Uplynulý týden přinesl v oblasti umělé inteligence výjimečně silnou vlnu novinek. Google představil novou rodinu open-source modelů Gemma 4, Alibaba vypustil multimodální Qwen 3.5 Omni i textový Qwen 3.6 s milionovým kontextem, a Anthropic řešil únik zdrojového kódu Claude Code. K tomu se přidaly desítky dalších nástrojů — od generátorů hlasu přes úpravu videa až po 3D rekonstrukci ze dvou fotografií.
Google Gemma 4 — open-source model pro mobily i servery
Google uvolnil čtvrtou generaci open-source modelů Gemma, odvozenou z řady Gemini 3. Gemma 4 přichází ve čtyřech velikostech — malé modely E2B a E4B jsou navrženy pro mobilní zařízení a edge hardware, zatímco větší varianty s 26 a 31 miliardami parametrů míří na výkonnější sestavy. Verze s 31 miliardami parametrů využívá architekturu Mixture of Experts, kde spolupracuje více specializovaných sítí, což dramaticky zvyšuje efektivitu.
Zásadní je multimodální schopnost — model zpracovává text, obrázky i zvuk v jednom celku. Menší modely nabízejí kontextové okno 120 tisíc tokenů, větší pak 256 tisíc. To odpovídá zhruba 100 tisícům slov nebo hodině zvukového záznamu. Výkonnostně se Gemma 4 blíží modelům, které jsou až 35× větší. Modely jsou volně dostupné ke stažení na Hugging Face a fungují offline na běžném spotřebitelském hardwaru.
Netflix otevřel nástroj na mazání objektů z videa
Netflix překvapivě vstoupil do open-source komunity s modelem nazvaným Void. Nástroj umožňuje z existujícího videa odstranit libovolný objekt — a to včetně interakcí s okolím. Algoritmus dokáže nejen smazat vybraný prvek, ale také dopočítat pozadí tak, aby výsledek vypadal přirozeně. V ukázkách například zmizí míč z videa hráčů, přičemž jejich pohyby zůstanou věrohodné. Kód je veřejně dostupný, ale celková velikost modelu vyžaduje výkonnější grafickou kartu.
GenSearcher — obrázky ověřené webovým vyhledáváním
Nový generátor obrázků GenSearcher řeší chronický problém AI tvorby — faktickou nepřesnost. Než vygeneruje obrázek, nejdříve prohledá web a shromáždí referenční materiály. Chcete infografiku o odlehlých místech s teplotními údaji? GenSearcher najde skutečná data a referenční fotografie a teprve pak sestaví výsledný obrázek. Stejně tak dokáže vygenerovat konkrétní budovu se správným názvem a datem dokončení. Nástroj funguje s libovolným obrazovým modelem — open-source i proprietárním.
Únik zdrojového kódu Claude Code
Anthropic se tento týden potýkal s nepříjemným incidentem. Zdrojový kód jejich AI kódovacího nástroje Claude Code unikl na veřejnost — paradoxně ne hacknutím, ale prostou chybou v balíčkování. V nejnovějším NPM balíčku zůstala přibalená zdrojová mapa, která odhalila čitelný kód napříč téměř dvěma tisíci souborů.
Než stihl Anthropic balíček stáhnout, kód se rozšířil po internetu — byl zrcadlen, stažen a forkován na mnoha místech. Vývojáři v něm objevili skryté příznaky funkcí, nepublikované nástroje a kompletní systémové prompty. Mezi kuriozitami figuroval například virtuální mazlíček jménem Buddy, který měl sedět vedle uživatele při kódování, nebo režim agenta na pozadí, který by mohl přes noc revidovat vlastní paměť a reagovat na události.
Důležité je upřesnit, že neunikla samotná AI ani trénovací data — pouze agenční framework, tedy to, jak Claude Code orchestruje volání nástrojů, správu paměti a kontext. Přesto jde o významný únik, protože odhaluje inženýrské know-how, které představovalo konkurenční výhodu na trhu kódovacích asistentů.
Qwen 3.5 Omni — multimodální model, který rozumí všemu
Alibaba představil model Qwen 3.5 Omni, který zpracovává text, obrázky, zvuk i video v jednom modelu. K dispozici je ve dvou verzích — větší a výkonnější, a menší, která je rychlejší. V benchmarcích překonává i Googlem vyvinutý model Gemini ve většině úloh, což je pozoruhodné.
V ukázkách model analyzoval video a na základě toho napsal funkční kód — například hru Snake, kterou následně iterativně vylepšoval podle dalších videoinstrukcí. Dokáže přepisovat video, popisovat scény a identifikovat jednotlivé mluvčí. Model je zdarma k vyzkoušení na Hugging Face i na platformě Alibaby.
