Pikselipaino

Tekoälyvideo on tähän asti ollut postipakettien laji. Kehote sisään, odotus, tiedosto ulos — ja jos lopputulos ei kelvannut, uusi paketti tilaukseen. Kaikki kolme tämän numeron uutista kertovat samasta hiljaisesta muutoksesta: väli kutistuu. Verkkokauppajätti JD:n uusi editointimalli ei odota videota valmiiksi, vaan muokkaa kuvavirtaa sitä mukaa kun se saapuu, kolmekymmentä ruutua sekunnissa. Kuvamallin painot puolestaan mahtuvat nyt 1,3 gigatavuun — tiedostoon, joka kulkee puhelimessa lentokonetilassa. Odottamisen väli katoaa toisesta päästä, konesalin väli toisesta.

Kun viive ja etäisyys katoavat, työkalun luonne muuttuu. Postipakettia tilataan ja jonotetaan; soitinta harjoitellaan. Reaaliaikainen editori tai taskussa kulkeva generaattori ei ole enää tuotantoputki vaan instrumentti, joka vastaa käden liikkeeseen heti — ja juuri siinä kohtaa taito alkaa taas erottaa tekijät toisistaan. Klassikko-palstalla muistutamme, mistä tämä kaikki alkoi: ControlNet opetti generaattorin tottelemaan viivaa jo silloin, kun jokaista kuvaa vielä jonotettiin.

Videonmuokkaus siirtyi suoraan lähetykseen

JD:n avoin JoyAI-Video-Edit muokkaa videota sitä mukaa kun kuvaa syntyy — perjantaina julkaistu demo pyörittää sitä yhdellä näytönohjaimella.

Videoeditointimallit ovat tähän asti toimineet kuin valokuvausliikkeen kehityspalvelu: koko video sisään, hetki hiljaisuutta, valmis video ulos. Kiinalaisen verkkokauppajätti JD:n avoimen lähdekoodin haara julkaisi elokuun alussa toisenlaisen otuksen. JoyAI-Video-Edit on suoratoistoeditori: se ottaa vastaan videovirtaa — vaikka suoraan kamerasta — ja muokkaa jokaisen ruudun ohjeen mukaan sitä mukaa kun ruutuja saapuu, palaamatta koskaan taaksepäin ja tietämättä, milloin lähetys loppuu. Ohje annetaan tavallisena lauseena: vaihda tausta, poista esine, muuta tyyli, korvaa henkilö viitekuvan mukaiseksi. Tekijöiden mittauksissa koko putki kulkee 720p-tarkkuudella kolmekymmentä ruutua sekunnissa, eli aidosti reaaliajassa.

Viimeisen kahden vuorokauden aikana hanke otti kaksi askelta, joiden vuoksi se on tämän lehden etusivulla. Perjantaina Hugging Faceen ilmestyi selaimessa toimiva demo, joka ajaa koko järjestelmää yhdellä ammattilaiskortilla — 840×480-tarkkuudella 24 ruutua sekunnissa. Sitä edelsi torstaina päivitetty tarkistuspiste, jonka viitekuvaohjattu editointi säilyttää henkilöllisyyden ja kohteen aiempaa uskollisemmin pitkissä lähetyksissä. Konepellin alla on 16 miljardin parametrin diffuusiotransformeri, kausaalinen video-VAE eli pakkain, joka ei kurki tuleviin ruutuihin, sekä kielimalli, joka tulkitsee muokkausohjeen. Nopeus on saatu tislaamalla ja pitämällä mallin muisti rajattuna: laskenta ruutua kohden ei kasva, vaikka lähetys jatkuisi kuinka pitkään.

Tekijälle tämä avaa oven, jota moni ei ole vielä ehtinyt edes ajatella. Suoratoistaja voi vaihtaa lähetyksensä lavastuksen lennossa, tapahtumatuotanto voi tyylitellä screenillä näkyvän kamerakuvan esityksen aikana, ja ennakkovisualisoija voi katsoa ohjaamonsa monitorista, miltä kohtaus näyttäisi eri vuorokaudenaikaan — leikkaus tapahtuu lähetyksen aikana, ei sen jälkeen. Lisenssi on puhdas Apache-2.0 ja koko käyttöönottokoodi on julkaistu, joskin 16-miljardinen malli vaatii toistaiseksi järeän kortin. Suunta on silti selvä: sama laji, joka kaksi numeroa sitten opetteli mahtumaan kotikoneelle, opettelee nyt elämään hetkessä.

Lähteet: mallikortti, GitHub-arkisto, tekninen raportti, demo, ComfyUI Wiki

Kuinka monta bittiä kuva tarvitsee?

