Neurohive - Нейроcети, Data Science, Machine Learning, AI

🎬 daVinci-MagiHuman: открытая модель генерирует видео с липсинком длиной 5 секунд за 2 секунды на одном H100

Команды SII-GAIR и Sand.ai опубликовали daVinci-MagiHuman — открытую мультимодальную 15B-модель на основе однопоточного трансформера, которая одновременно генерирует видео и синхронное аудио и создает 5-секундный клип в 256p за 2 секунды на одном GPU H100. Базовая модель, дистиллированная версия, модуль суперразрешения и код для запуска доступны на GitHub и Hugging Face под лицензией Apache 2.0. Демо-версия выложена на HF Spaces.

Текст, видео и аудио просто складываются в одну последовательность токенов и прогоняются через единый трансформер с самовниманием. Никакого перекрёстного внимания, никаких отдельных блоков слияния модальностей. Это однопоточная архитектура, и главный её плюс — простота оптимизации как на уровне модели, так и на уровне инфраструктуры.

На одном GPU H100 дистиллированная модель генерирует 5-секундное видео в 256p за 2 секунды, в 540p — за 8 секунд, в 1080p — за 38.4 секунды.

В попарной оценке на 2000 сравнений модель обошла конкуретнов в 80% случаев против Ovi 1.1 и в 60.9% против LTX 2.3. По разборчивости сгенерированной речи daVinci-MagiHuman тоже впереди — WER 14.60% против 40.45% у Ovi 1.1. Модель поддерживает китайский, английский, японский, корейский, немецкий и французский.

#Stateoftheart

GLM-5: топ-1 открытая модель для генерации кода и текста, конкурирующая с Claude и GPT на агентных задачах

Zhipu AI опубликовали техрепорт GLM-5 — на сегодня лучшей открытой LLM в индексе Artificial Analysis и топ-1 в кодинге и тексте на LMArena, лидер на бенчмарках BrowseComp и HLE с инструментами среди всех моделей, включая закрытые. Модель умеет писать код, искать информацию в интернете, генерировать презентации и выполнять многошаговые задачи с рассуждениями.

Авторы называют GLM-5 переходом от «вайб-кодинга» к агентной инженерии. Получив задачу, GLM-5 сама анализирует репозиторий, пишет патч, запускает тесты, видит ошибки и исправляет их — пока задача не выполнена. Такое поведение стало результатом агентного обучения с подкреплением на более чем 10000 задач из открытых репозиториев. Чтобы это обучение стало возможным в разумные сроки, авторы разработали асинхронную RL-инфраструктуру: инференс и обучение разведены на разные GPU. В обычном синхронном RL GPU простаивают, пока модель медленно проходит длинный агентный роллаут. Асинхронное разделение убирает эти простои и существенно ускоряет итерации.

GLM-5 — это Mixture of Experts модель с 744B параметров, из которых в каждый момент активны только 40B. Это в два раза больше предшественника GLM-4.5 (355B/32B). Исследователи применили DSA (DeepSeek Sparse Attention) - разреженный механизм внимания, который вместо того чтобы смотреть на все токены в контексте, динамически выбирает только важные. MLA-256 (Multi-Latent Attention) с оптимизацией Muon Split сжимает ключи и значения в attention до компактного скрытого вектора, что экономит память. Multi-Token Prediction (MTP) с разделением параметров позволяет модели предсказывать несколько токенов за один шаг, что ускоряет генерацию: 2.76 токена против 2.55 у DeepSeek-V3.2. Для агентных задач доступны три режима мышления.

На реальных задачах разработки (CC-Bench-V2) GLM-5 достигает 98% Build Success Rate и конкурирует с Claude Opus 4.5 по частичному выполнению задач (71.0% vs 70.7% на React). Но довести сложную задачу до полного завершения пока сложнее: 34.6% против 39.7% у Claude.

Полная модель в BF16 весит 1.65 ТБ — для продакшна нужно 8× H200. FP8-версия вдвое легче и влезает в 8× H100 или H20 с минимальными потерями качества. Для экспериментов подойдет 2-bit GGUF от Unsloth на 241 ГБ: запускается на Mac с 256 ГБ unified-памяти или на сервере с GPU 24 ГБ + 256 ГБ RAM.

Код, веса и документация доступны на GitHub и Hugging Face под лицензией MIT.

#Stateoftheart

👩‍⚕️💊 Baichuan-M3: открытая медицинская модель ведет диалог как настоящий врач, обходя GPT-5.2-High и людей в точности диагностики

Baichuan-M3 ведет себя как опытный терапевт — методично выясняет детали: когда именно началась боль, какого она характера, есть ли сопутствующие симптомы, какие лекарства принимались, были ли подобные эпизоды раньше. Только собрав достаточно клинической информации, поставит диагноз и пропишет лечение. Baichuan-M3 — первая модель такого класса, которую можно скачать, развернуть и независимо проверить.

Модель использует многоэтапное рассуждение, связывая разрозненные симптомы в логичную диагностическую картину точно так же, как это делают врачи. На вход принимается только текст.

Baichuan-M3 обучалась по трёхэтапной схеме:
— Task-Specific RL создаёт отдельных «экспертов» по опросу, консультациям и клиническому рассуждению;
— Offline Policy Distillation объединяет экспертов без катастрофического забывания;
— Multi-Teacher Online Distillation донастраивает модель в реалистичных клинических сценариях.

Для обучения диалогу разработан алгоритм SPAR, который оценивает каждую реплику отдельно, а не консультацию целиком. Это позволяет устранять логические ошибки, повторы и некорректные медицинские формулировки точечно. Благодаря методу Fact-Aware Reinforcement Learning ошибки в диагнозах и лечении штрафуются сильнее, чем неточности в общих рекомендациях, что резко снижает риск опасных галлюцинаций.

На тестах Baichuan-M3 показывает результаты выше GPT-5-High и людей-врачей. На ScanBench (клинический опрос) 74.9 против 62.5 у GPT-5.2-High и 54.6 у людей. На HealthBench-Hard: 44.4 против 42.0 у GPT-5.2-High. Галлюцинации в ответах - 3.5%, что лучше всех конкурентов.

Модель 235B, W4-квантованная версия и веса доступны на Hugging Face и GitHub под лицензией Apache 2.0.

#Benchmark #Stateoftheart