AI: дайджест за 2 апреля 2026

1. top3d.ai запустил «слепую арену» и новые режимы для бенчмарка 3D-генераторов

Появилась платформа top3d.ai для слепого попарного сравнения 3D AI-генераторов с голосованием и ELO-рейтингом (уже более 100 000 голосов); за последние 10 дней лидер сменился после выхода новой версии YVO3D. Добавлены режимы Segmentation (качество разбиения на части) и Low Poly (отдельный рейтинг), что делает сравнение моделей более прикладным для продакшена.

Источники: t.me/cgevent

2. Seedance 2.0 вышел на OpenArt: ранний доступ для Teams/Enterprise и параметры тарифа

Seedance 2.0 стал доступен на OpenArt сначала для Teams & Enterprise; для индивидуальных пользователей и США заявлен waitlist. В посте приводятся детали командного тарифа со скидкой (35$/место в месяц, минимум 3 места) и лимиты в кредитах, а также поддержка референсов (до 9 изображений, 3 видео и 3 аудио).

Источники: t.me/cgevent

3. Samsung представил RawGen (Image2Raw/Text2Raw): генерация линейного RAW из sRGB с выбором камеры

В работе RawGen показан подход, который по тексту или sRGB-изображению восстанавливает линейный RAW и позволяет выбирать «целевую» камеру, опираясь на пары RAW↔обработанное из датасета Adobe KFive и используя FLUX.1 Kontext для редактирования. Это важно для пайплайнов, где нужен контроль над RAW-данными и камерной обработкой, хотя автор поста отмечает ограничение результата 8-битным цветом и отсутствие кода на момент публикации.

Источники: t.me/cgevent

4. EUPE: трёхэтапная дистилляция через proxy-учителя 1.9B для компактного универсального визуального энкодера

В статье Efficient Universal Perception Encoder предложен пайплайн, где несколько специализированных «учителей» сначала дистиллируются в большого proxy-учителя (1.9B параметров), а затем в компактного студента, чтобы сохранить сильное zero-shot качество в задачах понимания изображений, dense prediction и vision-language. Вывод важен для edge-развёртываний: прямое сжатие нескольких экспертов в маленькую модель, по описанию, плохо работает из‑за конфликтующих репрезентаций, а промежуточная агрегация помогает получить универсальный энкодер без замены набора отдельных моделей.

Источники: t.me/gonzo_ML