Vlo собирает видеомонтаж и AI-генерацию в одном таймлайне. Японский дайджест от 12 октября описывает редактор, который работает на своём компьютере, открывается в браузере и подключается к ComfyUI. Тут интересна сама идея: меньше переходов между генерацией и сборкой ролика.

Во время монтажа можно отправить кадр, клип или выбранный участок таймлайна на генерацию, частичную правку или апскейл. В редакторе есть цветокоррекция, keyframes и переходы. Для работы с объектами доступны вырезание и трекинг через SAM2, разделение аудио и поиск битов.

Vlo — бесплатный open-source проект. Его устанавливают на компьютер и открывают через Chrome или Edge; проект хранится локально. Генеративная часть работает через ComfyUI. Настраивать модели и workflow всё равно придётся самостоятельно.

Vlo и AI-монтаж: когда таймлайн становится частью генерации

Сценарий понятный: собрать черновой ролик, отметить проблемный фрагмент и отправить его на генерацию или обработку, не открывая отдельное приложение. Такой подход может пригодиться для тестовых рекламных сцен, коротких клипов и раскадровок, где приходится быстро перебирать варианты.

В японском источнике нет замеров скорости, списка поддерживаемых workflow и системных требований Vlo. Пока сложно понять, насколько он подойдёт вместо привычного монтажного софта. Описание функций есть, но редактор лучше проверить на своём проекте: посмотреть, как импортируются материалы, что происходит с выбранным участком и удобно ли возвращаться к исходному монтажу.

В той же подборке есть Afflatus — оболочка для ComfyUI с другим акцентом. Она превращает workflow в понятные формы ввода, а изображения и видео сохраняет вместе с настройками. Можно открыть результат и посмотреть его промт, seed, модель и размер, чтобы продолжить работу с конкретной версией.

ПромтяпонскийПромт из оригинала
ガラス容器の中の小さな本屋。暖色のランプと木の本棚、外は雨の夜
Скопируйте и вставьте в нейросеть как есть, на японском: переводить не нужно.
Из чего собран промт
  1. シーン玻璃容器中的小书店ガラス容器の中の小さな本屋
  2. 照明と家具暖色灯和木书架暖色のランプと木の本棚
  3. 環境外面是雨夜外は雨の夜

Krea 2 Turbo: быстрее черновик, но не весь процесс

В подборке отмечена финальная версия LoRA, которая сокращает генерацию для Krea 2 Turbo с обычных 8 шагов до 2. По измерениям автора модели, центральная часть процесса — denoising, постепенное уточнение изображения, — работает примерно в четыре раза быстрее.

Обработка текста и преобразование изображения при этом не ускоряются. LoRA доступна для ComfyUI и Diffusers, но для неё нужна отдельная модель Krea 2 Turbo. Использовать её логичнее для быстрой проверки композиции и промта. Готовый финальный кадр за четверть времени она не обещает.

В подборке есть и Underdog Images. Инструмент добавляет генерацию и редактирование изображений в помощник Underdog: можно описать новую картинку или загрузить фото и написать, что изменить. По данным дайджеста, обработка идёт на устройстве, изображения в облако не отправляют. Для генерации используют Qwen-Image Flash от NVIDIA — 4 шага, а для генерации и редактирования — Qwen-Image-2.1-Turbo от Alibaba, модель на 7B параметров, 8 шагов.

Отдельно распространяют квантованные версии Qwen-Image-2.1-Turbo. Квантование уменьшает точность чисел в модели, чтобы снизить её размер и требования к памяти. Есть GGUF, FP8, INT8, NVFP4 и MLX для Apple Silicon. GGUF Q4_K_M занимает около 4,05 ГБ. Это размер конкретной сборки, он не гарантирует комфортную скорость на любой видеокарте.

Музыка, 3D и объясняющая графика

Sonora Studio даёт интерфейс для ACE-Step 1.5 через ComfyUI. В браузере задают настроение и текст песни, а приложение собирает workflow. В нём есть библиотека, ремикс готового аудио, повторная генерация выбранного отрезка, редактирование, разделение вокала и инструментов, мастеринг. Приложение бесплатное, но для работы отдельно нужны ComfyUI и совместимые модели. Если ждёте вариант «скачать и сразу делать музыку», это стоит учесть.

Modly создаёт 3D-модели по тексту или изображению локально, без отправки исходника в облако. Приложение открытое и бесплатное. Оно работает на Windows, Linux и Mac с Apple Silicon. Через расширения можно подключить Hunyuan3D, TripoSG и Trellis2, а экспортировать результат — в GLB, OBJ, STL и PLY. Дальше модель можно открыть, например, в Blender или Unity.

