Мультимодальность

Veo, Kling и Runway Gen-3: сравнение видеогенераторов 2024–2025

Исторический разбор гонки Veo, Kling и Runway Gen-3 по материалам 2024–2025 годов: что именно обещали лаборатории, какие режимы были доступны...

Открытые VLM в 2024 году: как различаются Qwen2-VL, InternVL, Molmo и Pixtral

Сравниваем четыре открытые VLM-семьи 2024 года — Qwen2-VL, InternVL, Molmo и Pixtral: архитектуру, OCR и видео, открытость данных и ограничения...

Нативная генерация картинок в LLM: как это устроено у GPT-4o и Gemini

Что реально означает «нативная генерация картинок в LLM» на примере GPT-4o и Gemini: общий мультимодальный контекст, межмодальный вывод, ограничения и...

FLUX.1: как модель с открытыми весами догнала и местами обошла лидеров

Разбираем FLUX.1 в рамке августа–октября 2024: что выпустила Black Forest Labs, почему 12B rectified flow transformer оказался таким сильным и...

Генеративное аудио в 2024 году: чем отличаются Suno, Udio и голос GPT-4o

Исторический обзор 2024 года: чем Suno и Udio как генераторы музыки отличались от голосового GPT‑4o, какие режимы управления они дали...

Stable Diffusion 3 и MMDiT: почему стало лучше с текстом

Разбираем работу Stability AI от 5 марта 2024 года: как MMDiT, синтетические подписи и стек текстовых энкодеров сделали Stable Diffusion...

Sora: как OpenAI представила видео как «патчи» пространства-времени

Разбираем февральский отчет OpenAI о Sora: зачем видео сжимают в латенты, как из них делают пространственно-временные патчи, почему это похоже...