雑談 2026年2-3月

2026/3/29

ついにStability MatrixのRocmインストーラーでインストールしたComfyUIがうごいた（GPU 780M）morisoba65536.icon

https://www.reddit.com/r/comfyui/comments/1s3p9u9/speech_length_calculator_automatically_calculate/セリフの長さから動画の長さを自動的に決定するノードmorisoba65536.icon

https://huggingface.co/vinesnt/VBVR-Wan2.2https://x.com/sunbaolong_2001/status/2036255648682533231?s=20手足を折りにくいwan2.2ファインチューニングモデルmorisoba65536.icon

VBVR

2026/3/28

https://huggingface.co/AiArtLab/sdxs-1bちょっと興味深いモデル(ComfyUIなどの対応に期待したい)morisoba65536.icon

SDXSとは全然関係ないprojectだったのかこれnomadoor.icon

こっちのSDXSを知らなかったmorisoba65536.icon

https://pc.watch.impress.co.jp/docs/column/nishikawa/2096244.htmlSora 2のような使い勝手を目指したLTX-2.3のあれこれmorisoba65536.icon

2026/3/27

ByteDanceの新たな動画生成AI「Dreamina Seedance 2.0」が動画編集ツールのCapCut上で提供開始 - GIGAZINE

UX気になる。CapCutはメジャーなツールなので影響が大きめ？基素.icon

結局Lovartみたいにホワイトボードベースにはなりそうnomadoor.icon

あまりにもいろんな種類の技術がでるから、なんでも対応できるホワイトボードにしとけとなりがち…

https://huggingface.co/aidealab/AIdeaLab-VideoMoE-7B-A2Bオープン動画モデルに新勢力がmorisoba65536.icon

alfredplplさんのとこかnomadoor.icon

2026/3/26

最近はAIの学習コードもAIで書いてるらしいしRouWei-Gemmaみたいな変換アダプターを学習するコードをバイブコーディングで作れないかなと考え始めているmorisoba65536.icon

T5/umT5-xxl世代くらいのテキストエンコーダーを使ってるモデルではテキスト理解がやや貧弱な所があるのでQwen3.5-9B位のエンコーダーに差し替えれればなぁという気持ちはある(想定されるUMT5のエンコーダー埋め込みと9Bの最終隠れ層の次元が同じなので理屈上は行けそう)morisoba65536.icon

LoRAでも下手にテキストエンコーダ学習させるとデメリットの方が多いし、難しいんだろうなぁ…nomadoor.icon

2026/3/23

https://zenn.dev/toki_mwc/articles/comfyui-api-gui-vs-api-formatComfyUIをAPIから動かす時にWorkflowに罠が多すぎるという記事morisoba65536.icon

Export (API)は別にdevモードに入らなくても出てくるはずだけどなnomadoor.icon

あとはAIに丸投げして動かして(*´∀｀) で終わってるのでよく知らない()

stable-diffusion.cpp(sd.cpp-webui)のお陰でついにRadeon 780m(Ryzen 7 7840U)で画像生成に成功したmorisoba65536.icon

↑の中にも書いたがVAEのほうがVRAM使って時間がかかる(意識して省メモリ化やオフロードしないと落ちる)のが罠すぎるmorisoba65536.icon

Vulkan系のLMライブラリ、普段のCUDAの時とかとメモリ消費が跳ね上がるポイントが結構違うのが罠にハマりやすすぎる…(対応してくれてるだけすごくありがたいのですが)morisoba65536.icon

2026/3/22

https://huggingface.co/datasets/KakologArchives/KakologArchiveshttps://huggingface.co/datasets?sort=downloadsニコニコ動画のコメントデータセットがDL数世界1~2位付近にいるようだ…morisoba65536.icon

語録しか喋らないAIが完成しそう()nomadoor.icon

2026/3/18

ようやくLTX-2.3を触ったnomadoor.icon

redditで大昔に話題になってた二倍してから二倍する3段階workflowが本当にクオリティが安定して高いのだけど、workflowでかすぎてこれを採用するか迷いますねぇ…

2026/3/17

OpenClawは気になるものの閉じ込めるVMを構築する気力がなかなかわかずに触れないでいるmorisoba65536.icon

さすがに放し飼いはリスキーすぎてちょっと怖くてできないmorisoba65536.icon

同じくnomadoor.icon

2026/3/15

https://x.com/SlipperyGem/status/2032843271593177316?s=20image24dの出来るモデルが公開された模様morisoba65536.icon

5Bほどなので普通に画角変える程度の目的で気軽に使うのも手かもしれないmorisoba65536.icon

4DというかGenieに近いタイプか、5Bはすごいなnomadoor.icon

2026/3/8

https://www.reddit.com/r/LocalLLaMA/comments/1rnabs2/the_mcp_pr_for_llamacpp_has_been_merged/llama.cppのWebサーバにMCP呼び出しが追加された模様？morisoba65536.icon

