Pikselipaino

Mallijulkaisun mukana tulee nykyään lupauslista: tämä ominaisuus tulee myöhemmin, tuo optimointi seuraavassa versiossa. Tämän vuorokauden julkaisut kertovat, kuka lupaukset oikeasti lunastaa. MiniMax kertoi elokuun alussa, että sen videomalli on koulutettu harvalla huomiolla, mutta julkaisi ajon täydellä — oma optimoitu toteutus tulisi "myöhemmin". Tänään harvan huomion toi yhteisön tislauspaja, joka ei odottanut. Lightricksin videomallin tekstintulkki vaati 26 gigatavua, kunnes yksi opiskelija pakkasi sen kolmasosaan omalla serverilaskullaan. Ja Alibaban videorunkoa ei opettanut uusiksi Alibaba, vaan tutkija, joka julkaisi kaksi rinnakkaista koulutuskoetta kaikkien katsottavaksi.

Alustojen ympärille on kasvanut kolmas osapuoli — ei valmistaja eikä loppukäyttäjä, vaan välikerros nimimerkkejä, opiskelijoita ja pieniä pajoja, joka toimittaa valmistajan lupaukset ennen valmistajaa. Se ei omista malleja eikä konesaleja, mutta se omistaa jotain arvokkaampaa: kärsimättömyyden. Tekijälle tämä kerros on jo nyt se, joka ratkaisee, pyöriikö työkalu omalla koneella tänä syksynä vai ensi keväänä. Siksi tämänkin lehden uutisissa toistuvat samat etuliitteettömät nimet — lightx2v, topabaem, pufanyi — joita mikään lehdistötiedote ei koskaan mainitse.

Yhteisö harvensi huomion ennen valmistajaa

MiniMax H3 koulutettiin harvalla huomiolla, mutta julkaistiin ajamaan täydellä — optimoitu toteutus jäi lupaukseksi. Eilen yhteisön tunnetuin tislauspaja lunasti lupauksen omin päin: neljä askelta, 85 prosenttia huomiosta laskematta, ja silti kuva pysyy kasassa.

Huomiomekanismi on diffuusiotransformerin kallein osa: jokainen kuvan ja äänen palanen vertautuu periaatteessa jokaiseen muuhun, ja videossa palasia on valtavasti. Siksi kenttä on jo vuoden verran siirtynyt harvaan huomioon — lasketaan tarkasti vain ne parit, joilla on väliä, ja loput ohitetaan tai korvataan kevyellä likiarvolla. MiniMaxin 33 miljardin parametrin H3 koulutettiin tällaisella mekanismilla, mutta elokuun alun avoin julkaisu ajaa täydellä huomiolla: yhtiön oma harva toteutus luvattiin myöhempään päivitykseen. Se päivitys ei ole vielä ilmestynyt.

Keskiviikkona julkaistu Minimax-h3-Turbo-SLA ei tullut MiniMaxilta. Sen takana on lightx2v — tislauspaja, jonka aiempi H3 Turbo on tämän lehden trendiseurannan vakiokalustoa — ja tekniikkana on tsinghualaisen tutkimusryhmän avoin SLA, joka yhdistää harvan täsmähuomion ja kevyen lineaarisen huomion samaan kerrokseen. Julkaisu niputtaa kaksi nopeutusta: neljän askeleen tislauksen, joka pudottaa kohinanpoiston kierrokset murto-osaan, ja 85 prosentin harvuusasteen, joka keventää jokaista jäljellä olevaa kierrosta. Yhteisvaikutukseksi kortti ilmoittaa noin 2,5-kertaisen nopeutuksen RTX 5090 -kortilla 768p-ajossa, ja vertailuvideo 30 askeleen perusmalliin on katsottavissa kortilla itsellään.

Muoto on huomionarvoinen: koko paketti on LoRA-lisäosa, ei uusi malli. Pohjapainot pysyvät MiniMaxin jakelussa, ja nopeutus kiinnitetään niiden päälle — sama "liike on kerros" -periaate, jonka tämä lehti on nähnyt toistuvan lisäosakulttuurissa AnimateDiffistä asti, ulottuu nyt myös laskennan rakenteeseen. Tarjolla on valmiit tarkistuspisteet sekä LightX2V-ajoon että ComfyUI:hin.

Isompi kuva on työnjaossa. H3:n ympärille on kahdessa viikossa kasvanut hahmolomakkeiden, paikkamaalauksen ja liikeadapterien ekosysteemi — käytännössä kokonaan yhteisön rakentama, kuten tämän lehden numerot ovat päivä päivältä kirjanneet. Nyt sama kerros otti hoitaakseen myös sen osan, jonka valmistaja nimenomaisesti lupasi tehdä itse. Kortti muistuttaa asiallisesti, että tulokset riippuvat laitteistosta ja asetuksista, eikä väitä korvaavansa MiniMaxin tulevaa natiivitoteutusta. Mutta tekijän näkökulmasta ero on käytännöllinen: toinen on olemassa tänään, toinen on edelleen lause julkaisutiedotteessa.