Для графики и технических роликов в подборке есть ManimGX. Это движок на Rust с GPU-рендерингом: через Python API в нём анимируют формулы, графики и 3D-сцены. По возможностям он близок к Manim CE. ManimGX экспортирует MP4, синхронизирует движение с озвучкой и, по описанию проекта, показывает формулы без отдельной установки LaTeX. Подойдёт для точных объясняющих видео.

Есть и компактный эксперимент AuroraIMG-6M: около 6,82 млн параметров, короткое описание на английском и генерация в разрешении 64×64. Авторы сообщают, что обучали модель с нуля на примерно 9,88 млн пар изображений и описаний. Она может работать на CPU. Для готовой рекламы такое разрешение мало, зато модель можно изучать как небольшой генеративный эксперимент.

Модели для разработчиков и AI-агентов

Часть списка относится к инфраструктуре. Decision 3.0 от команды vLLM Semantic Router отвечает на типизированные запросы: выбирает вариант, оценивает его по шкале, говорит «да» или «нет» и возвращает вероятности. Вместо этого модель не пишет свободный текст. Семейство включает размеры примерно от 0,6B до 27B и распространяется по Apache-2.0. Команда Xunzhuo заявила, что модель заняла первое место на двух досках Jev Decision Index в их оценке. Это заявление разработчиков, а не независимый вердикт для любых задач.

RSI-Anything — исследовательская система, которая использует world model, чтобы прогнозировать последствия действий. Она получает обратную связь и постепенно обновляет политику или workflow. В препринте авторов на ArcXiv результат исправления кода вырос с 26,3% у статического проверяющего до 31,2% после выбора действий по прогнозу и адаптации world model. В тестах GUI среднее число действий сократилось на 39,4%. Пока это исследовательская механика для AI-агентов, а не функция видеоредактора.

Ещё два инструмента связаны с чтением и оценкой. Unlimited-OCR — локальная OCR-модель для длинных документов. Для неё заявлены контекст 32K токенов, обработка нескольких страниц за один проход и запуск через Transformers, vLLM или SGLang. В японском дайджесте её описывают как модель примерно на 3B параметров. Автор поста Brooks Whale рекламировал её словами о чтении PDF на 100 страниц за один проход, но отдельная проверочная заметка предупреждает: производительность не подтверждена независимыми тестами. Для запуска также нужны GPU и подходящее окружение. На любом ноутбуке она не заработает.

JEV-35B-NVFP4 — облегчённый вариант модели для выбора и оценки: до 256 вариантов, ответы «да» или «нет» и шкала 0–5. ComfyUI-Heart пока выглядит как экспериментальный код для запуска модели увеличения разрешения HEART. Готовых нод и интеграции в workflow ещё нет. Тут видна разница между проектом, который существует, и инструментом, который уже можно встроить в работу.

В подборке также перечислены Huihui-Qwen3.8-27B-Coder390-EfficientThink-abliterated — модификация Qwen-модели для кода и рассуждений со сниженной склонностью к отказам; StreamRender-H3 от NVIDIA Research — система для интерактивных миров, где игровой движок ведёт физику и состояние объектов, а модель отвечает за визуальный рендер; SuperNav — агентная навигация, протестированная в симуляции и на четвероногом роботе. Эти проекты относятся к моделям и робототехнике, а не к повседневному монтажу.

Для визуального креатора тут важна перемена в самом рабочем процессе. Генерацию встраивают туда, где уже собирают результат: в таймлайн, библиотеку ассетов и повторяемый workflow.

Я бы проверил эти новости на своей задаче в три захода. Сначала открыть репозиторий Vlo и проверить связь с установленным ComfyUI. Потом в Afflatus посмотреть, сохраняются ли нужные параметры и можно ли вернуться к конкретному кадру. Для LoRA Krea 2 Turbo сравнить черновые запросы и отдельно засечь время denoising и всей генерации. Такие проверки быстро покажут, где рабочий инструмент, а где пока только обещание.

Локальные инструменты всё ещё требуют настройки и возни с моделями. Но Vlo и Afflatus сокращают путь от идеи до кадра, который останется в монтаже. Посмотрим, насколько удобно это работает на реальных проектах.

Источники

What is Decision 3.0? vLLM Semantic Router’s New Open Decision Models

Baidu Unlimited OCR: Claims and Verifications for a Local Long-Document OCR Tool

RSI-Anything: Unlocking Recursive Self-Improvement with World Models

Источникnote.com