Pikselipaino
Pääkirjoitus
Generatiivisista malleista puhutaan yhä niin kuin ne loisivat tyhjästä. Tämän vuorokauden julkaisut tekevät melkein päinvastaista. Yksi ottaa vastaan valmiin näytellyn otoksen ja piirtää siitä uudelleen tasan yhden ihmisen, jättäen sateen, neonvalot ja ohikulkijat koskemattomiksi. Toinen ei tuota kuvaa lainkaan vaan poistaa: se pyyhkii pelivideosta käyttöliittymän, jotta jäljelle jäisi pelkkä maailma. Kumpikaan ei aloita tyhjältä kankaalta. Molemmat aloittavat siitä, mitä joku on jo kuvannut.
Tämä on hiljainen mutta merkittävä siirtymä. Kun malli tuottaa kuvan tyhjästä, ainoa kysymys on, näyttääkö se hyvältä. Kun malli lukee olemassa olevaa materiaalia, kysymyksiä tulee lisää: kenen otos, millä ehdoilla, ja mitä siitä saa jättää jäljelle. Päivän kolmas juttu on saman asian talousversio. Stable Diffusionin tekijän tuoreeseen rahoituskierrokseen osallistuivat kaikki kolme suurta levy-yhtiötä ja yksi maailman suurimmista pelitaloista — eli juuri ne, joiden hallussa raaka-aine on. Riita siitä, kuka omistaa koneiden ravinnon, ei ole ratkennut. Se on vain muuttamassa muotoaan oikeussalista osakasluetteloon.
Uutiset
Yksi näyttelijä piirretään, muut jäävät valokuvaan
Eilen illalla julkaistu LTX-2.5:n IC-LoRA muuttaa näytellystä otoksesta yhden hahmon käsin piirretyksi animaatioksi — ja jättää taustan, sateen ja sivulliset valokuvaksi. Rotoskooppaus on ollut mahdollista ennenkin. Valikoiva rotoskooppaus ei.
Animaation ja live-kuvan sekoittaminen on vanha temppu. Rotoskooppaus keksittiin 1910-luvulla: filmi heijastettiin lasilevylle ja piirtäjä jäljensi liikkeen ruutu kerrallaan. Menetelmä on antanut elokuvahistorialle joitakin sen omalaatuisimmista teoksista, ja se on aina maksanut saman hinnan — ihmiskuukausia. Tekoälymallit ovat viime vuosina osanneet tyylitellä videon kokonaan piirroksen näköiseksi, mutta juuri siinä on ollut ongelma: kokonaan. Kun tyyli tarttuu koko ruutuun, taustan valokuvamainen syvyys katoaa, ja lopputulos on sarjakuva eikä sekoitus.
Eilen kello 21 aikaan Hugging Faceen ilmestynyt ltx-2.5-22b-ic-lora-cel-character ratkaisee tämän yllättävän suoraviivaisesti. Se on niin sanottu IC-LoRA eli kontekstissa toimiva hienosäätöpaino: malli saa syötteekseen kaksi asiaa yhtä aikaa, alkuperäisen näytellyn videoklipin ja tekstikuvauksen siitä. Kuvaus on jaettu kahteen osaan, ja jako on koko työkalun ydin. Ensimmäisessä osassa nimetään se yksi hahmo, joka muutetaan piirrokseksi — ikä, hiukset, vaatteet, tuntomerkit. Toisessa kuvaillaan ympäristö, ja se pysyy valokuvana.
Mallikortti varoittaa tässä kohtaa asiasta, joka on samaan aikaan rajoitus ja koko menetelmän logiikka: kuka tahansa, jonka mainitsee, muuttuu piirrokseksi. Jos taustaa kuvaillessaan kirjoittaa "ohikulkijoita sateessa", ohikulkijoistakin tulee piirrettyjä. Tausta on siis kuvattava paikkoina ja esineinä, ei ihmisinä. Erottelu ei perustu segmentointiin eikä maskiin vaan siihen, mitä kielessä sanotaan ääneen — mikä on samaan aikaan tyylikästä ja hauras.