2026/3/7

https://docs.stirlingpdf.com/AIとは直接関係ないがPDFを編集したり画像と相互変換できるツール見つけたので共有morisoba65536.icon

普通にエクセル→PDF印刷だと画像化されないのでこのツールで全体を画像化してLLMに食わせたりできるだろうかmorisoba65536.icon

LTX-2.3を試す暇が無くて…(　；∀；)nomadoor.icon

Qwen3.5-35B-A3B、LM Studioとかでエキスパート数を標準の8から16(thinkあり)～24(thinkなし)くらいに増やすと結構Qwen3.5-27Bと比べても意味の取り違えとかが減って性能が上がっている感じがある。morisoba65536.icon

さすがにエキスパート数32はやりすぎのようで出力がバグってループ始めたmorisoba65536.icon

2026/3/6

LTX-2.3、パット見は全く同じworkflowだなnomadoor.icon

2026/3/3

Qwen3.5の4Bモデルが割と優秀っぽいのでこれをテキストエンコーダーにした画像生成モデルが出てくるのが待ち遠しい所(さすがに気が早い)morisoba65536.icon

めちゃめちゃバリエーションあるな…すごい。Ollamaで試してみようnomadoor.icon

2026/3/2

https://github.com/Comfy-Org/ComfyUI/discussions/12699Dynamic Vram: the massive memory optimization is now enabled by default in the master branch.

vramじゃなくて、ramの使用量を減らすのかnomadoor.icon

自分、ramはたくさんあります(´・ω・｀)

https://www.reddit.com/r/LocalLLaMA/comments/1rjcfdk/comment/o8cabvc/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonqwen3.5等で繰り返しループになるのを抑えるシステムプロンプトらしいmorisoba65536.icon

2026/3/1

Coding AgentのおかげでComfyUIのフロントエンド置き換えるだけのソフトが乱立してますね…nomadoor.icon

いいことだけどね…まあ、みんな自分の好きなの作ったらいいんじゃないかな

🦊Flux.2 (klein) 4bの方だとキャラクターの置き換えタスクはなかなかうまくいかんね…morisoba65536.icon

9Bや🦊Qwen-Image-Editではうまくいくのだろうか…(ひとまずQwen-Image-Edit-2511を落としてきて試そうとしている)morisoba65536.icon

https://www.reddit.com/r/LocalLLaMA/comments/1regq10/qwen_35_2735122b_jinja_template_modification/?share_id=sSwwitR-BpWYICMVcfD1P&utm_medium=ios_app&utm_name=ioscss&utm_source=share&utm_term=1Qwen3.5の/think and /nothinkの切り替えmorisoba65536.icon

個人的に画像の視覚的効果の質問とかだとthinkさせても同じ結果を出力するだけになるのでnothinkのほうが使いやすいように思えるmorisoba65536.icon

https://zenn.dev/rna4219/articles/b945d175cde87cこういう記事も出てるけどQwen3.5-27Bは割と使ってみても性能はよさそうに感じる(ギリギリローカルで動くクラスのサイズとしては)morisoba65536.icon

CodexとかGeminiとか、常に最強を触っていてそれでも不満が出てきてしまうので、中々お仕事として数段落ちを使う気にはなれないよね…nomadoor.icon

割とこのレベル(GPT-4o超え)になってくるとサービスベースだとBANの怖いスレスレラインの内容を投げ込めるので割と便利そうには思えてる(既にHereticモデルが出ている)morisoba65536.icon

ChatGPTが会話内容次第で警察に通報するかも…なんて話もでてるし、便利なAIでなく、親身なAIの方はローカルモデルに軍配が上がったりする…のかな？nomadoor.icon

2026/2/27

AIサービスのシュリンクフレーション、 Nano Banana Pro等でも同様の報告があるのでWEBサービスベースのものだと本当にいつ起きるか判らんね…morisoba65536.icon

高速化してユーザー体験を改善するための最適化といえなくもないけれど、蒸留したときのパフォーマンス低下がまだ人類が気づくレベルのクオリティであるということかな…nomadoor.icon

2026/2/26

ComfyUIが致命的に壊れたことがないので、みんな何をもってそんなに不安定になっているのか逆に気になるnomadoor.icon

割と初期の頃のノード単位で壊れやすかったときとかカスタムノードが追従できてないとかその辺でワークフローが壊れて「ComfyUI自体が壊れた」のと切り分けできてない話も結構ありそうmorisoba65536.icon

後割とあり得るのはCUDAとかグラフィックボードの交換とかで非互換等がでてしまうパターン(やっぱりきり分けが本人出来てない事も多い)morisoba65536.icon

2026/2/24

https://x.com/nyaa_toraneko/status/2025574892603912209?s=20ローカルで日英翻訳するカスタムノードmorisoba65536.icon

