Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Generowanie wideo AI: co naprawdę pokazuje dossier, kilka dni po Gemini 4 Argon

Najnowszą opatrzoną datą pozycją w dossier jest model pisarski Echo firmy Fulcrum, opublikowany 30 września. Omawiany temat, generowanie wideo AI, nie ma jednak w materiale źródłowym żadnego datowanego wydania. Są tylko niedatowane fragmenty nagłówków z okolic 30 września, w których pojawia się Gemini 4 Argon od Google.

AI i modeleNewsAnna KaczmarekOpublikowano: 30 września 20265 min czytaniaŹródła 11
Generowanie wideo AI: co naprawdę pokazuje dossier, kilka dni po Gemini 4 Argon

Dossier, które trafiło do tej redakcji, nie zawiera ani jednego udokumentowanego i opatrzonego datą wydania modelu do generowania wideo. To pierwsza rzecz, którą czytelnik powinien wiedzieć. Zapytanie tematyczne prosi o takie wydanie, a materiał nie dostarcza żadnego, które spełnia redakcyjną zasadę dotyczącą źródeł.

Jest w nim natomiast zestaw najnowszych nagłówków, oznaczonych jako kontekst i wyraźnie nieprzeznaczonych do cytowania jako fakty. Między innymi: „Google releases Gemini 4 Argon, called its most powerful model yet” z TechCrunch, datowany na 30 września, oraz „Gemini 4 Argon: our next era of frontier intelligence” z blog.google, z tą samą datą. Żaden z nich nie występuje na numerowanej liście źródeł z adresem URL. Zgodnie z zasadami oznacza to, że żadnego nie można użyć.

Pozostałe nagłówki kontekstowe wskazują w tę samą stronę. Kling 4.0, BytePlus Seedance 2.5, MiniMax H3, wydzielona spółka Kuaishou zajmująca się wideo AI, Higgsfield z wyceną podawaną na 5,4 mld dolarów. Wszystko to tytuły bez treści, a większość ukazała się w październiku lub później, długo po wrześniowym skupisku z 30 września. Nie mogą udźwignąć liczby, cytatu ani twierdzenia.

Dlaczego dossier nie odpowiada na pytanie

Wystarczy posortować 28 numerowanych źródeł według tematu, żeby luka stała się oczywista. Są tam wydania modeli, ale żadne z nich nie generuje wideo. Liquid AI opublikowała 30 września dokumentację swoich modeli decyzyjnych D1. Opisuje w niej klasę modeli, które zwracają skalibrowane prawdopodobieństwa dla ustalonych wyników w jednym wywołaniu, przy zerowej liczbie generowanych tokenów. Phonon-2 od Fermion Research to model rozpoznawania mowy o rozmiarze 164 MB, wydany tego samego dnia. Embed 5 firmy Cohere to rodzina modeli osadzeń. Kumo Tabular od NVIDIA obsługuje tabele.

NVIDIA pojawia się jednak z pracą bliską tematyce wideo, DreamZero, opublikowaną 30 września. To World Action Model zbudowany na wstępnie wytrenowanym szkielecie dyfuzji wideo, który jednocześnie przewiduje przyszłe stany świata i działania na potrzeby sterowania robotem. Autorzy podają, że model autoregresyjnej dyfuzji wideo o 14 000 000 000 parametrów prowadzi sterowanie w zamkniętej pętli w czasie rzeczywistym z częstotliwością 7 Hz. Osiąga przy tym średni postęp zadania 62,2% wobec 27,4% dla najlepszej wstępnie wytrenowanej linii bazowej typu vision-language-action. To wynik z robotyki, nie produkt wideo, i dossier nie przedstawia go jako produktu.

„We introduce DreamZero, a World Action Model (WAM) built upon a pretrained video diffusion backbone.” Strona projektu, 30 września 2 026.

Najbliżej narzędzi wideo jest projekt na GitHubie o nazwie qc, opublikowany 30 września. Zajmuje się kontrolą jakości wideo oraz optymalizacją drabinek H.264, HEVC i AV1 z oceną VMAF i przedziałami ufności. Mierzy wideo. Nie tworzy go.

Narzędzia wideo, które faktycznie są udokumentowane

W dossier jest jeden naprawdę udokumentowany sposób produkcji wideo i nie ma w nim żadnego modelu wideo. Vincent Schmalbach napisał 30 września o wykorzystaniu Claude Code do tworzenia filmów objaśniających. Agent pisze stronę HTML i JavaScript z kanwą, przechodzi przez nią klatka po klatce w bezgłowym Chrome, a klatki trafiają do ffmpeg. Schmalbach zbudował do tego framework o nazwie explainroo na licencji MIT. Model głosu, synchronizacja słów i generowanie muzyki działają lokalnie, potrzebują około 400 MB modeli i nie wymagają kluczy API.

Sam uczciwie opisuje ograniczenia. Claude Code, pisze, nie potrafi generować wideo bezpośrednio i nie jest modelem wideo takim jak Veo czy Sora. Wynik, jego zdaniem, wygląda znacznie lepiej niż pokaz slajdów. Piętnastosekundowy film renderuje się w 16 sekund na jego konfiguracji, na Linuksie, a macOS i Windows są słabiej przetestowane.

