Pikselipaino

Valokuvan koko historia on ollut pinnan historiaa. Kuva on ikkuna, jonka ääreen voi asettua, mutta jonka läpi ei astuta: kamera seisoi siinä missä seisoi, ja se näkymä jäi. Tämän aamun pääuutinen kertoo mallista, joka purkaa juuri tämän rajan. Kun yhdestä valokuvasta voi jatkaa eteenpäin — kiertää kulman taakse, laskea katseen katukiveykseen, palata ja katsoa uudelleen toisesta suunnasta — kuva lakkaa olemasta pinta ja muuttuu paikaksi. Sama liike päättää tänään myös lehden klassikkosarjan: sen viimeinen osa kertaa, miten yhdestä kuvasta opittiin nostamaan esine, jota voi pyöritellä käsissä. Pinta aukesi kahteen suuntaan, tilaksi ja kappaleeksi, eikä kumpikaan enää vaadi tutkimuslaboratoriota.

Toinen uutinen muistuttaa kentän toisesta moottorista, joka ei lisää uusia ulottuvuuksia vaan poistaa nollia laskusta. Kun tuttu kuvamalli siirretään tiiviimpään sisäiseen esitykseen, sama taide syntyy murto-osalla entisestä ajasta — ja neljän tuhannen pikselin leveys, joka vielä keväällä oli kärsivällisyyslaji, mahtuu kahvitauon mittaan. Nämä kaksi voimaa, uudet ulottuvuudet ja halpeneva lasku, eivät kilpaile vaan ruokkivat toisiaan: jokainen pois puristettu sekunti tekee tilaa seuraavalle ulottuvuudelle. Tällä numerolla tulee täyteen kymmenen numeroa ja klassikkojono käytyä läpi; lehti jatkaa huomenna, kevyempänä yhden osaston verran mutta samalla asialla.

Valokuvasta tuli paikka, jossa kamera kävelee

Singaporelainen S-Lab julkaisi tänä aamuna Puffin-Worldin: yhtenäismallin, joka ottaa yhden valokuvan ja kameran reitin — ja tuottaa loput näkymät väreineen ja syvyyksineen, pistepilveksi asti. Sen erikoisuus on, että kamera ei ole lisävaruste vaan mallin äidinkieli.

Maailmamalli on tämän vuoden kuormitetuin sana: sillä myydään kaikkea pelimoottoreista robottiaivoihin, ja lehti on kirjannut lajin edustajia numerosta 006 alkaen. Nanyangin teknillisen yliopiston S-Labin tänä aamuna julkaisema Puffin-World erottuu joukosta sillä, mitä se pitää maailman tilana. Ei ruutujen jonoa eikä pelkkää ulkonäköä, vaan kolmea sisäkkäistä kerrosta: fysiikkaa — painovoimatietoista ymmärrystä siitä, missä asennossa kamera on ja miten se voi uskottavasti liikkua — geometriaa eli tiheää tilarakennetta, ja vasta uloimpana ulkoasua, sitä miltä kaikki näyttää. Tekijät kutsuvat näitä mallin omiksi kolmiulotteisiksi maailmantiloiksi, ja koko rakennelma seisoo niiden varassa kuin talo perustuksillaan.

Käytännössä malli toimii näin: sille annetaan yksi aloituskuva ja kameran reitti — käännöksiä, siirtymiä, nousuja — ja se generoi reitin varrelta puuttuvat näkymät. Olennaista on, että jokainen näkymä syntyy kahtena kerroksena yhtä aikaa, värikuvana ja syvyyskarttana, jossa joka pikselillä on etäisyys. Syvyyksistä kootaan suoraan pistepilvi, kolmiulotteinen rekonstruktio paikasta, jota ei koskaan skannattu. Pohjana on saman ryhmän Puffin-malli, jonka ajatus — kameran parametrit luetaan ja kirjoitetaan kuin sanat, samassa virrassa tekstin kanssa — hyväksyttiin ICLR 2026 -konferenssiin otsikolla Thinking with Camera. Uutta on mittakaava ja tehtävä: aineisto kasvoi 16 miljoonaan kuva–kieli–kamera-kolmikkoon ja miljoonaan kameran reittiin, jotka on koottu 28 julkisesta aineistosta, ja yksittäisten kuvien sijaan malli hallitsee kokonaisia monikameraisia kohtauksia. Kokoonpano on yksi yhtenäinen runko — visioenkooderi, kielimalli ja diffuusiogeneraattori — ilman tehtäväkohtaisia lisämoduuleja, ja sivutuotteena syntyy kuriositeetti, joka kertoo lajin kypsymisestä: malli osaa arvioida oman kameransa virheasennon ja generoida liikesarjan, joka korjaa sen. Kone siis paitsi katsoo, myös huomaa katsovansa vinoon.

