Вышел Immich 3.0 — крупнейший релиз open-source альтернативы Google Photos. Главные новинки: Mobile Non-Destructive Editing — редактируй фото на телефоне с возможностью отката; Workflows (Preview) — drag-and-drop визуальный конструктор автоматизаций (триггеры, фильтры, действия); HLS Real-Time Transcoding — конвертация видео на лету с переключением качества; Integrity Checks — ночная проверка файлов: untracked, missing, checksum mismatch; Background Backup — новый планировщик на Android и параллельная синхронизация на iOS. Ещё: Recently Added Page, Slideshow на мобильных, OCR, upload прямо в альбом, вебхуки как workflow action, карта загрузок пользователей. GitHub
Immichself-hostedv3.0photosopen-sourceworkflowsOpen-source утилита, которая решает проблему: ChatGPT читает только транскрипт, Claude не принимает видео, Gemini шлёт в облако. claude-real-video извлекает кадры по смене сцен (scene‑change detection), дедуплицирует почти идентичные кадры (sliding‑window dedup), транскрибирует аудио через Whisper — и отдаёт чистую папку с тем, что реально нужно LLM для понимания видео. Поддерживает URL (YouTube и др. через yt-dlp) и локальные файлы. Работает локально — ничего не уходит в облако. Флаги: `--scene` (чувствительность детекции сцен), `--max-frames` (лимит кадров), `--report` (визуализация keep/drop). GitHub
videoLLMopen-sourceClaudeWhisperscene-detectionMITКоманда Apple WebKit выпустила официальный MCP-сервер для Safari — теперь AI-агенты могут взаимодействовать с Web Inspector через Model Context Protocol. Разработчики могут подключить агента к инспектору Safari: смотреть DOM, CSS, консоль, network requests, и управлять браузером программно. Это важный шаг — крупные браузерные движки начинают нативно поддерживать MCP, стандарт, предложенный Anthropic. Ранее MCP-серверы были только для VS Code, файловой системы и баз данных. Safari MCP Server открывает веб-инспекцию для AI-агентов — дебаг и тестирование без ручного клика. WebKit Blog
AppleWebKitSafariMCPweb developmentdebuggingManticore Search (open-source поисковый движок, форк Sphinx) опубликовала кейс, как ускорили генерацию эмбеддингов через ONNX Runtime в 14 раз. Оптимизации: batched inference вместо поточечного, переиспользование ортогональных матриц, FP16-квантизация, асинхронный конвейер CPU/GPU. Исходный пайплайн выдавал 3 embeddings/сек на CPU — после оптимизаций вышли на ~42/сек. Для поисковых систем, где каждый документ надо заэнкодить, это радикальное снижение задержек. Весь код в открытом доступе — можно применять к любым ONNX-моделям. Manticore Blog
ManticoreembeddingsONNXoptimizationsearchopen-source← На главную ai-tools · Все дайджесты