Qwen 3.6 — textový model s milionovým kontextem
Současně s multimodálním Omni vydal Alibaba i textový Qwen 3.6 s kontextovým oknem o kapacitě jednoho milionu tokenů — to odpovídá více než 700 tisícům slov. Model vyniká ve schopnostech agentního programování, tedy v propojení s kódovacími frameworky. Podporuje rovněž analýzu obrázků a videa. Podle benchmarků konkuruje nejnovějším uzavřeným modelům včetně GPT a Claude.
OmniVoice — klonování hlasu ve stovkách jazyků
Nový nástroj pro syntézu řeči OmniVoice dokáže naklonovat jakýkoliv hlas z pouhých několika sekund nahrávky a následně tímto hlasem mluvit v libovolném jazyce. Nejenže zachovává barvu hlasu, ale i intonaci, přízvuk a emoční zabarvení. V ukázkách naklonovaný hlas plynule přepínal mezi angličtinou, čínštinou a japonštinou, aniž by ztratil charakteristický zvuk originálu.
Systém zvládá i generování emocí — smích, překvapení, nespokojenost — přímo z textového promptu. Model má dvě varianty: větší s 3,5 miliardami parametrů a menší, která se vejde do 6 GB a běží na spotřebitelských grafických kartách. Celý kód je open-source.
DreamLite — generátor obrázků pro telefony
ByteDance představil DreamLite, kompaktní obrazový model s 1,5 miliardami parametrů, který dokáže generovat i editovat obrázky přímo na mobilním telefonu. Na iPhonu vytvoří obrázek v rozlišení 1024×1024 za přibližně tři sekundy. Kvalitou se přitom blíží špičkovým modelům — věrně zachycuje detaily jako texturu kůže nebo srsti. Podporuje rovněž editaci existujících fotografií, například přidání stylových filtrů nebo odstranění objektů.
GLM-5V Turbo — kódování z obrázků a wireframů
Čínská laboratoř ZAI, tvůrce modelů GLM, vypustila GLM-5V Turbo — model specializovaný na generování kódu z vizuálních vstupů. Stačí nahrát ručně nakreslenou skicu, wireframe nebo screenshot existujícího webu a model vytvoří odpovídající HTML/CSS kód. V benchmarcích překonává i konkurenční Kimi K2.5. Model je dostupný přes API a funguje s agentními frameworky jako Open Claw nebo Claude Code.
Wan 2.7 — nová generace videí se zvukem
Alibaba pokračuje v sérii Wan aktualizací. Wan 2.7 přináší generování videa s nativně integrovaným zvukem — hudbu i zvukové efekty vytváří přímo jako součást videa. Kromě textového promptu akceptuje i referenční obrázky a umožňuje přizpůsobit styl výstupu. Současně vyšel i Wan 2.7 Image, generátor a editor obrázků, který klade důraz na rozmanitost — obličeje mají různé struktury kostí, etnicity a proporce, což řeší častou kritiku předchozích modelů za příliš uniformní výstupy.
LGTM — 3D scéna ze dvou fotografií
Nový nástroj LGTM dokáže ze dvou běžných fotografií rekonstruovat kompletní 3D scénu v rozlišení až 4K. Na rozdíl od konkurenčních přístupů, které se při vyšším rozlišení hroutí, používá LGTM méně bloků s texturami místo tisíců bodů, což výrazně snižuje výpočetní nároky při zachování kvality. Autoři zatím zveřejnili pouze výzkumnou práci bez kódu, ale výsledky jsou aktuálně nejlepší ve své kategorii.
Další zajímavé nástroje týdne
Výčet novinek doplňuje TokenDial pro jemné ovládání síly efektů ve videu pomocí posuvníků, Seethrough pro rozklad anime obrázků na samostatné vrstvy, Hybrid Memory pro konzistentní paměť ve video modelech nebo HandX — rozsáhlý dataset pohybů lidských rukou pro trénink humanoidních robotů. Google rovněž představil techniku stabilizace AI videí, která udržuje scénu prostorově konzistentní bez nutnosti přetrénování modelu.
Shrnutí
Tento týden dominoval open-source. Google, Alibaba, ByteDance i Netflix zveřejnily modely, které ještě nedávno existovaly pouze za zavřenými dveřmi. Gemma 4 přináší multimodální schopnosti na mobilní zařízení, Qwen 3.5 Omni překonává benchmarky etablovaných hráčů a nástroje jako OmniVoice nebo DreamLite demokratizují tvorbu obsahu. Únik Claude Code pak připomíná, že i špičkové AI firmy mohou selhat v základních bezpečnostních procedurách.