Tekijälle tämä avaa saman oven, jonka klassikkosarjamme viimeinen osa avasi esineille — mutta paikoille. Lokaatiokuvasta tulee esikatselutila: yhdellä valokuvalla voi koettaa, miltä kohtaus näyttäisi matalammalta, läheltä, vastakkaisesta suunnasta, ennen kuin kuvausryhmä matkustaa paikan päälle. Kuvittaja voi kiertää oman maisemansa taakse ja tarkistaa, mitä kukkulan takana on — tai päättää sen itse. Ja koska ulos tulee syvyyttä eikä vain kuvia, tulos jatkaa suoraan kolmiulotteiseen työputkeen, samaan johon numeron 009 splatit ja tämän numeron klassikot laskevat. Varaukset ovat tutut: painot ovat tutkimuspainotteisen erillislisenssin takana, ja generoitu maailma on yhä arvaus — kukkulan takana on se, minkä malli sinne uskottavimmin keksii, ei se mitä siellä on. Mutta suunta on selvä, ja se on sama kuin koko numeron: kuvan reunat eivät ole enää maailman reunat.

Lähteet: Puffin-World (Hugging Face), projektisivu, GitHub, Thinking with Camera (ICLR 2026), Hugging Face API (image-to-3d, 48 h 23.8.)

Flyygeli mahtui viulukoteloon

Eilen illalla Hugging Faceen ilmestyi kolme pakettia, joissa tutut kuvamallit on siirretty moninkertaisesti tiiviimpään latenttiavaruuteen. Menetelmän nimi on DC-Gen, ja sen myyntipuhe on suora: sama malli, sama jälki, 4K-kuva 3,5 sekunnissa.

Diffuusiomalli ei työskentele pikseleissä vaan latentissa — tiivistetyssä lukuesityksessä, jonka autoenkooderi kuvasta puristaa. Numero 005 kirjasi, miten tätä perustusta on alettu kyseenalaistaa molemmista päistä; MIT:n tehokkuuslaboratorion DC-Gen kuuluu samaan liikkeeseen, mutta käytännöllisemmällä otteella. Sen kysymys kuuluu: jos syvätiivistävä autoenkooderi puristaa kuvan moninkertaisesti pienemmäksi kuin mallin alkuperäinen, voiko valmiin, jo koulutetun mallin muuttaa asumaan siihen? Suoraan siirrettynä ei — mallin opittu käsitys latentista ja uusi avaruus eivät kohtaa, ja hienosäätö hajoaa käsiin. Syyskuinen menetelmäpaperi ratkaisee tämän kahdessa vaiheessa: ensin kevyt kohdistuskoulutus opettaa uuden ja vanhan esityksen vastaavuuden, ja vasta sitten pieni LoRA-hienosäätö herättää mallin laadun uudessa kodissa. Koko muutto maksaa kaksitoistamiljardiselle mallille noin 40 näytönohjainpäivää — ison koulutusajon mittakaavassa pyöristysvirhe.

