laukia, kol konkurentai paskelbs ką nors didelio, kad galėtų juos užgožti savo paleidimu. Jis primena, kad seka naujienas kasdien ir kartą per savaitę jas apibendrina viename vaizdo įraše, o tarp penktadienio apžvalgų kuria pamokas ir darbo eigų vaizdo įrašus.
Originalas: AI News: New ChatGPT & Google Models (14 Updates Worth Knowing) (Matt Wolfe YouTube kanalas)