AI: дайджест за 30 апреля 2026
1. Roblox Reality: гибридный нейрорендеринг для фотореалистичного мультиплеера
Roblox описал архитектуру Roblox Reality: игровой движок считает логику и состояние мира, а облачная видеомодель Super Upsampler нейрорендерит картинку на серверах и стримит её клиентам; также планируется опциональный локальный нейрорендер крупных планов аватара для снижения задержки. Компания нацеливается на 2K@60fps и упоминает запуск на H200/B200, что может задать ориентир для будущих игровых движков и требований к инфраструктуре.
Источники: t.me/cgevent
2. OpenAI объяснила «нашествие гоблинов» в GPT-5.x/5.5 и меры по исправлению
OpenAI опубликовала разбор, почему в ответах моделей массово появлялись «гоблины/гремлины» (особенно в Codex): вклад дала личность ChatGPT «Nerdy» и перекос reward-модели, который поощрял упоминания существ, а последующее обучение на генерациях усилило эффект. В марте «Nerdy» отключили, reward и датасет почистили, а для Codex добавили инструкцию в developer prompt «не призывай гоблинов», которую при желании можно отключить.
Источники: t.me/cgevent, t.me/denissexy
3. SAW-INT4: почти без потерь 4-битная квантизация KV-кэша, совместимая с реальным LLM-serving
В работе SAW-INT4 предложен системно-ориентированный метод потокенной INT4-квантизации KV-кэша на основе блочно-диагонального вращения Адамара, реализованный как fused CUDA-ядро и совместимый с paged-memory layout. Это важно для продакшена с длинным контекстом: метод обещает почти lossless сжатие без типичного падения пропускной способности и может увеличить вместимость одновременного инференса примерно в 2 раза за счёт снижения требований к памяти.
Источники: t.me/gonzo_ML
4. Decoupled DiLoCo: асинхронное распределённое предобучение, устойчивое к сбоям и разнородному железу
Авторы представили Decoupled DiLoCo — асинхронный фреймворк предобучения, который уходит от жёсткой SPMD-синхронизации: независимые learners передают фрагменты параметров центральному syncer на CPU, используя минимальный кворум и адаптивное окно ожидания. Это снижает простои из‑за «медленных/сломанных» воркеров и позволяет эффективнее обучать большие модели на географически распределённом, прерываемом и разнородном железе.
Источники: t.me/gonzo_ML
5. Бенчмарк для оценки числа параметров закрытых моделей через «фактические знания»
Предложен бенчмарк из 1400 фактических вопросов с 7 уровнями редкости, откалиброванный на 89 открытых моделях; автор сообщает лог-линейную зависимость между скором и числом параметров (R²=0.917). На этой основе получены оценки для закрытых моделей (как нижние границы из‑за отказов/сейфти), включая GPT-5.5 ≈ 9.7T, Claude Opus 4.6 ≈ 5.3T, Sonnet 4.6 ≈ 1.7T, Gemini 2.5 Pro ≈ 1.2T, что даёт альтернативу грубым оценкам через экономику инференса.
Источники: t.me/denissexy
6. LTX2.3 VR-Outpaint IC-LoRA: outpainting обычного видео в 360° VR-формат
Опубликована LoRA для 360° video outpainting: на вход подаётся обычное видео, на выходе получается VR-ready equirectangular видео. Выложены веса/форкфлоу и ComfyUI-нода, что упрощает практическое применение и интеграцию в пайплайны.
Источники: t.me/cgevent
7. Сравнение генераторов 3D-миров по «splats» на одном и том же входе
Проведено визуальное сравнение трёх генераторов миров на одной исходной картинке (из ChatGPT Image 2): WorldLabs Marble 1.1 (1.9M splats), Tencent HY World 2.0 (0.5M), SpAItial Echo 2 (2.2M), с просмотром результата в AirVis (в т.ч. на Meta Quest). Это даёт практическую точку сопоставления качества/плотности представления между системами при одинаковом входе.
Источники: t.me/cgevent