Tulokset ovat sitä luokkaa, että ne kannattaa sanoa hitaasti. Neljän tuhannen pikselin leveyden generointi nopeutuu paperin mittauksissa 53-kertaisesti, ja kun päälle lasketaan aiemmin tässä lehdessä käsitelty NVFP4-kvantisointi, 4K-kuva syntyy yhdellä kuluttajakortilla 3,5 sekunnissa — yhteensä 138 kertaa nopeammin kuin pohjamallilla. Tarkkuus, joka tähän asti on ollut erikoisajo — se jota odotellaan ja josta maksetaan — muuttuu arkiajoksi, luonnostelunopeudeksi. Ja koska siirto ei kajoa mallin opittuun makuun, kyse ei ole uudesta mallista jota pitäisi opetella, vaan tutusta mallista uudella alustalla: flyygeli soi kuten ennenkin, se vain kulkee nyt viulukotelossa.

Eilinen käänne on jakelu. Menetelmän ympärille syntynyt DC-AI-organisaatio latasi Hubiin kolme valmista diffusers-pakettia: FLUX.1-Krea 1K:na ja 4K:na sekä Qwen-muokkaimen — eli juuri ne kaksi sukua, joiden ympärille tämän lehden sivuilla on kasvanut tiheimmät yhteisöt: Krean valokuvaestetiikka ja Qwenin muokkausarki. Paketit tulivat tosin taloon kuin muuttolaatikot ilman osoitelappua: mallikortit ovat toistaiseksi tyhjät, eikä niissä ole lisenssiriviä. Se on enemmän kuin muodollisuus — pohjamallien omat ehdot periytyvät johdannaisiin joka tapauksessa, kuten numero 009 lisenssien sukupuista kirjoitti, joten ansiokäyttöä suunnittelevan kannattaa odottaa kortin täyttymistä. Ja laatulupaus "erottamaton pohjamallista" on toistaiseksi tekijöiden omilla mittareilla mitattu; yhteisön rinnakkaiskuvat ratkaisevat, kuten aina. Mutta suunta on merkittävä: nopeusparannus, joka ei vaadi uutta mallia, on kentän harvinaisin laji — se joka ei maksa kenellekään mitään vanhaa.

Lähteet: DC-Gen-FLUX.1-Krea (HF), DC-Gen-Qwen-Image-Edit (HF), DC-Gen-paperi, MIT Han Lab, GitHub, Hugging Face API (text-to-image ja image-to-image, 48 h 23.8.)

SeedVR2: videoiden yleispesula

ByteDancen restaurointimalli terävöittää videon — tai yksittäisen kuvan — yhdellä diffuusioaskeleella, ja sen ComfyUI-paketti on kerännyt yli neljännesmiljoona latausta. Tässä katsotaan, mihin sitä oikeasti käytetään.

Sarjan päättävä kymmenes osa poikkeaa edeltäjistään: SeedVR2 ei luo mitään uutta, vaan pelastaa olemassa olevaa. Se on restaurointimalli — laji, jonka sukupuun numero 003 kirjoitti auki — mutta poikkeuksellisen käytännöllinen sellainen: siinä missä diffuusiopohjainen restaurointi on perinteisesti tarkoittanut kymmenien askelten hidasta ajoa, SeedVR2 on koulutettu vastakkainasettelulla tekemään työnsä yhdellä askeleella. Video menee sisään huonona ja tulee ulos terävänä lähes generointimallin nopeudella, eikä tarkkuudelle ole kiinteää kattoa. Malleja on kaksi, kolmen ja seitsemän miljardin parametrin, ja arkikäytön reitti kulkee yhteisön ComfyUI-paketin kautta, joka osittaa työn niin, että kotikoneen kortti riittää.

Käytännön reitit. Ensimmäinen ja yleisin: generoitujen videoiden viimeistely. Videomallit ajetaan usein matalalla tarkkuudella, koska aika ja muisti ovat kortilla — LTX:n tai H3:n 720p-ulostulo nostetaan SeedVR2:lla julkaisukuntoon, ja tämä kahden vaiheen putki on vakiintunut niin, että moni työnkulkutiedosto sisältää sen valmiina. Toinen: arkistojen henkiinherätys. VHS-digitoinnit, DVD-ripit ja varhaiset kännykkävideot ovat sitä aineistoa, jolle restaurointimalli tekee vaikuttavimman tempun — kohina lähtee, reunat palaavat, ja perhevideoprojekti näyttää siltä kuin kuvaaja olisi osannut asiansa. Kolmas: puhelinvideon siivous — hämärässä kuvattu, pakkautunut ja tärähtänyt materiaali tasoittuu esityskelpoiseksi. Ja neljäs, helposti ohitettu: sama malli restauroi myös yksittäisen kuvan, joten se korvaa monessa työpöydässä erillisen kuvaterävöittimen.

