AI: дайджест за 19 августа 2026
1. Cerebras представила сервер CS-4 с WSE 3 Turbo и заявленным 2× ускорением
Cerebras показала CS-4: в одном сервере три чипа WSE 3 Turbo с удвоенной частотой (1,4→2,8 ГГц), что даёт рост пропускной способности памяти и FLOP/s и заявленное ускорение инференса до 2×. Компания также заявляет возможность запуска 10T-моделей на 1000+ токенов/с, но из-за 44 ГБ памяти на чип для этого потребуется несколько десятков CS-4; модульная конструкция упрощает установку и будущие апгрейды.
Источники: t.me/ai_newz
2. Disney Research: diffusion-модель генерирует точную 3D-анимацию барабанщика по обычному аудио
Disney Research показали систему, которая по входному аудио генерирует 3D-анимацию барабанщика (корпус, руки, палочки) с высокой точностью попаданий по барабанам без MIDI и разметки нот. Обучение разделили на естественность скелетной анимации и точность палочек; заявлена сантиметровая точность, введены метрики расстояния до цели в момент удара и корреляции движения с аудио, а в пользовательских тестах генерацию часто не отличали от motion capture.
Источники: t.me/cgevent
3. Topaz выпустила Hyperion 2.5 для SDR→HDR и подготовки 8-bit GenAI-видео к профессиональному посту
Topaz представила Hyperion 2.5 — модель SDR→HDR, которая пытается реконструировать динамический диапазон и цвет из SDR/GenAI-роликов, чтобы снизить бендинг и проблемы при агрессивном грейде; поддерживаются выводы ProRes/H.265 10-bit и 16-bit half-float EXR. В качестве кейса упомянута студия Primordial Soup (Даррен Аронофски), использовавшая Hyperion перед тяжёлым цветокором; при этом отмечены вопросы к color management в 16-bit EXR (несоответствие ACES2065-1 и метаданных Linear Rec.2020).
Источники: t.me/cgevent
4. JetBrains: агентский хук/скилл для кодинг-агентов экономит до 22% токенов без потери качества
Автор описывает скилл, построенный на авторесёрче поверх агентских хуков и уже прошедших eval’ов, который в его тестах снижает расход токенов до 22% при сохранении качества (эффект зависит от задач и бенчмарков). Код выложен в открытый доступ.
Источники: t.me/denissexy
5. PoLar: динамическое «программирование слоёв» LLM без дообучения для роста качества и снижения задержки
В работе PoLar предложен training-free подход: лёгкий предиктор (~2,1 млн параметров) для каждого запроса генерирует программу исполнения слоёв предобученной LLM, динамически пропуская, сохраняя или повторяя сегменты слоёв. Сообщается о стабильном улучшении качества и часто ускорении, что поддерживает идею, что фиксированная глубина и порядок слоёв не всегда оптимальны для разных типов запросов.
Источники: t.me/gonzo_ML
