Штучний інтелект: Тиждень, що вибухнув надновою!
Привіт, друзі! З вами Ліла Харт. Цього тижня я почувалася як Шерлок Холмс, якому раптом відкрилося те, що здавалося неможливим – дедукція. Новини зі світу ШІ сипались як з рогу достатку, заповнюючи мої записи хаотичним танцем цифр і літер. Мозок ледь встигав обробляти інформацію. Все мало вигляд підготовки до великого вибуху, і він стався! Google, OpenAI, Nvidia – ці компанії не просто презентують новинки, а влаштовують справжні техно-феєрверки. Багато з них пролетіли так швидко, що ми їх ледь помітили. Хочете зазирнути за лаштунки цих неймовірних подій? Тоді пристебніть ремені, бо ми вирушаємо туди, де вигадка стає реальністю швидше, ніж ви встигнете зварити каву.
1. GPT 5.2: маленький крок чи стрибок уперед?
Почнемо з того, про що, можливо, ви вже чули: OpenAI випустили GPT 5.2. Це як отримати новий, потужніший смартфон, але зі старим дизайном, тільки з трохи кращою камерою. Так можна описати GPT 5.2 – “невелике оновлення” порівняно з GPT 5.1. Деякі функції стали кращими, інші – ні.
Наприклад, з’явився новий “високодумний” режим для професійних користувачів. Я уявляю його у вигляді старого мудреця, який довго розмірковує над складним питанням, а відповідь може зайняти від години до двох. Уявіть, що ви просите рецепт борщу і отримуєте його лише через дві години. Пітер Гостев провів експеримент, де GPT 5.2 створив 3D-модель Золотих Воріт у Сан-Франциско, і результат вражає. Я б назвала це однією з найкращих моделей мосту, які я бачила від ШІ. Раджу переглянути його 10-хвилинний аналіз на X (колишній Twitter) [https://twitter.com/petergostev/status/1798361730704455077], якщо вам цікаві деталі.
Але диявол, як завжди, криється в деталях. Якщо поглянути на показники продуктивності та ціну, GPT 5.2 вже не виглядає таким блискучим. За деякими тестами, наприклад, від Chubby’s Simple Bench, він виявився гіршим за деякі інші моделі, як-от Claude 3.7 Sonnet чи Gemini 2.5 Pro. Це трохи нагадує “запах дрібних моделей” – коли щось здається занадто простим, щоби бути правдою.
Водночас оригінальний GPT 5 Pro все ще тримається на вершині, випереджаючи Claude Opus 4.5 та Gemini 3 Pro Preview. Все це говорить, що зараз усі лідери серед великих мовних моделей (LLM) надзвичайно потужні. Але це ще не вся картина. Бенчмарки – це тільки частина історії, а реальний користувацький досвід може зовсім відрізнятися.
Мій друг з Discord-сервера, Адам Халтер, написав у X, що GPT 5.2 дуже креативний. У тесті на генерацію нових функцій розробки він показав себе чудово. ChatGPT – один з моїх щоденних інструментів, тому я теж погралася з GPT 5.2. Чесно кажучи, це не такий вже й великий стрибок. Можливо, в окремих аспектах, як-от креативність, він став трохи кращим. Дехто каже, що й у математиці він став сильнішим, але я особисто великої різниці не помітила.
І ще один момент: за словами Chubby, GPT 5.2 – одна з найбільш цензурованих моделей. Gemini 3 Pro Preview, навпаки, виглядає однією з найменш цензурованих. Знову ж таки, бенчмарки не завжди відображають реальність. Мушу визнати, що останнім часом мені частіше доводиться отримувати відмови від OpenAI, ніж від Google, як у генерації зображень, так і з великими мовними моделями.
Цікаво знати: Чим більше даних обробляє модель, тим складніше їй уникнути “упередженості”. Ось чому цензура стає такою важливою темою.
2. NVIDIA: відкриваючи двері у світ відкритого коду
Тепер перейдемо до NVIDIA. Вони зробили справжній подарунок розробникам, відкривши доступ до своєї нової моделі Nemotron 3 (з сімейства Neotron), яка є “сумішшю експертів” (Mixture of Experts). Це як у команді, де кожен фахівець відповідає за свою ділянку роботи, і разом вони роблять дива.
