Конспект: GPT-6 Astra и Images 2.5: Практический гид по мультимодальным агентам, 3D-пайплайнам и вайбкодингу — VibCoderZ - VibeCoderz

Загрузка...

Саммари

🎯 О чём этот конспект: Разбор передовых сценариев применения мультимодальной нейросети GPT-6 Astra и визуальной модели Images 2.5. В конспекте рассмотрены практические кейсы: от роботизированных замкнутых циклов и реверс-инжиниринга видео в 3D-сцены Blender до генерации играбельных игр за 60 секунд, низкоуровневой системной оптимизации и автономных мультиагентных пайплайнов.

👤 Кому будет полезно: Вайбкодерам, разработчикам игр, 3D-моделлерам, видеоинженерам и специалистам по автоматизации, создающим продукты с помощью ИИ-агентов.

✨ Что получите: Пошаговые алгоритмы интеграции мультимодальных агентов в реальные процессы: настройка пайплайнов «видео в 3D», шаблоны промптов для попиксельного редактирования интерфейсов без искажения верстки, а также методы сборки сквозных систем от идеи до готового веб-приложения.

1. Замкнутый цикл в робототехнике: Vision-to-Action без специализированных моделей

Контекст: Долгое время создание роботов, взаимодействующих с физическим миром, требовало узкоспециализированных систем управления и месяцев обучения с подкреплением (RL). В эксперименте инженера CDNGdev модель GPT-6 Astra получила доступ к базовому манипулятору, кисти с реальными красками и веб-камере. Агенту поставили задачу нарисовать мост «Золотые Ворота» на холсте в реальном времени. Модель самостоятельно замкнула цикл обратной связи: делала мазок, анализировала полученное изображение через камеру, вычисляла погрешность и корректировала силу нажима и траекторию кисти на следующем шаге. Задача, над которой институты робототехники бились годами, была решена универсальной моделью за один уикенд.

Тайминг: [00:23]

Выгода: Сокращение затрат на разработку промышленных скриптов манипуляторов с месяцев до нескольких дней за счёт использования высокоуровневого визуального планирования вместо ручного программирования траекторий.

Как применить:

Шаг 1: Подключение обратной связи — Python / OpenCV] — Организуйте непрерывную передачу кадров с камеры рабочего пространства в API агента Astra с фиксацией ключевых точек инструмента и холста.
Шаг 2: Создание контура коррекции — Robot OS / API Astra] — Настройте агентный цикл: кадр $\rightarrow$ анализ отклонения $\rightarrow$ генерация вектора смещения $\rightarrow$ отправка команды роботу.

# Базовый цикл автономной визуальной калибровки манипулятора
import time
import cv2
 
def run_vision_action_loop(robot_client, astra_client):
    camera = cv2.VideoCapture(0)
    while True:
        ret, frame = camera.read()
        if not ret:
            break
        
        # Кодирование кадра и запрос к агенту
        _, buffer = cv2.imencode('.jpg', frame)
        analysis = astra_client.analyze_visual_feedback(
            image=buffer.tobytes(),
            task_goal="Paint the Golden Gate Bridge cables with precise strokes",
            prompt="Analyze current brush stroke accuracy. Output delta X, Y, Z coordinates and brush pressure."
        )
        
        # Применение инструкций агента
        delta_coords = analysis['delta_vector']
        robot_client.send_movement(delta_coords)
        
        if analysis['is_goal_reached']:
            break
        time.sleep(0.5)

Результат: Автономная система точного физического манипулирования, самостоятельно исправляющая собственные ошибки в реальном времени на основе визуального контроля.

2. Анализ видеопотока и преобразование в структурированные данные

Контекст: Традиционный компьютерный трекинг требует комбинации нескольких моделей (YOLO для детекции, DeepSORT для трекинга, кастомных классификаторов поведения). GPT-6 Astra выполняет комплексный видеоанализ «из коробки», распознавая контекст происходящего, владение объектами и скрытые действия. На тестовых футбольных матчах модель отслеживала каждого игрока, определяла момент владения мячом и рассчитывала вектор атаки. В логистических кейсах агент анализировал камеры наблюдения на складе: маркировал всех сотрудников, коробки и тележки, превращая видеопоток в реляционную таблицу событий для выявления фактов краж и потерь инвентаря.