Tekniset tiedot ovat vaatimattomat sillä tavalla kuin hyvät yhteisöjulkaisut ovat: rank 32, koko 312 megatavua, koulutettu ja käytettäväksi tarkoitettu tarkkuudella 1152×672. Käyttöohje on epätavallisen tarkka. Mukana tulee yksitoista esimerkkirenderöintiä ja niiden rinnalle samat klipit kahtena — vertailukuva vasemmalla, tulos oikealla — kaikki samalla siemenluvulla 42, kolmellakymmenellä askeleella ja kirjatuilla ohjausarvoilla. Tekijä ei ole valinnut parhaita paloja, vaan näyttää yhden ajon sellaisenaan. Erillistä laukaisusanaa ei ole.
Kenelle tämä on? Ilmeisin vastaus on musiikkivideot ja lyhytelokuva, joissa yhden hahmon irrottaminen todellisuudesta on kerronnallinen keino eikä efekti. Vähemmän ilmeinen vastaus on esivisualisointi: ohjaaja voi näyttää animaatiotiimille, miltä hahmo näyttäisi piirrettynä oikeassa ympäristössä, ennen kuin yhtään ruutua on piirretty käsin. Varaukset ovat lajille tavanomaisia — koulutustarkkuudesta poikkeaminen heikentää tulosta, ja 22 miljardin parametrin pohjamalli on iso ajettava. Mutta suunta on kiinnostava. Työkalu ei kysy, osaako se piirtää. Se kysyy, kenet piirretään.
Lähteet: mallikortti (25.8.2026), LTX-2.5, IC-LoRA-menetelmä (LTX), ComfyUI-tuki
Pelivideosta pestään käyttöliittymä pois
Maailmamalleja koulutetaan pelivideoilla, mutta jokaisen pelivideon päällä on osumapalkkeja, karttoja ja tähtäimiä. Tänä aamuna julkaistu Game2World tekee siivoustyön, jota kukaan ei ole halunnut tehdä.
Maailmamalli on generatiivinen malli, joka ei tuota valmista videota vaan jatkaa maailmaa eteenpäin: annat sille näkymän ja komennon, ja se ennustaa, miltä seuraava hetki näyttää. Sellaisen kouluttamiseen tarvitaan valtavasti videota, jossa kamera liikkuu ihmisen ohjaamana ympäristössä. Tätä aineistoa on olemassa yksi maailmanhistoriallisen kokoinen varasto, ja se on internetin pelivideot.
Varastossa on vain yksi vika. Ruudun päällä on aina jotain, joka ei ole maailmaa: elämäpalkki, minikartta, ammuslaskuri, tähtäin, tehtäväteksti, striimaajan oma kasvokuva nurkassa. Malli, joka koulutetaan tällaisella aineistolla, oppii ne osaksi todellisuutta — ja alkaa piirtää maailmoihinsa kelluvia mittareita. Tähän asti ongelma on kierretty käyttämällä siistiä, itse tuotettua aineistoa pelimoottorista, mikä on kallista ja kapeaa.
Tänä aamuna kello viiden jälkeen Hugging Faceen ilmestynyt Game2World hyökkää tähän eri suunnasta. Julkaisun nimi on suomeksi suunnilleen "pelistä maailmaksi: villien pelivideoiden avaaminen maailmamallien koulutukseen", ja mukana tulee kaksi hienosäätöpainoa mallille nimeltä GameCleaner. Työnjako on selkeä: siivooja poistaa videosta käyttöliittymäkerroksen, ja jäljelle jää puhdas näkymä, joka kelpaa opetusaineistoksi. Pohjalla on Wan 2.2:n viiden miljardin parametrin tekstistä-ja-kuvasta-videoksi -malli, jonka ohjaukseen on liitetty Qwenin kolmen miljardin näkökielimalli — eli siivooja sekä näkee ruudun että ymmärtää, mikä siinä on peliä ja mikä käyttöliittymää.