Viikonlopun julkaisut painoivat kuvamallien bittirajaa kahteen suuntaan kerralla: yksi koulukunta kouluttaa mallin syntymään pieneksi, toinen puristaa jälkikäteen — ja pitää myös laskennan pienenä.

Tavallinen tapa mahduttaa iso malli pieneen koneeseen on kvantisointi: valmiin mallin painot pyöristetään karkeammalle asteikolle, tyypillisesti kahdeksaan tai neljään bittiin per paino. PrismML:n Bonsai-perhe edustaa toista koulukuntaa. Sen kuvamallit on jatkokoulutettu niin, että ne oppivat elämään äärimmäisen karkealla asteikolla — ternäärimallissa painolla on kolme mahdollista arvoa, binäärimallissa kaksi. Pohjana on Black Forest Labsin avoin FLUX.2 Klein 4B, ja lopputulos on alle kahden bitin kuvamalli, joka ei ole jälkikäteen pyöristetty vaan siihen muotoon kasvatettu. Temppu tunnetaan kielimalleista, joissa PrismML:n Bonsai-julkaisut ovat keränneet miljoonia latauksia — kuvapuolella se on yhä harvinaisuus.

Viikonlopun uutinen on, että nämä mallit pääsivät vihdoin ulos omasta ekosysteemistään. Viralliset paketoinnit on julkaistu vain Applen MLX:lle ja NVIDIA-korttien GemLitelle, joten Android-puhelimet ja tavalliset suorittimet ovat olleet ulkopuolella. Lauantaina yhteisökääntäjä biali julkaisi ternäärimallin GGUF-muodossa — noin 1,3 gigatavun tiedosto, joka ajaa stable-diffusion.cpp:llä ja sen Android-kirjastolla — sekä binäärimallin vastaavan käännöksen. Mallikortti kertoo myös epäonnistumisen, joka käännöksessä kierrettiin: GGUF-muodon omat ternäärityypit näyttäisivät ilmeisiltä valinnoilta, mutta niiden skaalaus on karkeampi kuin Bonsain koulutuksessa käytetty, ja jälki heikkeni silmin nähden. Hienojakoisempi Q2_K-tyyppi säilytti koulutetun laadun samassa koossa — havainto, joka säästää seuraavalta kääntäjältä päivän työn.

Toinen koulukunta eteni samana yönä. Nimimerkki RealRebelAI päivitti W4A8-kokoelmaansa, joka kvantisoi tämän hetken suosikkimallit — FLUX.2 Kleinit, Z-Image-Turbon, Krea 2 Turbon, videopuolelta Wan-Animate-2:n ja MiniMax H3:n — ComfyUI:n omalle asymmetriselle nelibittimuodolle. Idean ero GGUF:ään on olennainen: GGUF-tiedosto on pieni levyllä, mutta joka laskentakierroksella painot puretaan takaisin puolitarkkuuteen. W4A8 pitää kertolaskutkin kahdeksanbittisinä, jolloin näytönohjaimen kokonaislukuytimet tekevät työn — pienempi tiedosto ja kevyempi lasku, ilman ainuttakaan lisäsolmua. Pienin paketti, neljän miljardin Klein, on 2,46 gigatavua ja pyörii kuuden gigatavun korteilla. Kokoelman kortti on tämän lehden makuun esimerkillinen: herkät kerrokset kuten aika-askeleen upotukset on jätetty täyteen tarkkuuteen ja jokainen tiedosto on mitattu käännöksen jälkeen — ja kahden mallin kohdalla lukee suoraan needs work, keskeneräinen.

Tekijälle kolmen koulukunnan kartta on selkeä. GGUF on yhä laajin ja helpoin tapa saada iso malli pyörimään pienessä muistissa. W4A8 kannattaa, jos kone on ahdas mutta kortti tuore — sama tiedostokoko, nopeampi lasku. Ja Bonsai-linja vihjaa, mihin tämä päätyy: kun malli koulutetaan alusta asti pieneksi, kuvageneraattori on kohta samaa kokoluokkaa kuin puhelimen kamerasovellus. Etukäteen kouluttamisen hinta on jäykkyys — ternääripainoja ei hienosäädetä illassa — mutta suunta näkyy jo: kuvamalli lakkaa olemasta konesalin laji.

Lähteet: ternääri-GGUF:n mallikortti, PrismML Bonsai Image, Rebels W4A8 -kokoelma, stable-diffusion.cpp, Hugging Face API (text-to-image, 48 h ja trending 16.8.)

