Выпуск: три новости за сутки
Собираю то, что вышло между вечером 26 октября и утром 27 октября. Все три новости небольшие по отдельности и складываются в одну картину: инструменты становятся сложнее, а требования к постановке задачи растут.
Ниже по пунктам, у каждого строка о том, почему это стоит внимания.
1. ComfyUI 0.43: FLUX 3 в 4K и клонирование голоса
Релиз v0.43.0 опубликован 27 октября в 02:40 UTC. В списке изменений появились партнёрские узлы: HeyGen с мгновенным клонированием голоса и синтезом речи, апскейлер Crystal Video Upscaler от ClarityAI, узлы BFL с разрешениями 2K и 4K для FLUX 3 Video и отдельные узлы FLUX 3 Max.
Там же добавили узлы Bria FIBO 2.0 для генерации и редактирования изображений, поддержку rope scaling и управления глубиной цвета для MOSS-image, обновили шаблоны воркфлоу до версии 0.11.97 и починили порог top-p сэмплирования.
Отдельно стоит заметить, чего в релизе нет: новых собственных моделей. Платформа выступает сборщиком, а качество результата зависит от того, какие узлы вы соединили и в каком порядке.
Почему это важно
ComfyUI остаётся местом, где новые модели появляются в одном графе с монтажными узлами. Для студии это способ собрать пайплайн из чужих моделей, не дожидаясь, пока вендор сделает удобную кнопку.
Цена такой свободы известна: каждый узел тянет свои требования к памяти и своё поведение на границах. Граф из шести моделей ломается чаще, чем одна кнопка, и починить его может только тот, кто собирал.
2. OmniShowcase: объект держит форму при облёте по четырём фото
Работа OmniShowcase выложена на arXiv 26 октября в 16:19 UTC. Авторы решают старую проблему генерации по референсу: когда камера облетает объект, модель должна показать поверхности, которых на исходных фото не было.
Метод состоит из двух частей. Первая собирает обучающие видео по автоматическому конвейеру, с разными траекториями камеры, включая полный оборот на 360 градусов. Вторая подаёт в модель карту нормалей поверхности, восстановленную из референсных видов, и делает это без выравнивания по времени с генерируемыми кадрами.
Вместе с методом авторы собрали набор Showcase-4K: видео на основе трёхмерных ассетов, двенадцать типов движения камеры и 88 конфигураций траектории. Для проверки сделан ShowcaseBench с исходными сетками и параметрами камеры.
Авторы заявляют лучший результат по сохранению внешнего вида объекта и трёхмерной согласованности при сопоставимом качестве и движении. Цифры в статье есть, но проверять их стоит на своих товарах.
Почему это важно
Предметная съёмка с облётом это дорогой и медленный жанр. Нужен стол, свет, поворотный механизм и время на пересъёмку, если клиент поменял упаковку.
Если модель удерживает геометрию при обороте, часть таких кадров уходит в генерацию. Ручные ролики при этом остаются для сцен, где товар показывают в сюжете и каждый кадр ставят отдельно.
3. VibeVideoBench: агенты пишут код для рендера
Третья работа появилась 26 октября в 17:59 UTC. Авторы исходят из простого наблюдения: диффузионные модели плохо справляются с формулой, графиком, игровым правилом или субтитрами, синхронными с речью.
Альтернатива: мультимодальный агент пишет код, который рендерит каждый кадр и синтезирует звук. Для сравнения таких систем сделан VibeVideoBench.
В нём 239 задач на английском и китайском, двенадцать категорий, от историй на данных до школьных уроков и разборов статей. Агент работает в песочнице и должен выдать готовый MP4 со звуком в течение часа.
Проверка идёт в три слоя: программные проверки формата, около тринадцати тысяч рубрик с привязкой к требованиям задачи и пять измерений качества, которые оценивают три панели визуально-языковых моделей и слепое сравнение людьми.
Результат на девяти агентных системах и 2 151 прогоне: лучшие, GPT-6 Astra и Claude Opus 5.5, всё равно проваливают ключевое требование примерно в четверти задач. Три четверти потерянных видео это финальный рендер, который начали слишком поздно, запустили слишком медленно или не запустили вовсе.
Почему это важно
Авторы выделяют класс задач, где генерация видео по тексту проигрывает коду. Всё, что требует точной графики, чисел и синхронизации, надёжнее собирать программно.
Диффузия при этом не уходит. Она отвечает за атмосферу, свет и движение, и именно там её преимущество остаётся. Граница между двумя подходами теперь проходит по типу контента.
Что из этого следует
ComfyUI генерация видео давно означает граф из нескольких узлов. Все три новости указывают на одно: единичный запуск перестаёт быть единицей работы. Появляются графы, референсы с геометрией и агенты с кодом.
Для производства это означает рост требований к постановке задачи. Чем точнее описана сцена и её ограничения, тем меньше остаётся на удачу.
Видео нейросетями в такой логике становится сборкой из разных инструментов: одна модель держит объект, вторая делает движение, третья рисует графику. Массовые вертикальные ролики собираются по такому же принципу, только шаблонов больше и они жёстче.
Отдельный эффект касается людей. Навык «написать промпт» дешевеет, навык «описать систему и проверить результат» дорожает. Команда, которая умеет считать прогоны и находить слабое звено в графе, будет цениться выше.
И последнее. Ни одна из трёх работ не отменяет проверку на своих кадрах. Бенчмарк на 239 задачах говорит о среднем результате, о вашем товаре он не говорит ничего.