Lähteet: Minimax-h3-Turbo-SLA, SLA (thu-ml), MiniMax-H3, MiniMaxin julkaisutiedote, Hugging Face API (image-to-video, 48 h 21.8.)

Sama oppilas, kaksi opettajaa

Videomallia voi parantaa palkitsemalla sitä onnistumisista — mutta kuka päättää, mikä on onnistuminen? Tuore julkaisupari kokeilee molempia vastauksia samalla mallilla: toista versiota arvosteli sääntökirja, toista toinen tekoäly. Molemmat painot ovat ladattavissa vierekkäin.

Vahvistusoppiminen on tullut videomalleihin. Ajatus on lainattu kielimallien puolelta: valmiiksi koulutettua mallia hiotaan antamalla sen tuottaa tuloksia ja palkitsemalla ne, jotka täyttävät tavoitteen. Kielipuolella tämä muutti kentän pari vuotta sitten; kuva- ja videopuolella se on nyt käynnissä, ja eilen siitä saatiin poikkeuksellisen siisti koeasetelma, kun tutkija julkaisi kaksi rinnakkaista versiota samasta pohjamallista — Alibaban Wan2.2-TI2V-5B:stä, tämän lehden lukijoille jo tutusta kevytrungosta.

Tehtävät eivät ole tavallista videogenerointia vaan visuaalista päättelyä: malli saa kuvan ja ohjeen tyyliin "siirrä merkitty esine oikeaan kohteeseen", ja sen pitää tuottaa video, jossa tehtävä ratkeaa oikein. Onnistumista ei siis mitata sillä, näyttääkö lopputulos hyvältä, vaan sillä, tapahtuiko videossa se, mitä pyydettiin. Juuri tähän tarvitaan palkitsija — ja tässä versiot eroavat. Toista koulutettiin sääntöpohjaisella palkkiolla: tarkistettavissa oleva ehto ratkaisee, meni oikein vai ei. Toisen palkinnot jakoi 27 miljardin parametrin Qwen-kielimalli, joka katsoi tuotetut videot suoraan ja arvosteli ne tehtäväkohtaisin kriteerein. Kummankin pohjana on sama 50 000 esimerkin aineisto, ja molemmat on julkaistu täysinä Diffusers-putkina samoin suositelluin ajoasetuksin, joten vertailu on tehty niin helpoksi kuin se ylipäätään voi olla.

Sääntö vastaan tuomari on koko tekoälykentän tämän hetken kiinnostavin kysymys pienoiskoossa. Sääntö on luotettava mutta kapea: se toimii vain tehtävissä, joiden onnistumisen voi tarkistaa koneellisesti. Tuomarimalli yleistyy mihin tahansa — mutta silloin oppilas oppii myös tuomarin makuvirheet ja sokeat pisteet, minkä mallikortti sanoo suoraan rajoituksissaan. Sama jännite näkyi eilisen numeron kehotteenlaajentimessa, jonka palkkiot jakoi videoiden sijaan kuvia arvioiva malli; kuvakentän koulutus on siirtymässä käsityöstä kohti järjestelyä, jossa mallit opettavat toisiaan ja ihminen suunnittelee opetussuunnitelman.

Rehellisyys on julkaisussa kohdillaan: kortit nimeävät itsensä tutkimusartefakteiksi, muistuttavat että päättelyradat voivat mennä väärin ja että vinoumat periytyvät sekä pohjamallista että tuomarista. Artikkeli on vasta tulossa, joten tulosluvut puuttuvat — mutta painojen julkaiseminen ennen paperia on tässä lajissa harvinaista avoimuutta, ja utelias voi ajaa vertailun itse jo tänään.

Lähteet: Qwen-Judge-RL, Rule-RL, Wan-Trainer, Wan2.2-TI2V-5B, Hugging Face API (image-to-video, 48 h 21.8.)

Peliassetit menivät liukuhihnalle

Kaksi saman vuorokauden julkaisua tekee pelintekijän arkityötä: toinen tuottaa aidon 16×16-pikselin esinetekstuurin, toinen kokonaisen yhdentoista animaation sprite-arkin yhdestä hahmokuvasta. Pienempi niistä on insinöörityön helmi, jossa jokainen valinta on mitattu.

