Что открыла FastVideo
Лаборатория Hao AI Lab (UCSD) выложила на GitHub репозиторий fastvideo-project/dreamverse-harness под лицензией MIT и опубликовала разбор «FastVideo Dreamverse Harness: Local-First AI Filmmaking on Your Own GPUs». Дата поста 19 ноября 2026.
Это не модель и не плагин к чужому приложению. Это агентская среда, то есть рабочее место, где человек и агент доводят генерацию от пачки отдельных клипов до собранного фильма. Внутри три поверхности: визуальный холст для ассетов (персонажи, локации, шоты), таймлайн для финального монтажа и чат с агентом. Основа проекта это DeepSeek Harness от DeepSeek.
Холст, таймлайн и чат: как это устроено
Холст отвечает за материалы. Персонаж, локация, шот лежат рядом как объекты проекта, и агент видит их так же, как человек. Таймлайн закрывает монтаж: шоты встают в свой порядок, и финальный ролик собирается там же, где решался состав кадров.
Чат это вход для агента. Ему выдают навыки режиссуры: разбор сценария, фиксацию референсов персонажей, расписание шотов по моделям. Последнее значит, что агент сам раскладывает планы по тем моделям, которые эти планы тянут.
Модели подключаются провайдерами-плагинами. В комплекте есть встроенный навык, по которому кодинг-агент пишет провайдер сам, так что среда не заперта на одном наборе весов. Это и есть ответ на «сделать видео нейросетью» без привязки к чужому облаку. Соседняя история про ускорение: когда FastVideo и FastH3 сделали семь раз быстрее, здесь же оказалось видно, сколько времени среда экономит на переборе дублей.

Проектный слой: версии вместо «финальный_final»
Самое ценное в этой среде лежит в учёте, генерация тут вторая по важности. Проектный слой работает как система контроля версий для фильма. Каждое изменение пишется в журнал, отмена ничего не удаляет, у референсов есть номера версий вида c1@1 и c1@2.
Каждый дубль помнит, какие версии фото и плана его сделали. Устаревшие дубли помечаются. Для студии это закрывает вечную проблему длинных серий, где после пятой правки никто не может сказать, из какого референса вырос кадр, который клиент всё-таки утвердил.
Отдельная деталь для контроля расходов. Перед рендером агент показывает, какие шоты пойдут в работу, оценку нагрузки на GPU и причины отказа. Сам рендер стартует после подтверждения человеком. На домашней машине такая пауза экономит часы, на рабочей станции она ещё и фиксирует договорённости по каждому кадру.
Сколько это стоит по железу
Цифры из отчёта, без округлений. Авторы описали конфигурацию на одном NVIDIA DGX Spark, это настольная машина GB10 Grace Blackwell с 128 ГБ общей памяти. Целиком локально на ней живут две модели: Qwen 3.8 27B в NVFP4 как мозг агента, около 39 ГБ, и FastH3 Trim для видео, около 45 ГБ при рендере.
Скорость: пять секунд 480p со звуком считаются примерно за 33 секунды на одном Spark и за 19 секунд на двух. Когда FastH3 только запустили на Spark, тот же кадр занимал 243 секунды, то есть разница с текущей цифрой в разы.
Апскейл до 2K (2560x1440) идёт через Open-H3-Regenerate-2K на двух Spark и занимает 158 секунд на кадр вместо 454. Про сам Open-H3-Regenerate-2K у нас есть отдельный разбор апскейла до 4K. До четырёх Spark соединяются кабелем. Если Spark нет, стандартный конфиг FastH3 в режиме 8-step работает на четырёх видеокартах NVIDIA. Облачную LLM и локальное видео можно смешивать в одном проекте.
Считать бюджет по этим числам просто: на входе одна настольная машина плюс время инженера. На выходе 480p, и это черновой формат. Финальная картинка всё равно пойдёт через апскейл, а часть шотов придётся переделывать.
Чем это отличается от облачной студии
Авторы прямо сравнивают среду с облачными студиями Higgsfield, Runway и TapNow. В облаке вы платите наценку за каждую генерацию и получаете чужую логику агента, поменять её нельзя. Здесь логика лежит в репозитории, шаблоны навыков и провайдеры моделей редактируются, а железо ваше.
Для студии с постоянным потоком проекта это меняет смету. Плата за генерацию превращается в амортизацию машины, а цена ошибки в кадре падает, потому что прогон локальный. Для разовой задачи на пару клипов сравнение уйдёт не в пользу своих GPU: подписка в облаке дешевле, чем настольная станция в углу офиса.
Кому это по силам
Мой ответ короткий: это инструмент для студии с железом и инженером в команде. Человек с ноутбуком не откроет репозиторий и не получит фильм, потому что ему понадобится хотя бы одна машина уровня DGX Spark, а к ней человек, который разберётся с конфигами моделей и плагинами.
Второе, чего я бы ждал от такой среды: предсказуемость серии. С проектом, у которого версии и журнал, можно брать серию из двадцати роликов и не терять персонажа к десятому. С быстрыми моделями эта задача решается. Когда ускоритель ускоряет FastH3 в семь раз, среда получает запас времени на перебор дублей. Если вместо своих GPU нужен результат с человеческим контролем на каждом кадре, сборка идёт через видео нейросетями. Для анимации персонажей и сериала у нас есть отдельная линейка мультфильм на заказ.
Мой вывод
Dreamverse Harness закрывает скучную половину работы над фильмом, бухгалтерию кадров. Версии референсов, журнал изменений и рендер после подтверждения стоят дороже, чем ещё одна модель в пайплайне. Агент, который умеет сам написать плагин под новую модель, убирает самый утомительный обвязочный код.
Стоит держать в голове границу: 480p на выходе и один настольный Spark в минимуме. Я бы начинал с одного проекта и одного человека, который отвечает за железо. До полного отказа от облака здесь далеко, но для студии, которая делает сериал своим ходом, это первый случай, когда логика агента лежит у вас, в вашем репозитории.