Kaksi painoa vastaavat kahteen työtapaan. Ensimmäinen toimii pelkän tekstikehotteen varassa. Toinen — julkaisijan suosittelema — on koulutettu käyttämään referenssivideota ja on nähnyt koulutuksessaan tarkoituksella myös tapaukset, joissa referenssi puuttuu: viidesosa koulutusaskelista ajettiin ilman sitä. Se on pieni ja hyvin ammattimainen yksityiskohta. Malli, joka on harjoitellut vain täydellisellä syötteellä, hajoaa siinä hetkessä, kun syöte ei ole täydellinen. Molemmat painot on ajettu runsaan kolmentuhannen askelen verran, ja lisenssi on MIT.
Miksi tämä kiinnostaa muutakin kuin maailmamallien kouluttajia? Koska sama työ toistuu joka puolella. Arkistofilmissä on tekstitykset ja kanavatunnukset, valvontakuvassa aikaleima, puhelimen ruutunauhoituksessa tilapalkki, opetusvideossa hiiriosoitin. Aina kun videota käytetään raaka-aineena eikä lopputuotteena, joku joutuu ensin poistamaan siitä sen kerroksen, joka kertoi katsojalle jotain. Siivousmalleja ei julkaista näyttävästi eikä niistä tehdä esittelyvideoita, mutta ilman niitä koko putki syö omaa käyttöliittymäänsä.
Lähteet: Game2World-mallikortti (26.8.2026), projektin koodi, Wan 2.2 TI2V-5B, Hugging Face API (video-to-video, 48 h 26.8.)
Levy-yhtiöt ostivat palan Stable Diffusionin tekijästä
Stability AI keräsi 76 miljoonaa dollaria kierroksella, jonka sijoittajalistalla ovat Universal, Sony Music, Warner Music ja Electronic Arts. Kaksi vuotta sitten samat nimet esiintyivät lähinnä haastehakemuksissa.
Stability AI julkisti eilen B-rahoituskierroksensa: 76 miljoonaa dollaria uutta pääomaa, jolloin yhtiön kokonaisrahoitus nousee 232 miljoonaan. Summa ei ole nykymittapuulla suuri — tekoälyalalla liikkuu viikoittain suurempia lukuja. Kiinnostavaa on sijoittajalista.
Mukana ovat maailman kaikki kolme suurta levy-yhtiötä, Universal Music Group, Sony Music Group ja Warner Music Group, sekä pelijätti Electronic Arts. Lisäksi kierrokselle osallistuivat AMD Ventures ja Pacific Alliance Ventures, ja aiemmilta kierroksilta tutut Coatue, Greycroft ja Kadmos Capital sekä yksityissijoittajina Sean Parker ja Eric Schmidt. Yhtiö kertoo käyttävänsä varat luovan tuotannon tuoteperheeseensä, soveltavaan tutkimukseen ja ammattilaispalveluihin.
Yhdistelmä ansaitsee hetken pysähtymisen. Stability AI on yhtiö, joka julkaisi Stable Diffusionin — mallin, joka avasi kuvageneroinnin kenelle tahansa ja joka samalla synnytti alan kiivaimmat tekijänoikeuskiistat. Musiikkiteollisuus on viime vuodet ollut generatiivisen tekoälyn äänekkäimpiä vastustajia, ja levy-yhtiöiden ja tekoälyfirmojen kohtaamiset ovat tapahtuneet pääosin oikeussaleissa. Nyt samat yhtiöt istuvat osakasluettelossa.
Tulkintoja on ainakin kaksi, eivätkä ne sulje toisiaan pois. Myönteinen: kun oikeudenhaltija on osakas, lisensoinnista neuvotellaan pöydässä eikä tuomarin edessä, ja tekijöiden korvausmallit voivat vihdoin syntyä osaksi tuotetta eikä sen päälle liimattuna. Epäilevä: sijoitus on halpa tapa saada näköalapaikka ja vaikutusvaltaa siihen, mitä yhtiö kouluttaa ja millä. Kumpi tulkinta osuu, näkyy siinä, minkälaisia painoja Stability jatkossa julkaisee avoimesti — ja julkaiseeko lainkaan.