Generatiiviset mallit maalaavat mielellään "pikselitaidetta" — kuvia, jotka näyttävät pikseligrafiikalta mutta ovat oikeasti pehmeäreunaista maalausta väärässä ruudukossa. Pelintekijälle ne ovat käyttökelvottomia. Keskiviikkona julkaistu minecraft-item-16px ottaa ongelman tosissaan: se on Stable Diffusion 1.5:n täysi hienosäätö, jonka tulos on aito 16×16-ruudukon esinetekstuuri läpinäkyvyyksineen, valmis pudotettavaksi Minecraft-resurssipakettiin.

Toteutus on pienimuotoisen mallityön oppitunti. Malli koulutettiin yksinomaan 16×16-tekstuureilla, jotka suurennettiin kuusitoistakertaisiksi lähinaapurimenetelmällä — niinpä malli osaa piirtää vain tasaisia 16×16 pikselin lohkoja, ja 256 pikselin tuloste laskostuu häviöttä takaisin alkuperäiskokoon. Läpinäkyvyys koodattiin magentalla, ja väri valittiin datasta: vain 0,057 prosenttia opetusaineiston pikseleistä osuu sen lähelle, kun musta olisi törmännyt ääriviivoihin joka neljännessä kuvassa. Hienoin havainto koskee negatiivista kehotetta: koska koulutus käytti tyhjää tekstiä poisjättöpolkuna, tavanomainen "blurry, photo, watermark" -litania ei paranna vaan rikkoo tuloksen — tekijä mittasi, että osa esineistä ei ratkea lainkaan sen kanssa ja ratkeaa ilman. Harva suuri julkaisu perustelee valintojaan näin huolellisesti; ja pohjaksi kelpasi nelivuotias runko, koska tehtävä ei tarvitse enempää.

Saman vuorokauden toinen julkaisu palvelee viereistä työpöytää. Codex Pets Sprite Sheet Generator ottaa yhden läpinäkyvän hahmokuvan ja tuottaa täyden sprite-arkin: yksitoista animaatioriviä — kävelyt molempiin suuntiin, hyppy, vilkutus, odottelu ja muut — yhteensä 1536×2288 pikselin arkkina, jonka mukana tuleva skripti kokoaa ja siistii automaattisesti. Pohjana on kymmenen miljardin parametrin muokkausmalli, joten kevyt tämä reitti ei ole, mutta työn luonne on sama kuin eilisen numeron hahmolomakkeissa: yhdestä kuvasta johdetaan järjestelmällisesti koko se kuvasto, jonka peli tarvitsee. Konseptitaiteen ja pelimoottorin välinen käsityövaihe — se, jossa yksi hahmo piirretään kymmeninä ruutuina uudelleen — on muuttumassa liukuhihnaksi, jonka päässä ihminen seisoo tarkastajan roolissa.

Lähteet: minecraft-item-16px, Codex Pets Sprite Sheet Generator, Hugging Face API (text-to-image ja image-to-image, 48 h 21.8.)

FLUX.2 klein: arkiveitsi, joka piirtää alle sekunnissa

Kuvasta kuvaksi -trendilistalla on joka päivä puoli tusinaa saman perheen jäsentä, eikä lehti ole vielä kertaakaan pysähtynyt sen äärelle. Black Forest Labsin klein-perhe on se työkalu, jolla nopea arkinen kuvatyö tehdään — ja alusta, jolle huomattava osa viikon lisäosista rakennettiin.

Sarjan kahdeksas osa käsittelee mallia, joka on ehtinyt kaikkialle taustalle: eilisen sarjaosan hahmolomake-lisäosista puolet oli koulutettu juuri sille, ja pienin perheenjäsen on ladatuin koko kuvasta kuvaksi -luokassa, yli puoli miljoonaa latausta kuukaudessa. FLUX.2 klein on Black Forest Labsin — FLUXin tekijöiden — tammikuussa julkaisema pieni mallisarja, jonka koko idea on yhdistää kolme aiemmin erillistä työtä yhteen malliin: kuvan generointi tekstistä, valmiin kuvan muokkaus ja usean referenssikuvan yhdistely. Sama malli, joka piirtää tyhjästä, myös korjaa ja yhdistelee.

Mitä laatikossa on. Perheessä on kaksi kokoa ja kaksi luonnetta. Nelimiljardinen klein-4B on täysin avoin Apache-lisenssillä ja pyörii 13 gigatavun näyttömuistilla — käytännössä RTX 3090- tai 4070-luokan pelikortilla. Yhdeksänmiljardinen klein-9B on laadukkaampi mutta pääsypyynnön takana. Kummastakin on kaksi versiota: tislattu vakiomalli, joka tuottaa kuvan parhaimmillaan alle sekunnissa, ja base-versio, joka on hitaampi mutta kestää hienosäädön. Jako on opettavainen tämän viikon uutisten valossa: tiistaina kerroimme, että tislattua mallia ei käytännössä voi kouluttaa — kleinissä valmistaja on ratkaissut saman ongelman julkaisemalla tislaamattomat pohjat erikseen juuri lisäosien kouluttajia varten. Päälle tulevat vielä fp8-kevennykset, jotka pudottavat muistintarvetta entisestään.