Тайминг: [00:58], [01:33], [02:23]

Выгода: Превращение любых камер видеонаблюдения или спортивных записей в структурированную аналитическую базу данных без необходимости обучать нейросети под каждый отдельный ракурс. Себестоимость обработки составляет порядка $0.20 за секунду глубокого семантического анализа.

Как применить:

Шаг 1: Нарезка и передача ключевых кадров — FFmpeg] — Преобразуйте поток наблюдения в последовательность кадров с сохранением метаданных времени для снижения расходов на инференс.
Шаг 2: Промптинг для извлечения JSON — Astra API] — Сформулируйте системную инструкцию с требованием возвращать только валидный JSON с координатами и типами событий.

SYSTEM PROMPT:
You are an advanced CCTV analysis agent. 
Analyze the input video feed sequence. 
For every person and physical asset (boxes, carts, pallets):
1. Assign a persistent Tracking ID.
2. Detect state changes: [picked_up, moved, concealed, handed_over].
3. Flag any anomalous behavior where an item is moved outside the designated loading zone.

Output strictly valid JSON:
{
  "timestamp": "ISO-8601",
  "entities": [{"id": "str", "type": "person|box", "bbox": [x1, y1, x2, y2]}],
  "events": [{"actor_id": "str", "action": "str", "target_id": "str", "anomaly_score": 0.0-1.0}]
}

Результат: Полная прозрачность физических процессов на объекте и автоматическая фиксация инцидентов в виде готовой структурированной базы данных.

3. Реверс-инжиниринг видео: Восстановление редактируемых 3D-сцен в Blender

Контекст: Стандартный процесс создания контента идёт от концепта и 3D-модели к финальному рендеру или видео. Инженер Axelton продемонстрировал обратный процесс: на вход GPT-6 Astra подаётся короткий видеоролик, а нейросеть декомпозирует его и генерирует полноценную сцену для Blender (.blend). Сцена включает геометрические меши персонажей, пропсы окружения, траектории движения виртуальной камеры и ключевые кадры анимации. Билавал Сидху (Bilawal Sidhu) применил аналогичный подход для расследования авиакатастрофы в Майами: модель обработала видеозапись аварии от NTSB и создала интерактивную цифровую копию места крушения с точными следами заноса, углами столкновения и пространственными метками.

Тайминг: [04:11], [04:56], [05:56]

Выгода: Экономия сотен часов работы 3D-моделлеров и судебных экспертов: возможность мгновенно сменить ракурс камеры в уже случившемся событии, заглянуть за угол или получить вид от первого лица из плоского 2D-видео.

Как применить:

Шаг 1: Подготовка исходного материала — Загрузите видео высокого разрешения или серию панорам (как в кейсе Линуса Экенстама, воссоздавшего домашнюю студию всего из 5 фотографий и 3 панорам).
Шаг 2: Генерация Python-скрипта для Blender — Blender bpy API] — Запросите у агента скрипт для построения сцены и расстановки ключевых кадров анимации.

# Промпт для агента на генерацию скрипта реверс-инжиниринга движения камеры
prompt = """
Analyze the provided video clip of the car overshoot incident.
Generate a Blender Python script (bpy) that:
1. Reconstructs camera focal length, sensor size, and animated transform trajectory (keyframes for loc/rot).
2. Generates low-poly proxy meshes for the runway surface, skid marks, and colliding vehicles.
3. Places spatial text empties indicating collision impact points and velocity vectors.
"""

Результат: Полнофункциональный .blend-файл с реконструированной физикой, камерами и геометрией, доступный для дальнейшего редактирования и симуляций.

4. Контроль композиции через 3D-блокинг и автоматизацию видеомонтажа

Контекст: Сложные кинематографические кадры невозможно получить одной лишь текстовой генерацией: ИИ-генераторы видео часто нарушают тайминги пролёта камеры и траектории объектов. Вайбкодеры используют Astra как связующее звено: модель сначала генерирует черновой низкополигональный 3D-блокинг в Blender с точной хореографией движения, а затем использует эти кадры как структуру для генерации видео через нейросети (например, Hixfield). Кроме того, Astra напрямую управляет монтажным софтом: в After Effects и DaVinci Resolve агент автоматически находит и удаляет лишние объекты (мусор на заднем плане, логотипы, провода), выполняя рутинную работу ротоскопинга за секунды.

