Локальний AI знову перетворився на нішу для гіків?Після виходу мультимодального Gemini 3 це питання стало актуальним. Навіщо оркеструвати різні моделі та налаштовувати складні пайплайни, якщо є Google? (Reasoning, текст і відеострімінг — усе «з коробки»).Це дійсно було так до сьогодні Бо тепер кожен може мати свого персонального мультимодального «монстра» рівня GPT-5 або Gemini Flash 2.5 Pro в себе локально на пристрої. Модель, що бачить відео в реалтаймі і працює на народній RTX 3060 🤌🏻Компанія Stepfun релізнула Step3-VL-10B. І для мене це не просто модель, а сенсація і ось чому:▫️Модель має всього 10 млрд параметрів (у 20-30 разів менше за конкурентів), але в складних математичних задачах обходить GPT-5.◽️Повноцінне розуміння відеопотоку в реальному часі без надсилання даних у хмару.◽️Це open-source модель з ліцензією Apache 2.0. Важливий крок до розвитку Embodied AI та автономних систем.Тож виходить, що локальне залізо знову дає відсіч хмарним гігантам.😁Фан факт: модель навчена на 1.2 трильйонах токенів даних, це приблизно 3 мільярди сторінок А4Якщо б ви читали 1 сторінку за хвилину, вам знадобилося б – 5000 років (Ось настільки це багато) Інфа для гіків: Там використаний механізм пералельного мислення з внутрішніми перевірками (PaCore) це нова парадигма мультиоркестратора мультиагентної системи в одній моделі з коробкиЦе вже більше про режисуру поведінки агентів всередині однієї моделі ніж про кількість параметрів і потужність заліза Посилання на модель: https://huggingface.co/stepfun-ai/Step3-VL-10B