Ця модель не просто перевищує старі відкриті моделі від OpenAI, а й працює у 2-3 рази швидше! Пре- та пост-тренінгові дані відкриті, є навіть бібліотека для навчання з підкріпленням – Nemo Gym. Це просто знахідка для тих, хто хоче тренувати чи доналаштовувати власні моделі, особливо для агентських робочих процесів.
Модель вже доступна на Hugging Face. NVIDIA могли б і не ділитися цим, але вони вирішили це зробити. І, на мою думку, це правильний крок. Це як дати учням найкращі інструменти, щоб вони могли творити нове.
3. Google: на повній швидкості до перемоги!
Google зараз нагадує гонщика, який натиснув педаль газу в підлогу. Вони явно націлені обійти OpenAI, Anthropic, XAI – всіх! Це видно по тому, як швидко вони випускають нові продукти.
Gem AI від Google Labs: Уявіть, що ви можете перетворити свої запити на інтерактивні міні-додатки на вашому комп’ютері. Це вже не просто відповіді чат-бота, а справжні інструменти для повсякденних завдань. Наприклад, “Recipe Genie” – ви фотографуєте вміст свого холодильника, а він пропонує вам страви. Або “Claimation Explainer” – перетворює будь-яку тему на анімовану інфографіку. Це трохи нагадує GPTs від OpenAI, але тут є щось більше: чіткі кроки та користувацькі інтерфейси, які повністю відокремлені від традиційного Gemini. Це вже серйозніший рівень.
Disco від Google Labs: Це експеримент, що відкриває нові можливості генеративного ШІ у веб-браузері. Їхня перша фішка – Gen Tabs, яка дозволяє “реміксувати” ваші відкриті вкладки в кастомні додатки, щоб “отримати більше від вебу”. Мене це просто захопило! Це як мати особистого помічника, який розуміє, що ви робите в браузері.
Уявіть: ви досліджуєте тему ентропії для наукового проекту. Gen Tabs може створити додаток, який візуалізує ентропію за допомогою інтерактивних симуляцій. Цей додаток, звісно, працює на базі Gemini 3, має чудовий інтерфейс і добре справляється з кодом. Хоча генерація може бути не моментальною, результат – справжня симуляція! А ще є інструменти для порівняння меблів у кімнаті, ігри на пам’ять… Це вражає. На жаль, поки що у списку очікування.
CC від Google Labs: Ще один експериментальний AI-агент у Gmail. Він надсилає вам ранкові брифінги про ваш день та готовий допомогти за запитом. Є можливість підписатися на ранній доступ, але поки що лише для США та Канади, і тільки для платних підписників. Це трохи засмучує, але я все одно хочу його спробувати. Нарешті, компетентний email-агент прямо в Gmail!
Живий переклад від Google: А тепер найцікавіше. Google представляє те, що Apple лише обіцяла – майже реальний живий переклад під час відеодзвінків чи особистих розмов. Це ніби магія! Уявіть, ви можете спілкуватися з будь-ким зі світу, незалежно від мови. Це революція для подорожей, освіти, для подолання культурних бар’єрів.
Це працює через додаток Google Translate з будь-якими навушниками. Я бачила демонстрацію: людина запитує поради щодо відпустки, і її співрозмовник, говорячи іншою мовою, чує переклад майже миттєво. Це неймовірно! І це не тільки для телефону, але й для відеодзвінків. Коли ця технологія стане нормою, світ стане набагато ближчим.
Гумористичне застереження: Не дивуйтеся, якщо ваш співрозмовник раптом почне говорити як робот. Це просто нові навушники з AI-перекладачем!
4. Gemini 3 Flash: швидкий, дешевий, майже такий самий розумний!
Google не зупиняється. Вони випустили Gemini 3 Flash – і це справжня бомба! Лише через місяць після появи Pro, Flash вийшов майже таким самим розумним, але в чотири рази дешевшим і значно швидшим.
Для розробників, які будують додатки, де потрібна LLM, Gemini 3 Flash – це неймовірний вибір. Звісно, Gemini 3 Pro дасть найточніші відповіді і менше “галюцинацій”, але для багатьох задач Flash – це те, що треба.
Порівняння швидкості вражає: Flash створює 3D-симуляцію пташок набагато швидше, ніж Pro. А ось симуляція погоди – Pro робить це краще. Це свідчить про те, що ці моделі можуть бути “вишеньками на торті”, але саме Flash додає швидкості та економії.
