Как это работает:
- Локальная запись. Приложение захватывает аудио с вашего микрофона или системного звука, не требуя участия бота в конференции. Это позволяет работать с Zoom, Google Meet, Microsoft Teams и другими платформами. 
- Многоязычная транскрипция. Поддерживается более 100 языков с автоматическим определением языка. 
- ИИ-анализ. На основе транскрибации сервис создаёт резюме, выделяет ключевые моменты, решения и пункты действий. 
- ИИ-ассистент (Copilot). Во время встречи можно задавать вопросы ассистенту, чтобы уточнить детали или получить контекст. Есть специализированные режимы (например, для мозгового штурма или перевода). 
- Подготовка к встрече. Можно заранее подготовить повестку и тезисы прямо в событии календаря, и они появятся в интерфейсе при начале записи. 
- Интеграции. Готовые заметки и пункты действий можно автоматически экспортировать в Notion, Google Docs, Linear, Jira, Confluence и другие инструменты. 

Ключевые особенности:
- Мультимодельный ИИ. Можно выбрать одну из ведущих моделей (Claude, GPT, Gemini, Perplexity) или использовать собственный API-ключ. 
- Шаблоны встреч. Встроенные форматы для ежедневных стендапов, ретроспектив, продаж и других типов встреч, а также возможность создавать свои. 
- Поиск по истории. ИИ запоминает контекст прошлых встреч, что позволяет задавать вопросы о деталях, о которых договаривались несколько недель назад. 
- Тренер по речи. Помимо заметок, Spellar анализирует вашу речь: отслеживает слова-паразиты, даёт обратную связь по произношению, грамматике и чёткости. 

Она может помочь вам писать код, редактировать файлы, выполнять команды, а также создавать графики и диаграммы. Вы выбираете модель, папку проекта и права доступа для ее инструментов. Вы также можете изменить ее имя и характер.
При использовании локальной модели Jenny обрабатывает ваши запросы на вашем компьютере и сохраняет там диалоги. Для локального чата вам не нужна учетная запись или ключ API. Ollama запускает модель; vLLM — еще один поддерживаемый вариант.
Jenny построена на основе моделей меньшего размера, примерно с 9–35 миллиардами параметров. Насколько хорошо она справится с задачей, зависит от выбранной вами модели и вашего оборудования. Ожидайте ошибок, особенно при выполнении сложных задач, и проверяйте код и команды, прежде чем полагаться на них.
Установка на Windows:
Скачайте Jenny-Setup-x64.exe и запустите его. Никаких страниц мастера не требуется. Установщик создает ярлык Jenny на рабочем столе.

Новая версия после майской MiniCPM5-1B рассчитана на локальный запуск. По индексу Artificial Analysis модель лидирует среди открытых моделей до 4 млрд параметров. В обновлённой версии индекса v4.2 балл чуть ниже, но MiniCPM5-2B всё равно первая в своём классе — вровень с Qwen3.5 9B, которая в четыре раза больше.

💼 Главная сила — агентные задачи: на τ³-Banking делит первое место среди малых моделей, на GDPval-AA опережает всех. Слабее в знаниях, терминальном программировании и длинном контексте. Расход токенов на задачу втрое меньше, чем у Ling 3.0 Tiny.

Контекст 128K, вызов инструментов, цепочки рассуждений. После SFT на 400 млрд токенов и RL в модель дистиллировали 16 экспертных моделей, включая 5 агентных (OPD). Вместе с весами авторы открыли данные, рецепт и RL-стек.

Веса под Apache 2.0, доступны форматы GGUF, MLX, GPTQ и черновая DSpark для ускорения. Есть демо.

Ling-3.0-flash-VL - нативная мультимодальная модель нового поколения. Она создана на основе Ling-3.0-flash и включает визуальную информацию в полный процесс понимания, логического мышления, действий и проверки, выходя за рамки восприятия изображений и видео и решая реальные задачи с помощью зрения. 
Ling-3.0-flash-VL с общим количеством параметров 124 млрд, активированными параметрами всего 5,5 млрд на токен, поддержкой изображений и видео и контекстным окном до 1 млн токенов обеспечивает мощные мультимодальные логические и агентные возможности с исключительной эффективностью.

Обзор модели:
Ling-3.0-flash-VL унаследовала языковые, логические и контекстные возможности Ling-3.0-flash, дополнив их собственным пониманием изображений и видео. Модель имеет 124 миллиарда параметров, из которых только 5,5 миллиарда активируются для каждого токена, и поддерживает контекстное окно до 1 миллиона токенов.

Архитектура Ling-3.0-flash-VL предназначена для интеграции визуальной информации в логические и агентные рабочие процессы.

- Визуальный кодировщик ViT извлекает элементы из изображений и видео, в то время как двухслойный MLP-проектор выравнивает визуальные элементы с текстовыми представлениями для унифицированного мультимодального понимания и рассуждений;
- VideoRoPE кодирует как пространственные положения, так и временной порядок, позволяя модели понимать визуальные изменения с течением времени и поддерживая такие задачи, как локализация событий, ответы на вопросы в виде длинного видео и редактирование видеоклипов.;
- 42-Слойная гибридная магистраль чередует уровни KDA и Gated MLA в соотношении 5: 1, обеспечивая эффективную долговременную контекстную обработку текста, изображений, видео и расширенных историй задач агента.;
- Разреженная архитектура MoE поддерживает общую емкость модели в 124B параметров при активации только 5,5B параметров на токен, балансируя сильные мультимодальные возможности с эффективностью вывода.

В целом, эти проекты делают видение чем-то большим, чем просто входные данные, интегрируя его в целостный процесс понимания, рассуждений, планирования, действий и проверки.

Nex-N2.5 - Семейство агентных моделей нового поколения, созданных для решения долгосрочных задач в реальных условиях.
Nex-AGI официально представляет Nex-N2.5, семейство агентных моделей нового поколения.
Nex-N2.5 доступен в трех размерах: mini, Pro и Max.
Nex-N2.5-mini и Nex-N2.5-Pro продолжают развивать мультимодальные возможности Nex-N2, уделяя особое внимание использованию компьютера, просмотру веб-страниц и визуально ориентированным агентным возможностям.
Nex-N2.5-Max построена на базовой модели Mixture-of-Experts (MoE) с 1,6 триллионами параметров, работающей только с текстовыми данными. Это наша первая полноценная работа после обучения модели с триллионами параметров.
Для решения долгосрочных задач в реальных условиях Nex-N2.5 еще больше расширяет свои возможности непрерывного действия и самокоррекции с помощью визуальной обратной связи. Модели могут управлять компьютерами и браузерами, а также автономно выполнять и тестировать программы. Таким образом, зрение перестало быть просто способом ввода данных и превратилось в важнейший интерфейс, с помощью которого агент воспринимает окружающую среду, проверяет результаты и продвигается к выполнению задачи.
Опираясь на этот фундамент, мы расширили спектр сред для обучения агентов, типов задач и сценариев повышения производительности, а также впервые провели систематическое пост-обучение на триллионном масштабе параметров. Благодаря более широкому охвату задач и более качественной обратной связи с окружающей средой Nex-N2.5 обеспечивает дальнейший прогресс в научных исследованиях, интеллектуальной работе и решении сложных задач, связанных с повышением производительности.