Тайминг: [02:43], [03:07], [03:30]

Выгода: Полный режиссерский контроль над композицией и таймингами без случайных галлюцинаций видеомоделей. Освобождение видеомонтажеров от ручного удаления объектов (clean plate / inpainting).

Как применить:

Шаг 1: Создание черновой сцены — Соберите в Blender примитивами (кубы, сферы) траекторию движения камеры и персонажей.
Шаг 2: Виртуальная камера — Подключите смартфон в качестве гироскопического контроллера для задания реалистичной «живой» тряски камеры в Blender.
Шаг 3: Автоматизация постобработки через Astra — Передайте готовый футаж в агент с задачей автоматической зачистки мусора в After Effects через ExtendScript.

// ExtendScript-шаблон для вызова из Astra для автоматического клинапа
var comp = app.project.activeItem;
if (comp && comp instanceof CompItem) {
    var layer = comp.selectedLayers[0];
    // Применение интеллектуального эффекта трекинга и удаления элементов
    var removeEffect = layer.property("Effects").addProperty("Content-Aware Fill");
    removeEffect.property("Fill Method").setValue(1); // Object removal mode
    comp.ramPreview();
}

Результат: Кинематографический видеоролик с попиксельной точностью движения камеры и полностью чистый финальный материал без артефактов съёмки.

5. Генеративный геймдев: От 60-секундных прототипов до открытых 3D-миров

Контекст: Скорость создания прототипов игр с GPT-6 Astra сократилась до минут. Разработчик Ammani воссоздал играбельный прототип Zelda: The Ocarina of Time всего за 60 секунд: модель создала 3D-окружение, базовую геометрию персонажа, контроллер от третьего лица и базовую физику. Другой автор собрал браузерный клон Need for Speed с динамическими тенями, физикой заноса и эффектом motion blur. Более комплексный эксперимент провел Крис: потратив 90 часов на совместную разработку с Astra, он создал открытый мир в стиле GTA Miami с симуляцией мостов, водной глади, трафика, смены погоды и реалистичной физикой полета на самолете. Более того, энтузиасты успешно генерируют нативные игры под старое аппаратное обеспечение (Sony PSP) и используют кастомные движки вроде Thrixle для сборки шутеров в стиле Halo.

Тайминг: [06:10], [06:58], [07:41], [08:04], [08:44]

Выгода: Снижение порога входа в 3D-геймдев: один разработчик за дни и недели реализует объём работы, ранее требовавший студии из 20–30 специалистов.

Как применить:

Шаг 1: Формулирование физического мира — Unreal Engine / Three.js / Astra] — Фокусируйтесь не на правилах игры, а на правилах среды. Задайте параметры гравитации, трения и процедурного спавна ассетов.
Шаг 2: Использование специализированных 3D-агентов — Thrixle / Astra] — Сгенерируйте оптимизированные 3D-ассеты под архитектурный стиль проекта.

PROMPT ДЛЯ ГЕНЕРАЦИИ МЕХАНИКИ ПОЛЁТА В THREE.JS (ASTRA):
Write a self-contained HTML/Three.js script featuring:
1. Low-poly city terrain with collision bounding boxes.
2. An airplane controller with realistic aerodynamics: pitch, roll, yaw, lift coefficient, and stall mechanics.
3. Dynamic chase camera with smooth lerp following the aircraft.
4. Particle exhaust trail and sound synthesis via Web Audio API.
Ensure zero external dependencies other than three.min.js via CDN.

Результат: Полностью играбельный прототип с физикой и рендерингом, запускаемый в любом браузере или экспортируемый в игровой движок.

6. Низкоуровневая системная инженерия и профилирование кода

Контекст: Возможности агента выходят далеко за пределы простого написания кода на верхнем уровне. Пользователь применил Astra для решения проблем совместимости старой игры Age of Empires на современной архитектуре macOS. Изначально игра запускалась через эмуляционные прослойки и выдавала неиграбельные 8 кадров в секунду (FPS). Агент проанализировал логи системных вызовов, узкие места трансляции инструкций и графического API, переписал конфигурацию рендеринга и системные хуки, в результате чего производительность выросла до стабильных 150 FPS.

Тайминг: [08:59]

Выгода: Увеличение производительности устаревшего или неоптимизированного софта почти в 19 раз (с 8 до 150 FPS) без необходимости ручной декомпиляции и ассемблерного профилирования человеком.

