В свежем дайджесте AI/ML за 14–20 сентября собрали около 17 релизов. Qwen3.8-Omni-Flash, Gemini 3.8 Live, Vidu S2, ElevenLabs Music v2.5, новые видеомодели и даже Siri, которая вроде бы должна научиться действовать за пользователя.

Звучит мощно. Но есть нюанс: фактчекер нашёл всего один источник — сам телеграм-дайджест. Официальных подтверждений и рабочих демо в досье нет. Поэтому ниже — карта заявлений, за которыми стоит следить, а не список готовых инструментов для продакшна.

Дайджест AI/ML: агенты, голос и контекст

Alibaba якобы выпустила Qwen3.8-Omni-Flash для AI-агентов. Модель должна работать с текстом, аудио и видео. В материале указаны $0.15 за миллион входных токенов и $0.47 за выходные. Аудио на входе, по этим данным, подешевело на 98% относительно Qwen3.5-Omni-Plus. Весов нет.

Google приписывают запуск Gemini 3.8 Live и Live Extended Thinking — speech-to-speech моделей, которые слушают, отвечают голосом и размышляют прямо во время разговора. Среди заявленных характеристик — 97 языков, автоматическое определение языка и первое место в Speech to Speech индексе Artificial Analysis с результатом 82.6.

Отдельно описан Live Avatar. Говорящий AI-персонаж видит камеру или экран, отвечает голосом, двигает губами и перестраивает ответ после перебивания. Для креаторов это может пригодиться в обучении, поддержке и интерактивных шоу. Правда, реалистичные аватары в демо уже сейчас местами выглядят жутковато. Минута такой речи, по материалу, стоит около 39 центов.

В ту же сторону смотрят Gemini 3.8 Flash TTS и Flash-Lite TTS. Им можно задавать тембр, акцент, темп и манеру речи обычным текстом. Ещё заявлены смех, вздохи, паузы, 100+ языков и диалектов, включая русский, а также двухголосые диалоги.

Интереснее с точки зрения архитектуры другая работа — Context Language Models. Исследователи предложили дать модели возможность самой переписывать контекст: удалять старые сообщения, сжимать результаты поиска и хранить компактное состояние задачи. В одном тесте агент удерживал историю в пределах 6–8 тысяч токенов после 163 редактирований.

После обучения Qwen3.5-9B на BrowseComp-Plus результат вырос с 28.8% до 42.5%. Вычислений потребовалось на 38.8% меньше, чем у варианта с обычной суммаризацией. Есть и проблема: изменение середины истории ломает стандартное кеширование. Авторы частично решили её через Suffix Cache Reuse и сократили серверные вычисления ещё примерно на 35%.

Новые AI-инструменты для видео и музыки

Shengshu якобы открыла API Vidu S2. Ветка состоит из двух моделей: S2-Avatar оживляет персонажа по голосу или тексту, а S2-Editing меняет стиль, одежду, фон или героя прямо во входящем видеопотоке. Есть экспериментальный стереорежим для VR.

Creatify Labs представила Boreal — видеомодель для рекламы и UGC с генерацией в реалтайме. Заявлены 720p по $0.20 за секунду и 1080p по $0.60. В слепых тестах результат якобы выбирали в 81% случаев, но название базы для сравнения не раскрыли.

HiDream O1-Video-1.0 должна принимать текст, изображения и видео, генерировать ролики 1080p длиной от 5 до 20 секунд и добавлять синхронный звук. Пока модель проходит internal testing. Runway тем временем якобы добавила в API интерполяцию до 24, 30, 60 и 120 fps для роликов длиной до 300 секунд.

Для музыки в подборке есть ElevenLabs Music v2.5. Разработчики обещают более живые инструменты и аранжировки, особенно в вокальных и акустических жанрах. Модель обучалась на лицензированной музыке. Бесплатным пользователям заявлены пять скачиваний в полном качестве в день.

Ещё несколько нишевых релизов: QuiverAI Arrow 2 и Arrow 2 Telos для генерации и редактирования SVG, Mirelo Audio-to-MIDI Pro для разложения микса на MIDI-дорожки, включая вокал, и Kalypta, которая в реальном времени искажает речь. Из-за этого Voice-to-Text модели теряют около двух третей слов. Последняя пока заявлена только для Mac по вейтлисту.

Что проверить перед использованием этих моделей

Практический вывод простой: с этими анонсами пока рано идти в рабочую задачу. Нет подтверждённых первоисточников, официальных страниц с доступом и независимых тестов.

Перед тем как закладывать инструмент в задачу, я бы проверил три вещи:

• есть ли релиз в официальном блоге или документации разработчика; • открывается ли API или демо без закрытого вейтлиста; • совпадают ли цена, лимиты и качество с заявленными в дайджесте.

Отдельно осторожнее с Jev от TypeSafe AI. Модель якобы выдавала решения, классы или скор за 70–500 мс при цене $0.042 за миллион входных токенов. Но в приложенном материале уже есть проверка: ранжирование меняется в зависимости от порядка входных данных. Красивые слова про калиброванные вероятности пока этого не исправляют.

Для локальных экспериментов есть более осязаемая новость: движок Strata на Nvidia якобы разгоняет Qwen3.8-Flash-Next до 51 токена в секунду на ноутбуке с RTX 5070 Ti и читает 32 тысячи токенов со скоростью около 1500 токенов в секунду. При этом движок работает только с отдельными GGUF от ISTA-DASLab, а AMD поддерживается экспериментально.

Пока это список обещаний. Сначала официальный API и демо — потом продакшн.

Интересные времена. В одном дайджесте соседствуют говорящие аватары, редактируемый контекст, защита от распознавания речи и музыка из лицензированных данных. Сейчас ценнее количество релизов — умение отличить рабочий инструмент от красивого анонса. Думаю, половина этой подборки ещё появится в официальных каналах. Тогда и начнётся нормальный тест.

Другие разборы AI-инструментов собрал в статьях

Источник