Выпуск 1: что вышло 20 октября
День получился техническим. Ни одна компания не выпустила новую флагманскую модель для рекламы, зато три команды показали, как видео перестаёт быть файлом и становится средой: тренажёром, геометрией и объектом проверки.
Ниже три новости с первоисточниками. У каждой есть строка о том, почему она важна для тех, кто заказывает видео, и оговорка о том, где заканчиваются факты.
Генерация видео нейросетью: хирургический симулятор NVIDIA
NVIDIA выложила Cosmos3-H-Dreams (https://huggingface.co/blog/nvidia/cosmos3-h-dreams), генеративный симулятор, который строит сцену операции и меняет её в ответ на команды инструмента. Модель обучена на записях клинических холецистэктомий, операций по удалению желчного пузыря, сделанных на платформе CMR Surgical Versius.
Устройство простое по описанию и тяжёлое по исполнению. В кадре два инструмента, левый зажим и правый монополярный крючок. Модель принимает 28 измерений действий: положение и сжатие обеих рук, управление энергией, оси и кнопки стика. Обучение шло на видео 832 на 480 при 10 герцах.
Дальше начинается инженерия. Сначала обучается двунаправленный учитель на 24 будущих кадрах, затем горизонт растягивается до 72 кадров, это 2,4 и 7,2 секунды. Из учителя дистилляцией получают причинного студента, который генерирует видео короткими блоками по мере поступления команд. Первый чекпойнт работает за четыре шага денойзинга, второй за два. Второй обучен отдельно: из первого его не получают сменой числа шагов.
Потоковый рантайм FlashDreams держит длинные прогоны, а модуль FadeMem сжимает растущий кеш внимания. Всё это работает в интерактивном режиме на одной карте RTX PRO 6000. Код лежит на GitHub, чекпойнты на Hugging Face, есть рецепт дообучения на своих данных.
Почему это важно: по словам NVIDIA, это первый публичный пример видео, управляемого действием: команду даёт инструмент, промпт остаётся описанием сцены. Для заказчика такое видео означает тренажёр, который можно переснимать бесконечно и на котором можно отрабатывать редкие сценарии. Для рынка это заявка на новый класс задач: среда, где учат людей, вместо ролика про продукт.
AEON: из видео собирается 4D-сцена
Вторая новость пришла из arXiv. Работа AEON (https://arxiv.org/abs/2610.28631) объединяет два подхода к мировым моделям: видеогенераторы, которые дают реалистичную картинку без геометрической связности, и 3D-генераторы, которые дают связную геометрию без движения.
Авторы работают в латентном пространстве видео и предсказывают 4D-гауссианы, примитивы, из которых потом рендерится сцена. Отдельная модель восстановления учится предсказывать эти примитивы и позы камеры по монокулярному видео, а доменный адаптер переводит латентные представления генератора в представления восстановителя. Результат можно обойти камерой, как обычную 3D-сцену, и он сохраняет динамику.
Работа принята на NeurIPS 2026, страница проекта открыта. Независимого сравнения с промышленными моделями на реальных съёмках пока нет.
Почему это важно: если подход масштабируется, исчезает граница между генерацией и съёмкой. Один проход камеры по объекту даёт сцену, из которой потом собирают любой ракурс. Для съёмок это экономия на повторных выездах, для монтажа это новый тип исходника, который не является файлом.
Детектор копий в сгенерированном видео
Третья работа, Copyright Leakage Detection in AI Generated Videos (https://arxiv.org/abs/2610.28524), отвечает на вопрос, который чаще задают юристы, чем инженеры: воспроизводит ли модель чужой материал.
Авторы собрали набор из 50 защищённых концептов по 5 изображений. Для каждого концепта сделали по 5 видео двумя способами: по картинке с промптом и только по промпту. Детекция сведена к поиску: кадры ролика превращаются в усреднённые эмбеддинги и сравниваются с базой эмбеддингов защищённых изображений, порог один, самая близкая ссылка идёт как доказательство.
В экспериментах авторы сообщают о точности 99,6 процента при одном пропуске. Данные выложены на Zenodo, код на GitHub, работа принята на ICECER 2026.
Почему это важно: до сих пор проверка на плагиат в видео была ручной. Появление публичного метода с открытым кодом означает, что претензию можно будет подкрепить расчётом вместо ссылки на глазомер. Для студии это ещё и аргумент в разговоре с клиентом, который приносит референс с чужой графикой.
Что общего у трёх новостей
Первое: все три источника открывают артефакты. У NVIDIA это чекпойнты и код, у AEON страница проекта, у детектора данные на Zenodo и репозиторий. Проверить чужие цифры теперь можно без письма авторам.
Второе: каждую из трёх задач раньше решали съёмкой или руками. Операцию отрабатывали на тренажёре, геометрию собирали по кадрам, копии искали глазами. Видео переходит из категории результата в категорию инструмента: из него получают управляемую среду, геометрию и доказательство.
Третье: у всех трёх одинаковое слабое место, независимая проверка на чужих данных. NVIDIA училась на одной операции, AEON сравнивает на своём наборе, детектор проверен на 50 концептах. Пока это работы про метод; готового продукта за ними нет.
Что это меняет для заказчика
Все три новости про одно: видео обрастает слоями, которые раньше жили отдельно. Действие, геометрия, проверка прав. Заказчику это даёт три практических вывода.
Первый: тренажёры и обучающие сцены становятся отдельным жанром. Там, где нужна повторяемость и редкие ситуации, генеративное видео уже конкурирует с натурной съёмкой. Изготовление видео с помощью нейросетей всё чаще начинается с вопроса «что должно произойти в кадре»; вопрос «как это снять» уходит на второй план.
Второй: требования к исходникам растут. Если сцену можно обойти камерой, клиент приносит один облёт и ждёт пять ракурсов. Ручные ролики в таких проектах остаются там, где нужна актёрская игра и точная драматургия: от 16 000 ₽ за ролик до 90 секунд, срок около недели.
Третий: проверка прав переходит в техническую плоскость. Детектор копий и открытые наборы данных упрощают разговор о референсах. Для потоковых проектов, где важна уникализация видео и объём, это ещё и способ отсеять материал с чужими элементами до публикации.
Для тех, кто выбирает инструмент, полезен обзор нейросетей для видео: там собраны модели по задачам, громкость анонсов аргументом не считается.
Где заканчиваются факты
Оговорки важны, потому что все три источника написаны авторами своих разработок.
Cosmos3-H-Dreams это исследовательский симулятор. NVIDIA прямо пишет, что система не валидирована для лечения пациентов. Реалистичная картинка при этом не доказывает биомеханическую точность. Модель училась на одном типе операции и на одной платформе, перенос на другие вмешательства требует своих данных.
AEON показывает результаты на стандартных бенчмарках, независимого теста на промышленных съёмках нет. Сравнение с коммерческими мировыми моделями авторы проводят на своём наборе.
Детектор копий проверялся на 50 концептах, это небольшая выборка, и точность 99,6 процента получена на ней же. Как метод поведёт себя на длинном ролике с монтажными склейками, из препринта не следует.