Как применить:

Шаг 1: Сбор системных трейсов — Запустите профилировщик (Instruments в Xcode или dtrace) и экспортируйте стек вызовов во время зависаний.
Шаг 2: Передача телеметрии агенту — Отправьте дампы памяти и логи вызовов в GPT-6 Astra с задачей выявления блокирующих операций потока рендеринга.
Шаг 3: Применение исправлений — Внедрите сгенерированные агентом патчи конфигурации, обертки системных библиотек или шейдерные трансляторы.

Результат: Решение системных конфликтов драйверов и многократный прирост частоты кадров без глубоких знаний архитектуры ОС.

7. Модель Images 2.5: Flare против Sunburst и попиксельная консистентность

Контекст: OpenAI представила модель Images 2.5, доступную в двух версиях: Flare (оптимизирована под экстремальную скорость и генерацию больших объемов) и Sunburst (спроектирована для высокоточного, многоитерационного точечного редактирования). В отличие от предыдущих поколений (где попытка изменить один объект неизбежно искажала окружение, двигала персонажа или меняла свет), Images 2.5 обеспечивает микроскопическую изоляцию правок. Это открывает возможность создавать настоящую покадровую stop-motion анимацию: каждый кадр меняет объект всего на несколько градусов или миллиметров при абсолютной неподвижности остальной сцены. Также модель поддерживает ввод в виде грубых набросков (sketch-to-image), превращая примитивные каракули в фотореалистичные рендеры с сохранением композиции.

Тайминг: [09:56], [11:44], [12:15], [17:43]

Выгода: Полный контроль над консистентностью ассетов для коммерческого продакшена. Разработчики получают возможность через API менять конкретную деталь (например, надпись на упаковке товара или одежду на модели), сохраняя позу, свет и айдентику бренда на 100%.

Как применить:

Шаг 1: Выбор режима под задачу — Используйте Flare для быстрых превью-мудбордов; переключайтесь на Sunburst для продакшен-редактирования.
Шаг 2: Точечный инпейнтинг через строгий промпт — Формулируйте промпт с четкой фиксацией неизменных параметров.

PROMPT ДЛЯ РЕДАКТИРОВАНИЯ В SUNBURST (IMAGES 2.5):
Keep everything in the input image exactly the same.
Target: Replace the cat sitting on the couch with a Bengal white tiger cub.
Constraints: 
- Preserve the exact pose, body angle, scale, and eye direction of the original subject.
- Maintain identical background lighting, couch fabric texture, shadows, and camera depth-of-field.
- Zero changes to the surrounding environment.

Результат: Измененная версия изображения без единого сдвига фона, пригодная для покадровой анимации, спрайтов и каталогов товаров.

8. Безупречная типографика, адаптация тем и мультиязычная локализация интерфейсов

Контекст: Исторически генеративный ИИ не справлялся с мелким текстом: на постерах и скриншотах появлялись бессмысленные слова-галлюцинации (как показано на примерах Flux и Nana Banana 2). Images 2.5 рендерит длинные текстовые полосы, газетные колонки и типографику журнала без единой орфографической ошибки. Это позволяет использовать модель для полного проектирования UI/UX: от генерации макетов экранов до мгновенной конвертации интерфейса из светлой темы в темную (Light to Dark mode). Кроме того, модель решает сложнейшую проблему дизайнеров — валидацию локализации. Например, немецкий язык в среднем требует на 30–40% больше пространства для формулировок, чем английский: агент адаптирует верстку UI-компонентов под физические размеры переведенных фраз без слома сетки.

Тайминг: [13:28], [14:36], [16:47], [20:18]

Выгода: Ускорение подготовки дизайн-систем и маркетинговых материалов в 10 раз. Автоматическая проверка верстки мобильных приложений под десятки языков без привлечения команды верстальщиков.

Как применить:

Шаг 1: Генерация базового экрана — Создайте концепт интерфейса через Images 2.5 с нужной типографикой.
Шаг 2: Пакетная локализация UI — Astra + Images 2.5 API] — Передайте изображение экрана с задачей перевести весь текстовый слой на немецкий язык с коррекцией размеров контейнеров.