Käytännön reitit. Ensimmäinen: luonnostelu. Kun kuva syntyy sekunnissa, kehotteen hiominen muuttuu keskusteluksi — kaksikymmentä iteraatiota maksaa vähemmän aikaa kuin yksi suuren mallin ajo, ja lopullisen version voi ajaa isommalla mallilla vasta kun sommittelu on löytynyt. Toinen: muokkaus ilman mallinvaihtoa. Sama malli ottaa sisään valmiin kuvan ja ohjeen — vaihda tausta, poista esine, muuta valaistus — eikä erillistä paikkamaalausversiota tarvita. Kolmas: monireferenssi, perheen hyödyllisin ja vähiten tunnettu taito. Malliin voi syöttää useita kuvia kerralla — hahmon yhdestä, tyylin toisesta, esineen kolmannesta — ja pyytää yhdistelmän. Juuri tämän varaan viikon hahmolomake-lisäosat rakentuvat: TripleView- ja QuadView-arkit ajetaan klein-9B:llä. Ja neljäs: lisäosa-alustana klein on nopeimmin kasvava kuvapuolen runko — kun yhteisö kouluttaa uuden tempun, se koulutetaan yhä useammin tälle.

Rehellisyyden nimissä. Pieni malli on pieni: monimutkaiset monihahmoiset sommitelmat, pitkät tekstit kuvassa ja hienovaraisin materiaalintaju kuuluvat yhä isommille. Alle sekunnin lupaus edellyttää tuoretta näytönohjainta — vanhemmalla kortilla sekunti venyy muutamaksi, mikä on silti eri laji kuin minuutti. Ja 9B:n pääsypyyntö muistuttaa, että "avoin perhe" on tässäkin tapauksessa liukuma: aidosti vapaa on vain pienin jäsen. Se on silti enemmän kuin useimmilla — ja arkityön mittarilla klein on tällä hetkellä paras vastaus kysymykseen, jolla tämä sarja aloitti: mitä tällä oikeasti tekee. Melkein kaiken, melkein heti.

Lähteet: FLUX.2-klein-4B, FLUX.2-klein-9B, BFL:n julkaisukirjoitus, CharacterSheet-LoRAt, Hugging Face API (image-to-image, trending 21.8.)

Äänipuoli halpeni kertaheitolla: Pika julkaisi elokuun puolivälissä neljän mallin ääniperheen — taustamusiikkia, tehosteita, puhetta ja videoon tahdistettua ääntä — hinnoiteltuna raportien mukaan jopa kertaluokkaa kilpailijoita halvemmalle. Visuaalipuolen tekijälle kiinnostava jännite on siinä, että uusimmat videomallit, H3 etunenässä, tuottavat ääntä jo natiivisti samassa ajossa — erillinen äänipino ja yhteen kasvanut audio-video kilpailevat nyt samasta työnkulusta, ja hinta ratkaissee. Lähteet: AIapps, Kingy.

Yhden mallin viikko: jos tämän lehden viikon numerot lukee putkeen, niistä piirtyy MiniMax H3:n ekosysteemin syntytarina päivä päivältä: hahmolomakkeet nousivat trendilistan kärkeen, paikkamaalaus löytyi mallin rakenteesta, liikeadapteri paikkasi nykivän juoksun, ja tänään huomio harveni neljäsosanopeuteen. Yksikään näistä ei tullut MiniMaxilta. Edellisen kerran vastaava kuhina on nähty SDXL:n ja Wan 2.2:n ympärillä — ja molemmista tuli alustoja, joiden päällä puoli kenttää seisoo. H3 on matkalla samaan sarjaan, yhteisölisenssinsä aluerajauksista huolimatta.

Työnkulku palveluna: päivän MagiHuman-paketoinnin julkaisi RunningHub — alusta, joka ajaa ComfyUI-työnkulkuja pilvessä ja myy niitä rajapintana omiin tuotteisiin upotettavaksi. Eilen samaa kerrosta edusti suljetumpi PixRoute. Ilmiö on sama molemmissa: solmugraafista, joka vielä vuosi sitten oli harrastajan työpöytätaidetta, on tulossa palvelutuote, jonka joku muu ylläpitää. Avoin työkalu ja kaupallinen käyttöliittymä eivät ole vastakohtia vaan arvoketjun peräkkäisiä portaita.