Tekijän kannalta olennainen kysymys on juuri tämä. Stability AI:n merkitys tälle lehdelle ei ole koskaan ollut sen liikevaihto vaan se, että yhtiö laittoi painot ulos. Numeron 002 klassikkoartikkeli kertoi, miten Stable Diffusion ja SDXL synnyttivät koko sen yhteisön, jonka LoRA-koulutuksia, solmugraafeja ja kvantisointeja tässä lehdessä nyt seurataan päivittäin. Rahoituskierros ei kerro suoraan mitään avoimuudesta suuntaan tai toiseen. Mutta se kertoo, että pöydässä istuu nyt neljä uutta osapuolta, joiden ansaintalogiikka ei perustu siihen, että tiedostot ovat vapaasti ladattavissa.
Lähteet: Stability AI:n tiedote (25.8.2026), TechCrunch, Variety, Digital Music News
Lyhyet
Kahdeksankymmentäviisi prosenttia huomiosta pois: MiniMax H3:n neljän askeleen versioon ilmestyi harvennettu variantti, joka jättää laskematta 85 prosenttia huomiomatriisista ja tuottaa mittausten mukaan noin 2,5-kertaisen nopeuden RTX 5090:llä. Harva huomio on ollut kielimallien puolella arkea vuosia; videomalleissa se on vasta löytämässä paikkansa, koska ruutujen väliset riippuvuudet eivät ole yhtä helposti karsittavissa kuin lauseen sanojen. Numeron 008 tislausartikkelin jatkoksi: nopeutus ei enää tarkoita pelkkää askelten vähentämistä vaan sitä, mitä kullakin askeleella jätetään tekemättä.
Maailma, jota ohjataan näppäimistöltä: Zing-0.5 on viiden miljardin parametrin kausaalinen maailmamalli, joka ennustaa näkymää eteenpäin reaaliajassa ja ottaa vastaan W-, A-, S- ja D-näppäinten komentoja — ja, mikä kiinnostavampaa, myös kehotteen vaihdon kesken ajon. Malli pyörii yhdellä 80 gigatavun näytönohjaimella neljän askeleen näytteistyksellä. Numeroissa 006 ja 007 seurattu maailmamallien laji on siirtymässä demoista ohjattavuuteen, ja tekijät myöntävät kortissaan sen, mikä lajissa yhä ontuu: pitkillä ajoilla kuva ajautuu vähitellen sivuun ja fysiikka alkaa pettää.
Yhdeksän sekuntia puhelimessa: FLUX.2:n pienin, neljän miljardin parametrin versio on käännetty Androidin LiteRT-ajoympäristöön, ja kortissa on harvinaisen konkreettiset luvut: kuva tekstistä yhdeksässä sekunnissa Galaxy S26:lla, kahden kuvan yhdistelmä kahdessatoista. Kolme vuotta vanhalla S22:lla samat työt vievät minuutin ja kaksikymmentä sekuntia sekä lähes kaksi minuuttia. Paketti keräsi vuorokaudessa yli kaksituhatta latausta. Julkaisu ei ole sovellus vaan ajoympäristösopimus: se kertoo, missä järjestyksessä 43 laskentagraafia on ajettava, ja jättää kaiken muun kehittäjän tehtäväksi.
Laatikot, jotka liikkuvat: LTX-2.5:lle julkaistiin rajauslaatikko-ohjain, jolla kohtauksen esineille annetaan omat suorakaiteensa, omat kuvauksensa ja oma liikeratansa. Esimerkkiklipeissä laatikoita on kahdeksasta viiteentoista. Käytännön etu on se, että kuvaukset voi vaihtaa keskenään ohjausvideon pysyessä samana — sama koreografia, eri esiintyjät. Tekijä listaa myös sen, mitä malli ei vielä osaa: syvyysjärjestys ja se, mikä menee minkä eteen, on yhä auki.