PROMPT ДЛЯ ЛОКАЛИЗАЦИИ ИНТЕРФЕЙСА:
Input: Mobile banking dashboard screenshot (English).
Task: Localize all visible UI text to German (DE).
Requirements:
1. Maintain exact typographic hierarchy, font family, and colors.
2. Dynamically expand button widths and card paddings to accommodate longer German words without text clipping.
3. Keep all icons, graphs, numeric currencies, and system status bars pixel-identical.

Результат: Набор готовых мультиязычных макетов экранов высокого разрешения, готовых для верстки или передачи разработчикам.

9. Автономные сквозные мультиагентные пайплайны: От текста к готовому веб-приложению

Контекст: Главная парадигма современного вайбкодинга — переход от одиночных промптов к длинным многоэтапным цепочкам, где человек задаёт лишь конечную цель. Автор продемонстрировал этот подход на личном проекте: он поручил GPT-6 Astra превратить своё селфи в пластилинового персонажа (claymation), покадрово сгенерировать анимацию через Images 2.5, скомпилировать это в плавный оптимизированный animated GIF, написать адаптивный веб-сайт для презентации и развернуть его. Вся цепочка — от концепта и визуализации до верстки и публикации — была выполнена моделью полностью автономно без ручного вмешательства.

Тайминг: [18:57], [21:04]

Выгода: Полная автономия разработки типовых микропродуктов и промо-лендингов: сокращение времени от гипотезы до работающего продакшена с нескольких дней до пары минут.

Как применить:

Шаг 1: Формирование мета-промпта архитектора — Задайте сквозной пайплайн с контрольными точками валидации каждого шага.
Шаг 2: Оркестрация через ИИ-агента — Claude Code / Cursor / Astra CLI] — Запустите выполнение пайплайна в терминале с разрешением агенту создавать файлы и вызывать bash-команды.

# AGENT INSTRUCTION: End-to-End Asset & Web Deployment Pipeline
1. Take source image `portrait.jpg`.
2. Call Images 2.5 API (Sunburst): Transform subject into a stop-motion claymation character.
3. Generate 12 sequential frames simulating a 360-degree turnaround, enforcing strict character consistency.
4. Run ImageMagick command to combine frames into an optimized `.gif` or WebP sequence:
   `convert -delay 8 -loop 0 frame_*.png turnaround.webp`
5. Scaffold a modern TailwindCSS landing page showcasing this interactive 3D asset.
6. Verify layout responsiveness and run local dev server (`npx serve .`).

Результат: Готовый опубликованный веб-продукт с уникальным интерактивным ассет-паком, созданный по единой текстовой директиве.

10. Агентные ансамбли в фундаментальной науке и математических доказательствах

Контекст: OpenAI объявила о публикации решения одной из задач тысячелетия — проблемы уравнений Навье-Стокса (описывающей плавность трехмерного движения жидкостей и остававшейся нерешенной около 90 лет). Доказательство было получено не человеком, а координированной группой автономных агентов под управлением модели следующего поколения. Подобные системы выходят за рамки простого кодописания: они самостоятельно формируют гипотезы, проверяют их через внешние формальные среды верификации (Lean/Coq) и проектируют новые белковые структуры за минуты. Это демократизирует научные исследования, убирая барьер сложного специализированного софта.

Тайминг: [21:55], [23:04]

Выгода: Автоматизация исследовательских циклов в наукоёмком бизнесе: ускорение драфта молекул, гидродинамических расчетов и формальной математической верификации алгоритмов.

Как применить:

Шаг 1: Постановка проблемы в формальной среде — Опишите математические ограничения и целевые функции в системе формальных доказательств (например, Lean 4).
Шаг 2: Запуск ансамбля верификаторов — Настройте агентный цикл, где генератор выдвигает шаги леммы, а среда Lean мгновенно компилирует и верифицирует каждый логический переход.

-- Пример структуры верификации, проверяемой агентом в реальном времени
theorem navier_stokes_smooth_solution 
  (u0 : InitialVelocityField) (p0 : InitialPressure) :
  ∃ (u : SpacetimeVelocityField) (p : SpacetimePressureField),
    Smooth u ∧ NavierStokesEquations u p := by
  sorry -- Агент пошагово закрывает пространство доказательства

Результат: Машинно-верифицированное доказательство или научная модель без скрытых ошибок человеческого фактора.