Багато хто погоджується: Gemini 3 Flash – це фантастичний випуск. Якщо Gemini 2.5 Pro був “найкращим у своїй ваговій категорії”, то Flash зараз його наздоганяє, пропонуючи співвідношення ціни та якості, що здається майже магією.
І ще один тест – Pokemon Crystal Benchmark. Gemini 2.5 Pro ледь дійшов до Elite 4, пройшовши гру за 445 годин. А Gemini 3 Pro – вклався в 400 годин, пройшов Elite 4 і навіть переміг Red! Це вражає. 2.5 Pro був компетентним, але 3 Pro – це щось видатне.
5. OpenAI: зображення стають ще кращими!
OpenAI теж не сплять. Вони випустили ChatGPT Images 1.5, свою нову флагманську модель генерації зображень. І, скажу я вам, вона справді набагато краща. Вона майже конкурує з NanoBanana Pro (якщо ви знаєте, про що я).
У плані узгодженості, слідування інструкціям та загальної спроможності, NanoBanana Pro, на мою думку, все ще трохи попереду. Images 1.5 інколи “галюцинує” більше і виглядає менш реалістично. Але вона значно швидша за стару версію генерації зображень і забезпечує дуже точне редагування та збереження деталей. Це безсумнівно краще за оригінальний NanoBanana.
Їхній приклад показує, як можна змінювати стиль селфі, робити нові зачіски – і все це виглядає неймовірно реалістично. Хоча, іноді деталі можуть бути дивними. Наприклад, на одному зображенні руки дівчини виглядають як матеріал батута. NanoBanana Pro, ймовірно, такого б не пропустив.
Але що мене особливо вразило – це можливість “витягнути” зображення з поля введення на мобільному пристрої, щоб отримати нерозмиту версію “відхиленого” результату. Це нагадує старі добрі часи експериментів з GAN-моделями.
Ply, до речі, зумів “зламати” цю модель і отримати відверті зображення. Звісно, я не можу це показати тут, але посилання будуть в описі [Вставте сюди посилання].
Я також порівняла Images 1.5 з NanoBanana Pro, створюючи рекламу в стилі 50-х. Обидві моделі чудово мене скопіювали. OpenAI запропонували щось більш реалістичне, з більшою кількістю деталей. NanoBanana Pro – точніший і “чистіший”.
Ще один момент – співвідношення сторін. NanoBanana Pro має ширший вибір, тоді як Images 1.5 пропонує лише три варіанти.
Звісно, складні завдання, як-от діаграма двигуна, – це виклик для обох. Обидві моделі були вражаючі, більшість міток правильні, але є дублікати і неточності. NanoBanana Pro виявився точнішим, хоча і він, і Images 1.5 далекі від ідеалу. GPT-4, наприклад, пропустив цілий поршень!
Але для коміксів Images 1.5 – це щось! Текстові бульбашки іноді переплутані, але стиль – просто чудовий. Є характер, життя, і текст майже ідеальний. До того ж, ця модель може генерувати досить дивні і незвичні меми. Вона має більше художнього стилю, ніж NanoBanana Pro.
6. Під поверхнею: приховані перлини ШІ
Тепер перейдемо до того, що пройшло трохи непоміченим.
EgoX: відео від першої особи: Уявіть, що ви можете взяти будь-який відеофрагмент (наприклад, зі сцени з фільму) і створити з нього відео від першої особи. Як це – бути тим персонажем? EgoX робить це неймовірно точно, відтворюючи рухи рук, голови, погляд. Це виглядає як запис з нагрудної камери, але насправді це фокус на очах персонажа. Це вражає! Потенціал для робототехніки чи генерації синтетичних даних величезний.
Hunyuan World 1.5: світ відкритих можливостей: Це нова світова модель з реалістичною взаємодією в реальному часі. Ви можете просто “ходити” сценами, які генеруються на льоту. Це як генеративне відео, але інтерактивне. Ви натискаєте кнопку – і рухаєтесь вперед. Це як Google Genie 3, але повністю відкрита!
Міні-виклик: Спробуйте уявити, як би ви могли використати такий інструмент для своєї роботи чи хобі.
Модель вже на GitHub [Вставте сюди посилання], Hugging Face [Вставте сюди посилання], і доступна для безкоштовного тестування (хоча сайт китайський, можливо, знадобиться реєстрація). Це справді чудовий крок для open-source спільноти.
Демонстрації вражають: різдвяна сцена, де персонаж рухається в першому та третьому обличчях. Або панда, що гуляє бамбуковим лісом. Деталізація, освітлення, навіть ефект “пухнастого” хутра – все на висоті. Для open-source моделі – це неймовірно.