Restauroinnin klassikot saivat sukuselvityksen

Aamulla julkaistu mallisarja paketoi kuvankorjauksen perustyökalut uusiksi — ja liittää jokaiseen tiedostoon alkuperäketjun, jollaista tällä kentällä ei ole totuttu näkemään.

Kuvankorjauksen peruspaletti on ollut vuosia sama: LaMa paikkaa aukot ja poistaa esineet, DDColor värittää mustavalkokuvat, ja joukko pienempiä verkkoja hoitaa hämäräkuvat ja tarkennuksen. Tänä aamuna MIT-lisensoidun LibreYOLO-kehyksen taakse ilmestyi koko tämä paletti yhtenä sarjana: paikkaus, väritys kahdessa koossa, hämäräkorjaus ja kevyt tarkennin, kaikki saman kolmen rivin Python-kutsun takana. LibreYOLO tunnetaan konenäköväen keskuudessa hankkeena, joka rakentaa suosituille mutta tiukasti lisensoiduille YOLO-malleille luvallisesti puhdasta vaihtoehtoa — ja sama laki-ensin-ajattelu on nyt tuotu kuvankorjaamoon.

Erikoiseksi julkaisun tekee se, mitä mallikortteihin on kirjoitettu. Jokainen kortti luettelee lähdearkiston, tarkan versiosormenjäljen, tiedostokoot ja SHA-256-tarkistussummat sekä ennen että jälkeen käännöksen, ja vakuuttaa erikseen, että opitut painot ovat muuttumattomat — paikkausmallin kohdalla käännetyn verkon todistetaan tuottavan pikselilleen saman tuloksen kuin alkuperäisen. Vielä harvinaisempaa on lisenssien kolmijako: kortit erottelevat toisistaan koodin lisenssin, painojen lisenssin ja koulutusdatan ehdot, jotka kentällä yleensä niputetaan iloisesti yhteen. Värimallin kortti muistuttaa, että vaikka painot ovat Apache-lisensoidut, taustalla oleva ImageNet-aineisto on ehdoiltaan tutkimuskäyttöön rajattu — ja sarjasta on kokonaan jätetty pois DDColorin suosittu Artistic-versio, koska sen koulutusdataa ei ole julkistettu. Poisjättö lisenssisyistä on kuratointipäätös, jonka moni lataussivusto tekee mieluummin hiljaa toiseen suuntaan.

Tekijälle sarja on kahdella tavalla hyödyllinen. Arkikäytössä se on mutkaton perustyökalulaatikko: esineenpoisto, väritys ja hämäräkorjaus ilman solmugraafeja, omalla koneella. Mutta kaupallista työtä tekevälle se on myös ennakkotapaus — dokumentti siitä, miltä näyttää julkaisu, jonka alkuperäketjun voi tarkistaa itse sen sijaan että uskoisi latauslaskuriin. Jos viime numerossa kehuttu rehellisten mallikorttien kulttuuri leviää, tämä on sen seuraava porras: ei vain mitä malli osaa, vaan mistä se on peräisin.

Lähteet: LibreLaMa-kortti, LibreDDColor-kortti, libreyolo.com, LibreYOLO:n lisenssikatsaus, Hugging Face API (image-to-image, 48 h 16.8.)

Anima-2.9B: viikon puhutuin piirtäjä

Neljättä päivää trendilistan kärjessä istuva kuvitusmalli on yhden ihmisen käsialaa. Tässä katsotaan, mitä sillä oikeasti tekee — ja mitä sillä ei tee.

Sarjan kolmas osa käsittelee mallia, joka nousi torstain numerossamme uutiseksi ja istuu yhä koko Hugging Facen trendilistan kärjessä: Anima-2.9B. Se on anime- ja kuvitustyyliin erikoistunut kuvamalli, jonka yksittäinen tekijä on kasvattanut avoimesta Anima-perusmallista laajentamalla verkkoa kahdellatoista lisäkerroksella ja jatkokouluttamalla sitä 1,7 miljoonalla kuvituskuvalla — kotikoneella aloittaen, kahdeksan näytönohjaimen vuokraklusterilla jatkaen, lahjoitusten varassa. Viehätys ei silti ole tarinassa vaan käyttökelpoisuudessa: tämä on tällä hetkellä ajantasaisin avoin kuvitusmalli, jonka tiedot ulottuvat heinäkuuhun 2026 asti.

