#humor #robot

VK | MAX

Photoshoot

Набор нод для фотосета в #ComfyUI: описываешь персонажа раз и навсегда (44 поля - тело, лицо, волосы, макияж, одежда), а потом заряжаешь серию до 40 кадров с разным кадрированием, позами, выражением и соотношением сторон. Персонаж не дрейфует

Шесть осей: камера (7 кадрирований), поза (18 поз + положение в комнате), выражение (90 настроений в 9 группах), фокус, соотношение сторон и шум. Каждую ось можно выключить или ограничить семьёй — «только стоячие позы», «только спокойные настроения», «только крупные планы». Серия считается по комбинациям, а не по случайным сидам — 7-й кадр всегда одинаковый, серию можно продлить позже, ничего не повторится

Важный нюанс: с расстоянием промпт ужимается. Для общего плана модель не получает описание помады и подводки — токены, неразрешимые с такого расстояния, все равно стягивают композицию на голову

Установка через ComfyUI Manager, искать Photoshoot

#personalization

Oyama AI Video Studio

Desktop-рабочая станция для ИИ-видеопроизводства поверх #ComfyUI. Все локально: #MiniMaxH3 #LTX25 #ZImage #ACEStep — один интерфейс, без копирования моделей

- MiniMax H3: T2V/I2V/Ref2VA с FL2VA и Ref2VA, Turbo LoRA (4/8 шагов), Quality/Preview пресеты, A/B сравнение
- LTX 2.5 отдельное рабочее пространство с Quality (двухстадийный апскейл) и Turbo пресетами, синхронное аудио
- ACE-Step 1.5 музыка: лирика/инструментал, темп/тональность/язык, FLAC
- Character Studio: референсы через Z-Image → I2V turntable → Movie Creator
- Mobile companion: QR-доступ с телефона для быстрых генераций
- Local Ollama: промпт-улучшение, тайминг, переписывание аудио
- Модели индексируются на месте, не копируются и не перекладываются
- LAN по опции, с токеном

#studio #t2v

VK | MAX

#humor

VK | MAX

Viggle Mine

Демоспейс с продвинутой оберткой над Viggle Animate для замен персонажа в сложных сценах. Когда герой отворачивается уходит в толпу или возвращается мелким планом идентичность не теряется.

Два режима. Standard — прямая длинная генерация. Smart — полный пайплайн: трекинг точек (TAPNext++), контроль камеры (SAM), динамический зум, Pass A и опциональный Pass B для восстановления личности.

Pass B работает так: после потери персонажа из кадра берется кадр где он снова виден, перерисовывается внешность, генерируется обратно-вперед вокруг точки сбоя и встраивается до обратного преобразования зума. Все окна около 5 секунд чтобы уложиться в один GPU allocation на ZeroGPU.

#characterswap

VK | MAX

ComposeCL

Давно ничего не постил про память LLM

Исследование о том как языковые модели могут запоминать информацию поступающую последовательно и не забывать ее после десятков обновлений. Обычное дообучение на новых задачах стирает старые знания — ComposeCL проверяет какие комбинации механизмов продолжающегося обучения работают лучше всего

- Систематический тест 16 комбинаций 4 механизмов: якорь данных (генеративный реплей), якорь функции (самодистилляция), якорь весов (Synaptic Intelligence) и merged LoRA
- Лучшая комбинация всех 3 якорей + merged LoRA дает 34.9%
- Якорь данных и merged LoRA дают наибольший прирост

- 34.9% среднее финальное удержание против 1.2% у наивного обучения
- Топ-3 на 3 датасетах у одной фиксированной композиции всех механизмов

Вывод: для долгоживущих агентов нужно не выбирать один механизм а комбинировать несколько комплементарных

Гитхаб

#memory

CocktailASR-1 (Xiaomi)

Распознавание речи, #sota на мультиспикер, заявлены английский и китайский

В демо распознавание одного целевого говорящего в шумной обстановке. Сначала извлекает голос конкретного человека по короткому референсу потом расшифровывает его. Остальные голоса и шум игнорируются

- Двухстадийная обработка: извлечение голоса цели по референсу + ASR на чистом сигнале
- Работает в шуме с несколькими говорящими — фон и посторонние голоса не попадают в распознавание
- Короткий референс голоса (до 3 секунд) достаточно чтобы выделить цель

Гитхаб
HF
Демо

Спасибо @m_franz

#asr

VK | MAX