Rehellisyyden nimissä. Restaurointimalli ei palauta kadonnutta tietoa — se arvaa sen. Pienet kasvot, kyltit ja tekstit voivat "parantua" joksikin muuksi kuin mitä ne olivat, ja siksi dokumentti-, tutkimus- ja todistekäytössä raja on ehdoton: terävöitetty video on tulkinta, ei lähde. Diffuusiorestauroijalla on myös oma estetiikkansa — pehmeän varma pinta, jonka tottunut silmä tunnistaa — ja voimakkaimmillaan se silottaa myös sen rosoisuuden, joka materiaalissa oli tarkoituksellista. Työjuhdaksi se silti kelpaa paremmin kuin mikään edeltäjänsä: nopea, välinpitämätön lähdemateriaalin laadusta ja saatavilla siellä, missä muukin työ jo tehdään. Sarja päättyy tähän sopivasti: yhdeksän osaa katsoi, mitä uutta koneella luodaan — kymmenes muistuttaa, että suurin osa maailman kuvista on jo olemassa, ja nekin ansaitsevat huoltonsa.

Lähteet: SeedVR2-3B, SeedVR2_comfyUI, ComfyUI-solmut (GitHub), menetelmäpaperi, Hugging Face API (video-to-video, trending 23.8.)

Kahdeksan ruutua käsikirjoituksesta: Hugging Facen sovellustilin kuvakäsikirjoitusgeneraattori nousi viikonlopun trendilistalle: tekstikuvauksesta syntyy kahdeksan ruudun elokuvallinen kuvakäsikirjoitus, moottorina Krea 2 Turbo ja sen päälle koulutettu ruudukko-LoRA. Esituotannon luonnostelu — se työvaihe, jossa kuvakulmia haetaan tusinoittain ja jokainen hylätään — on täsmälleen se paikka, johon kahdeksan askeleen pikamalli istuu. Sivumennen se on myös näyte siitä, mitä numeron 009 juttusarja ennusti: Krea 2:sta on tullut alusta, jonka päälle muut rakentavat.

Ilmaisgeneraattorien tori: Spaces-trendilistan kärkeä hallitsee tällä viikolla joukko nimettömiä "ilmainen videogeneraattori" -ajopisteitä — suosituimmalla yli tuhat tykkäystä. Kysyntä on aitoa: kaikki eivät omista näytönohjainta, ja kynnys kokeilla on olematon. Muistilista silti mukaan: tuntemattoman ylläpitäjän ajopisteeseen ei kannata syöttää omia kasvoja eikä asiakastyötä, sillä syötteiden kohtalosta ei ole takeita — ja moni tori pyörittää täsmälleen samoja avoimia malleja, jotka saa omalle koneelle tai vuokrattuun ajoympäristöön itsekin, ehdot itse lukien.

Kasvot ovat hakusana: trendilistan kärkipäähän kiipesi myös käänteinen kasvohaku — sovellus, joka etsii kuvan perusteella, missä muualla samat kasvot esiintyvät verkossa. Visuaalisen alan tekijälle ilmiöllä on kaksi terää. Sama työkalu, joka paljastaa kuvien luvattoman käytön ja auttaa valvomaan mallisopimuksia, tekee jokaisesta julkaistusta kasvokuvasta hakukelpoisen — myös niistä referensseistä, jotka aikanaan ladattiin verkkoon ajattelematta asiaa sen enempää. Mallijulkaisulupa, jonka moni on tottunut kuittaamaan muodollisuutena, on tässä maailmassa se asiakirja, jonka varassa ammattilainen seisoo.