Mitä sillä tekee? Hahmoja. Malli on koulutettu kuvitussivustojen tagikulttuurin päälle, joten hahmon nimi ja sarja tageina tuottavat tunnistettavan hahmon — ja tuoreen tietokatkon ansiosta myös tämän kevään hahmot löytyvät. Tyylilainoja. Taiteilijatagit ohjaavat kuvan tyyliä huomattavasti luotettavammin kuin sanalliset kuvaukset; kortti suosittaa niitä edelleen. Kuvituksia ja julisteita. Parhaat tulokset syntyvät yhdistämällä tagit ja tavallinen kuvaileva lause; kortin tärkein neuvo on lihavoitu: mitä yksityiskohtaisempi kehote, sen parempi kuva — lyhyt kehote tuottaa laiskan taustan. Omaa tyyliä. Tuoreelta viikolta on myös erillinen koulutustyökalu, jolla malliin voi opettaa oman hahmon tai tyylin LoRA-lisäosana, eli pienenä painojen päälle ladattavana säätönä.

Käytännön asetukset kortista: Euler-näytteistin sgm-uniform-aikataululla on tasapainoinen perusvalinta, 28–50 askelta, ohjausvoima 3,5–5, ja pystykuvalle 812×1216 on turvallinen koko. ComfyUI tukee mallia suoraan versiosta 0.33.1 alkaen — tuki laajennetuille kerroksille lisättiin torstaina — samoin Forge-Neo. Kaksi rehellistä varoitusta. Ensinnäkin kyseessä on esiversio: tekijä kertoo jatkokoulutuksen olevan kesken ja suurimman tarkkuuden vielä oikukas. Toiseksi lisenssi on ei-kaupallinen: harrastajalle, konseptoijalle ja opiskelijalle vapaa, mutta myyntityöhön tuotoksia ei voi viedä. Se on tämän viikon kentällä tavallinen kauppa — ja hyvä muistutus lukea lisenssirivi ennen kuin rakastuu malliin.

Lähteet: mallikortti, Anima-perusmalli, koulutustyökalu, ComfyUI v0.33.1, Hugging Face API (trending 16.8.)

Hahmokortiston nousu: kuvasta kuvaan -mallien trendilistaa johtaa tällä hetkellä CharacterSheet, LoRA-kokoelma, joka muuntaa yhden hahmokuvan siistiksi mallikortistoksi — edestä, sivulta, takaa, lähikuva, kokeellisimmillaan kokonainen hahmoarkki toimintoasentoineen ja siluettitutkielmineen. Suosio kertoo, mihin kenttä on menossa: yksittäisten kuvien sijaan tekijät rakentavat hahmolle referenssipakettia, joka kelpaa peliprojektin, sarjakuvan tai videoputken lähtöaineistoksi. Tekijä myöntää kortissa auliisti, että arkkien tekstit ovat vielä kuraa — sekin osuu: kortisto on rakenne, ei vielä painotuote.

Yhteisö tuomaroi: viikonlopun keskusteluissa avoimet videomallit saivat kansantuomionsa. Redditin StableDiffusion-yhteisön suosituin H3-ketju ihasteli liikettä mutta dokumentoi myös hahmon katoamisen kesken kuvan — ja LTX-2.5:n tuoreesta julkaisusta yhteisön arvio kuului: laatu keskinkertaista, kehotteen totteleminen selvästi edellisversiota parempi. Tämä on avoimen kentän oma laadunvalvonta: riippumaton, nopea ja armoton, ja siksi arvokkaampi kuin yksikään julkistusdemo. (LLM Daily 14.8., ComfyUI Wiki: LTX-2.5)

Redisin isä leikkii videolla: ohjelmistolegendojen kesälomat näkyvät tällä kentällä omalla tavallaan. Tietokantaohjelmisto Redisin luoja antirez on kirjoittanut C-kielellä h3.c:n, natiivin MiniMax H3 -ajurin Applen piireille — ei ComfyUI:ta, ei Pythonia, pelkkä Metal ja käsin viilattu muistinhallinta. Harrastusprojekti, mutta sellainen, joka näyttää mihin videomallien ajaminen taipuu, kun joku kohtelee niitä järjestelmäohjelmointina eikä taikuutena.

Festivaalisyksy lähestyy: tekoälyelokuvan näyttämöt täyttyvät syyskuussa — Hollywoodin LifeArt juhlii kymmenvuotista tekoälyfestivaaliaan 9.9., Piilaakson Human vs. AI vertailee ihmis- ja konetekoisia lyhytelokuvia saman illan ohjelmassa, ja useiden festivaalien jättöajat umpeutuvat elokuun lopussa. Suomalaiselle tekijälle viesti on käytännöllinen: jos pöytälaatikossa on tekoälylyhäri, lähetysikkunat ovat auki juuri nyt. (LifeArt)