Asennontunnistin puhelimen kokoon: ViTPose ja japanilaisen sarjakuvan tekstintunnistin manga-OCR ilmestyivät molemmat ExecuTorch-käännöksinä saman vuorokauden aikana. Kyse ei ole uusista malleista vaan siitä, että vanhat luotettavat työkalut siirtyvät sinne, missä kuva otetaan. Sama liike kuin FLUX.2:n puhelinversiossa, vähemmällä melulla.
Videomalli still-kuvien tekijänä: LTX-2.3:sta ilmestyi vuorokauden sisällä sarja yksittäiskuviin tislattuja versioita, mukaan lukien nelibittiset ja kahdeksanbittiset kvantisoinnit. Videomallin käyttäminen valokuvageneraattorina on epäintuitiivista mutta järkevää: aikaulottuvuudella koulutettu malli on nähnyt saman kohteen tuhansista kulmista, ja se näkyy sommittelun uskottavuudessa. Hinta on koko — vaikka kvantisoituna.
Seuranta — peilit lisääntyvät: numerossa 012 kerrottiin mallien peilikopioista aitojen kiertämisen keinona. Vuorokauden aikana sama ilmiö näkyi toisessa muodossa: suosittu kohtausjatkumo-LoRA ja Qwen-Image-Editin kaikki-yhdessä-paketti ilmestyivät kuudelle eri käyttäjätilille alle tunnissa, sisällöltään identtisinä. Nämä eivät kierrä mitään porttia, koska alkuperäiset ovat vapaasti saatavilla. Todennäköisempi selitys on latauslukujen ja näkyvyyden keräily. Lopputulos on sama kuin numerossa 012: hakutulos täyttyy kopioista, ja alkuperäinen tekijä katoaa listan alaosaan.
Mitä tällä oikeasti tekee
Seuraava kuva
Kuvamalleilla on ollut yksi itsepäinen puute: ne osaavat tehdä upean yksittäisen kuvan, mutta eivät toista sen vieressä. Pyydä samasta hahmosta lähikuva ja sen jälkeen laaja kuva samasta paikasta, ja saat kaksi eri maailmaa. Elokuvantekijälle, sarjakuvantekijälle ja esivisualisoijalle tämä on koko ammatin ydinongelma, koska työ ei ole kuva vaan kuvien järjestys.
Työkalu: next-scene, hienosäätöpaino Qwen-Image-Editin päälle. Se ei tee kuvaa tyhjästä vaan ottaa yhden valmiin kuvan ja tuottaa siitä seuraavan otoksen: sama paikka, samat henkilöt, samat materiaalit ja valo, mutta uusi kamerakulma tai uusi hetki. Ajaminen onnistuu ComfyUI:ssa mukana tulevalla työnkululla tai suoraan diffusers-kirjastosta.
1. Kuvakäsikirjoitus ilman piirtäjää. Ota yksi hyvä avainkuva — vaikkapa se, joka syntyi kymmenennellä yrityksellä ja jonka valaistus vihdoin toimii. Kirjoita kehotteeksi seuraava otos elokuvakielellä: "seuraava kohtaus — kamera siirtyy hahmon taakse, laaja kuva, sama iltavalo". Toista. Kymmenessä minuutissa on kuuden otoksen kuvakäsikirjoitus, jossa tila pysyy samana. Tämä on kokousmateriaalia eikä lopputuotetta, mutta juuri kokousmateriaalin tekemiseen on aiemmin kulunut päivä.
2. Videomallin syöttäminen. Nykyiset videomallit ovat vahvimmillaan, kun ne saavat lähtökuvan ja loppukuvan väliltä lyhyen matkan. Kun next-scene tuottaa peräkkäiset otokset, jokainen niistä voi toimia videogeneroinnin lähtöruutuna — ja koska otokset ovat keskenään johdonmukaisia, myös klipit sopivat leikattaviksi peräkkäin. Tämä on käytännössä ainoa tapa saada monen otoksen kohtaus ilman, että hahmon takki vaihtaa väriä leikkauksessa.