FAQ

В: В чём принципиальная разница между версиями Images 2.5 Flare и Sunburst? О: Flare оптимизирована для максимальной скорости генерации и генерации больших объемов изображений (мудборды, скетчи, быстрый драфтинг). Sunburst предназначена для высокоточного продакшена: она поддерживает сложные многоэтапные правки (multi-turn edits), вносит изолированные изменения в конкретную область изображения и полностью сохраняет остальную композицию неизменной.

В: Сколько стоит обработка видеопотока в реальном времени через GPT-6 Astra? О: Согласно приведенным в видео данным, глубокий попиксельный семантический анализ (с трекингом всех объектов, логированием поведения и извлечением метаданных) обходится примерно в $0.20 за 1 секунду футажа. Для оптимизации затрат на практике используют нарезку по ключевым кадрам (keyframe extraction) через FFmpeg вместо передачи сплошного потока 60 FPS.

В: Действительно ли модель может генерировать файлы .blend напрямую из видео? О: Модель не создает бинарный файл .blend вслепую. Astra декомпозирует видеоряд, определяет пространственные координаты, вектор движения камеры и примитивы, после чего генерирует исполняемый скрипт на Python с использованием библиотеки bpy (Blender API). При запуске внутри Blender этот скрипт выстраивает геометрию, расставляет свет и прописывает ключевые кадры анимации камеры.

В: Как модель справляется с мелким текстом в интерфейсах по сравнению с Flux? О: В отличие от моделей предыдущего поколения (Flux, Nana Banana), которые при генерации мелкого газетного или интерфейсного текста скатываются в нечитаемые псевдослова (галлюцинации), Images 2.5 генерирует орфографически корректный, связный текст даже при крошечном размере шрифта, сохраняя единообразие гарнитур во всем макете.

В: Можно ли с помощью Astra собрать готовую 3D-игру без знания кода? О: Да, на простых примерах (клоны Zelda или Need for Speed на Three.js/WebGL) агент генерирует самодостаточный играбельный код за 60 секунд. Однако для масштабных проектов (как открытый мир в стиле GTA за 90 часов разработки) всё равно требуется вайбкодинг: системное управление архитектурой, разбиение мира на модули и итеративная отладка физических коллизий.

В: Как работает преобразование грубого наброска (Sketch-to-Image) в Images 2.5? О: Пользователь загружает контурный примитивный рисунок, который служит пространственной картой для генератора (ControlNet-подобный механизм). Нейросеть берет геометрические границы и силуэты из наброска, но наполняет их фотореалистичными текстурами, правильным светом и материалами согласно текстовому промпту.

В: Безопасно ли использовать ИИ-агентов для низкоуровневой системной оптимизации ОС? О: Необходимо соблюдать осторожность. В видео показан успешный кейс поднятия FPS с 8 до 150 в старой игре, но агент модифицировал системные библиотеки и трансляторы вызовов. Любые подобные низкоуровневые патчи следует выполнять в изолированных тестовых профилях или виртуальных машинах с предварительным бэкапом системы.

Ресурсы и ссылки

Artlist — Профессиональная креативная платформа с интеграцией генеративных визуальных моделей, включая GPT Images 2.5 — https://artlist.io
Blender — Open-source пакет для 3D-моделирования, анимации и рендеринга, управляемый через Python API (bpy) — https://www.blender.org
Thrixle — Специализированное приложение для процедурного создания 3D-моделей под задачи ИИ-генерации — упомянут в видео
Hixfield — Инструмент для нейросетевого рендеринга сцен на основе трекинга движений камеры — упомянут в видео
DaVinci Resolve — Профессиональный видеоредактор и среда цветокоррекции с поддержкой скриптов автоматизации — https://www.blackmagicdesign.com/products/davinciresolve
Adobe After Effects — Пакет для моушн-дизайна и визуальных эффектов (VFX) — https://www.adobe.com/products/aftereffects.html
Проект Bilawal Sidhu (3D Scan NTSB Crash) — Интерактивная 3D-реконструкция места крушения самолета в Майами — упомянут в видео
Linus Ekenstam — 3D-реконструкция интерьера студии по фото и панорамам — упомянут в видео
Axelton — Эксперимент по реверс-инжинирингу 2D-видео в редактируемые сцены Blender — упомянут в видео

Конспект создан на основе видео «50 Insane New Ways To Use GPT-6 Astra & Images 2.5» канала The AI Advantage. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=eUFdtZLDOo8