А ще є 3D від Hunyuan 3D 3.0: точність у три рази вища, вища роздільна здатність. Генерує 3D-об’єкти з тексту, зображень чи скетчів. Це вже професійний рівень, який за лічені хвилини створює складні асети. Колись 3D-моделі від ШІ виглядали як пластилінові монстри, а зараз – зовсім інший рівень. Ці моделі можна використовувати в іграх, анімувати.
Runway ML World Model: Runway ML також працює над своєю світовою моделлю. Вона виглядає ще більш інтерактивною та динамічною, ніж та, що від Hunyuan. Хоча це й закрита розробка, вірю, що її зроблять доступною для нас. Якщо 2025 рік був роком відеомоделей, то 2026-й, можливо, стане роком світових моделей. Ми будуємо “голодеки” (HoloDecks)!
Runway також представили Gen 4.5 – відео модель з підтримкою звуку. Хоча, у моєму тестуванні, вона була трохи “кашоподібною” і не мала такої якості, як інші провідні моделі.
Alibaba WAN 2.6: Оновлення попередніх WAN-моделей. Ймовірно, буде open-source. Пропонує кастомних персонажів, багаті наративи та генерацію аудіо. 50 центів за 5-секундне відео – це дуже привабливо.
Luma Labs Ray 3 Modify: Ще один інструмент для редагування відео. Кількість оновлень у сфері AI-відео просто приголомшує. Ми переживаємо золоту добу AI-продуктів.
Microsoft Trellis 2: І ще одна 3D-модель від Microsoft. Виглядає вражаюче, вища роздільна здатність, більш реалістичні деталі. Вона добре передає текстури металу, дерева, кераміки, їхні фізичні властивості, відблиски. Скоро ваші LLM будуть допомагати створювати асети для ігор за допомогою таких моделей! Trellis 2 доступний на Hugging Face [Вставте сюди посилання].
Grok Imagine: Так, я бачила коментарі про Grok Imagine. Він постійно оновлюється, покращується когерентність відео та аудіо. Але залишається обмеженим 6-секундними згенерованими кадрами. Хоча він стає кращим, зараз є багато інших відеомоделей з більшою контрольованістю та гнучкістю.
PersonaLive від Wildminds: Це модель на основі Stable Diffusion для реалістичного Vtuber-застосування. Працює в реальному часі, з нескінченною довжиною, 15 кадрів на секунду і мінімальною затримкою. Вона вражаюче захоплює міміку обличчя. Це дивовижно, як AI перетворив це на доступну річ. Модель відкрита, її можна завантажити [Вставте сюди посилання]. Це трохи лякає, але водночас і захоплює. Можливість стати будь-яким персонажем, яка ще недавно була на межі фантастики, тепер реальна.
Висновок: це тільки початок!
Друзі, це був справді шалений тиждень у світі ШІ. Від оновлень LLM до революційних інструментів для створення контенту – здається, ми живемо у майбутньому, яке ще вчора було лише науковою фантастикою.
Я знаю, що багато з цього може здаватися складним, але найголовніше – це розуміти, що ці технології покликані полегшити наше життя, розширити наші можливості та допомогти нам творити.
Що далі?
- Не бійтеся експериментувати: Спробуйте доступні інструменти, пограйтеся з ними. Найкращий спосіб зрозуміти – це зробити самому.
- Слідкуйте за новинами: Світ ШІ змінюється щодня. Підпишіться на надійні джерела (як-от мій блог ) та будьте в курсі.
- Приєднуйтесь до спільноти: Обговорюйте, діліться досвідом. Discord-сервери, форуми – це місця, де народжуються нові ідеї.
Підсумовуючи, цей тиждень став справжнім вибухом креативності та інновацій у сфері штучного інтелекту. Ми спостерігали за розвитком потужних мовних моделей, проривами у генерації зображень та відео, а також за становленням нових, захопливих 3D-світів. Важливо не просто спостерігати, а брати активну участь у цьому процесі, досліджуючи, навчаючись і, можливо, навіть створюючи щось власне.
У майбутньому нас чекає ще більше неймовірних відкриттів. А поки що – насолоджуйтеся цими дивовижними інструментами та досліджуйте безмежні можливості, які вони нам надають!
До наступної зустрічі, і нехай ваші AI-експерименти будуть успішними!