3. Tuotekuva kahdeksasta kulmasta. Verkkokaupan kuvasarja on sama ongelma vaatimattomammassa asussa: yksi esine, monta kulmaa, sama valo ja sama tausta. Yhdestä studiokuvasta saa sarjan, jossa esine kääntyy mutta pöytä, varjo ja heijastus pysyvät. Vaate kannattaa tarkistaa tarkkaan — saumat ja logot ovat ensimmäinen paikka, jossa johdonmukaisuus pettää.
4. Sarjakuvaruudun jatkaminen. Piirretty tyyli säilyy yllättävän hyvin, koska malli lukee lähtökuvan tyylin osaksi kohtausta. Yhdestä käsin piirretystä ruudusta saa sivun verran jatkoa, jonka päälle piirtäjä tekee lopullisen viivan. Vertailukohtana päivän pääjuttu: myös siinä kone hoitaa välivaiheen ja ihminen viimeisen vedon.
Missä se pettää. Teksti, kädet ja pienet logot rappeutuvat ketjussa, koska jokainen kierros generoi ne uudelleen. Neljännen tai viidennen otoksen jälkeen alkaa näkyä ajautuminen: kasvot muuttuvat vähitellen toisiksi. Käytännön ohje on sama kuin valokuvauksessa — palaa aina alkuperäiseen kuvaan äläkä ketjuta loputtomiin. Kuvasta 1 kuvaan 5 on parempi reitti kuin kuvasta 4 kuvaan 5.
Lähteet: next-scene-mallikortti, Qwen-Image-Edit 2509, Hugging Face API (image-to-image, trendit 26.8.)
Nostot · kentältä ja verkosta
Yhdeksän päivää vanha malli nousi listan kärkeen: videosta-videoksi -osaston selvästi kysytyin julkaisu on tällä hetkellä 4DAnyone, joka tekee tavallisesta puhelimella kuvatusta videosta monta yhtäaikaista kamerakulmaa ja siten pohjan neliulotteiselle rekonstruktiolle — liikkuva ihminen, jota voi katsoa mistä suunnasta tahansa jälkikäteen. Julkaisu on 17. elokuuta ilmestynyt Ant Groupin tutkimusyksikön työ, ja se löydettiin vasta nyt. Se on hyvä muistutus siitä, että Hugging Facen etusivu ei ole aikajana vaan huomiotalouden mittari: hyvä malli voi maata viikon lojumassa ennen kuin joku tekee siitä esittelyvideon.
Elokuun H3-vyöry: MiniMax H3:sta ilmestyi kahden vuorokauden aikana kuusi eri johdannaista — hybridejä, turbo-versioita, liikeadaptereita, kvantisointeja. Malli julkaistiin kolme viikkoa sitten. Tämä on nykyisin lajin normaali kulku, ja siinä on hyvä ja huono puoli: pohjamalli saadaan pyörimään kaikella mahdollisella raudalla nopeammin kuin ennen, mutta kolmenkymmenen variantin joukosta oikean valitseminen on muuttunut omaksi taidokseen. Suositus pysyy samana kuin aiemmissa numeroissa: aloita virallisesta painosta, siirry variantteihin vasta kun tiedät mitä olet menettämässä.
Yksi tekijä, seitsemän hahmoa yhdessä yössä: Krea 2 -pohjamallin ympärille syntyy hiljaista mutta tasaista käsityötä. Yhden käyttäjän tilille ilmestyi yön aikana seitsemän erillistä hahmohienosäätöä, kaikki samalla nimeämistavalla ja saman koulutusasetuksen näköisinä. Näitä ei näy trendilistoilla eikä niistä kirjoiteta, mutta juuri tämä on se kerros, jossa pohjamallin kohtalo ratkeaa: malli elää niin kauan kuin joku jaksaa kouluttaa sille hahmoja kello kahdelta yöllä.
Pikselipaino · Nro 013 · 26.8.2026