Zestaw to z tym, co opisują nagłówki branżowe, czyli 30-sekundowymi ujęciami w jednym przebiegu i wyjściem 4K, a dystans jest oczywisty. Dossier potrafi udokumentować podejście klatka po klatce. Nie potrafi udokumentować czołówki.

Co sugerują okoliczne wydania

Jeśli w tej partii jest jakaś historia o kierunku, w którym zmierzają wydania modeli, to jest nią taniej i mniej, a nie bardziej filmowo. Fulcrum podała 30 września, że jej model pisarski Echo kosztował mniej niż 5 000 dolarów wytrenowania i bije modele czołowe w naśladowaniu stylu na własnej metryce stylometrycznej Elo, choć tę metrykę zdefiniowała sama Fulcrum. Rodzina D1 od Liquid AI obejmuje modele z otwartymi wagami o 1 900 000 000, 2 200 000 000 i 587 000 000 parametrów. Rozlicza się je wyłącznie za tokeny wejściowe, bo nie produkują tokenów wyjściowych.

Nimble od Bespoke Labs, model decyzyjny o 9 000 000 000 parametrów dostrojony z Qwen3.5-9B, jest już w Ollama. Repozytorium Bespoke podaje, że Nimble-v4-max uzyskał 68,46 w publicznym zestawie Decision Index, a Nimble-v4 uzyskał 63,70. Oba wyniki zmierzono we własnym przebiegu Bespoke 12 października i nie ma ich jeszcze na pulpicie indeksu. Wolontariusze wstępnie trenują model o około 145 000 000 parametrów o nazwie Coop przez pull requesty i zadanie cron w GitHub Actions, bez serwerów i bez finansowania.

Nic z tego nie jest wideo. To przypomnienie, że rytm wydań w tym dossier zdominowały małe, wyspecjalizowane modele trenowane tanio, a najgłośniejsze twierdzenia o wideo przyszły jako nagłówki bez treści.

Co zrobić z tematem bez źródeł

Kusi, żeby napisać tekst o Gemini 4 Argon z nagłówka i tytułu bloga. To złamałoby zasadę dotyczącą źródeł podwójnie: nagłówek nie jest źródłem, a lista kontekstowa jest wyraźnie oznaczona jako nieprzydatna do faktów. To samo dotyczy pozycji o Kling 4.0 i Seedance, które mają daty w październiku i listopadzie, tygodnie po najświeższym materiale w dossier.

Jest jeszcze drugi powód ostrożności. Wydania do generowania wideo w tym okresie są relacjonowane przez komunikaty prasowe i przedruki agregatorów. Sama lista nagłówków w dossier pokazuje tę samą historię dwa razy pod różnymi domenami: Forbes przez news.google.com obok Forbes bezpośrednio. Policzenie ich jako dwóch redakcji zawyżyłoby liczbę źródeł, nie dodając żadnego faktu.

Uczciwy tekst jest więc ten: notatka, że dossier nie udźwignie historii o wydaniu modelu wideo, plus opis tego, co udźwignąć potrafi. Wynik z robotyki DreamZero, narzędzie pomiarowe qc, pipeline explainroo działający klatka po klatce oraz skupisko małych wydań modeli z 30 września.

Jeśli redakcja chce historię o Gemini 4 Argon, potrzebuje wpisu z bloga Google i relacji TechCrunch na liście źródeł, z adresami URL i wyciągniętym tekstem. Wtedy liczby, benchmarki i cytaty da się sprawdzić. Do tego czasu lead zostaje tam, gdzie jest.

Komentarze 0

Źródła

11
  1. 01Echo – A SOTA writing model for style imitation | FulcrumEN
  2. 02Liquid AI decision models D1 documentationEN
  3. 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
  4. 04DreamZero: World Action Models Are Zero-Shot PoliciesEN
  5. 05Qc: Video quality check and h264/HEVC/av1 ladder optimizationEN
  6. 06How to Make Videos with Claude Code - Vincent SchmalbachEN
  7. 07Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
  8. 08Ollama now supports Jev-like decision models all locally in 0.35EN
  9. 09Coop: A small language model pretrained by volunteersEN
  10. 10Cohere: Embed 5 – A New Family of Frontier Embedding ModelsEN
  11. 11Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Anna Kaczmarek

Anna Kaczmarek

AI, modele i technologie

Anna Kaczmarek pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, repozytoriach i danych źródłowych, a nie na komunikatach prasowych. Przy testach modeli sprawdza karty techniczne, parametry wejściowe i liczy wyniki na tych samych zbiorach, zamiast powtarzać liczby od producentów. Czeka na premiery API i aktualizacje wag, rozmawia z inżynierami oraz porównuje wersje modeli pod kątem kosztów i opóźnień. Prywatnie self-hostuje usługi i konfiguruje sieci domowe, więc do redakcji wnosi praktykę z własnego serwera. Nie publikuje zapowiedzi ani parametrów, których nie może odtworzyć na własnym środowisku.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.