CAT-Translate

2026/2/23

https://github.com/Comfy-Org/ComfyUI/pull/12392feat: Add basic text generation support with native models, initially supporting Gemma3

おぉー遂にnomadoor.icon

🦊TextGenerate

へぇー基素.icon

2026/2/22

https://x.com/wildmindai/status/2025548924832899175?s=20Wan2.2に物理法則を覚えさせたものらしいmorisoba65536.icon

物理法則というか、視覚タスクを動画として解かせる感じかnomadoor.icon

似たようなのあったな…

と思ったけど、Mirage (VLM)これはただ、VLMを軽量化するだけか

超富豪的な処理方法だけど、こういうの好きです…

https://www.reddit.com/r/StableDiffusion/comments/1ra8zby/beta_i_built_the_lora_merger_i_couldnt_find_works/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonLoRAのマージツールmorisoba65536.icon

https://github.com/AHEKOT/ComfyUI_VNCCSビジュアルノベル制作向けの1枚のキャラクターからいろんな向きとかの画像をつくる奴morisoba65536.icon

https://github.com/mozhaa/ComfyUI-Actual-Denoiseなんと表現したら良いのかわからんけどComfyUIの画像生成時のノイズを調整するツールmorisoba65536.icon

https://github.com/sdbds/ACE-Step-1.5-for-windows/releases/tag/2.6Ace-Step 1.5の公式Windows向け(lora亜種対応)

2026/2/20

https://huggingface.co/vincentkaufmann/gpt-oss-20b-vision-preview単一のDGX Sparkを使いトレーニングされたgpt-oss-20b

InternVL3_5-GPT-OSS-20B-A4B-Previewより遥かに小さい計算資源でVL化したらしい…morisoba65536.icon

2026/2/17

https://www.reddit.com/r/StableDiffusion/comments/1r6fgzx/switching_to_onetrainer_made_me_realize_how/Switching to OneTrainer made me realize how overfitted my AI-Toolkit LoRAs were

そうなのかnomadoor.icon

UIわっかりにくいんだよなぁ…

ログ見ると割と賛否はあるようなので学習対象によりそうとしかmorisoba65536.icon

2026/2/11

Controlnet QR Code Monsterの代替LoRAをFlux.2 kleinでやろうとしているが全くうまくいかないnomadoor.icon

これ、Hybrid imageの一種として考えて研究してたが、違うな、エッジに従って画像が生成されるので、全く違う錯視の名前を付けないといけない

上手い絵と呼ぼれるものを(メタ的に)視覚心理学方面から掘り下げていくと「パット見の書き込み多いけど疲れない」とかの理由がわかって面白いなーとなってる(こう言う質問を気軽にllmに投げ込めるのが非常に助かる)morisoba65536.icon

センスというのは、自分がかっこいいと思うものが何かを知っていることである、みないなことを昔どこかで聞いたことがあり、AIでどれだけキレイなものを作れても、自分が進みたい方向がわからないとあまり意味が無いよなともう何千回も反省？を繰り返している…nomadoor.icon

2026/02/13追記:https://scrapbox.io/gen-sandbox-notes/役に立つかはわからないけど気になった知識をまとめたくてこんなページを作っている(仕掛中)なので参考になればmorisoba65536.icon

もはやAIというか、古典的?なデザインの勉強になってきますよね…nomadoor.icon

正直もうちょっと汎用的な技法の話Wikiにしようかなぁと思ったもののわし絵を描けないからなぁと生成AI画像がベースになってる部分はある(ただ思った以上に才能で片付けられがちな技法各種は調べれば言語化されているものの纏めてるページ見ないのでまとめ始めた)morisoba65536.icon

2026/2/10

https://www.reddit.com/r/StableDiffusion/comments/1r0ijwp/comment/o4jhodt/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonAce-Step 1.5は歌詞の長さと曲の長さやBPMがある程度紐づいているのか曲が短すぎたり歌詞が長すぎたりすると勝手に省力されたりするようだ(曲の長さを調整すると良いらしい)morisoba65536.icon

Qwen-Image-2.0

テキストレンダリングはすごいけど、重視しすぎてちょっと浮いてる感じするよね…nomadoor.icon

テキストに限らず、Qwenはなんというか、ナチュラルさが薄い

2026/2/9

https://x.com/riddi0908/status/2020820057530724594?s=20Nano Banana、単なる拡散モデルというわけではなくかなり多層的な生成ツールキットが裏で走ってるみたいmorisoba65536.icon

シェイン・グウさんがそんなこと言ってましたねnomadoor.icon

2026/2/7

「生成Ai絵にはナラティブが無い」論、確かにSDXL時代はそうだったのだが、🍌辺りになると的確にストーリーを構図に置き換えて主題を明確にすることで「ストーリー性(高尚に言えばナラティブが、平易に言えば『伝えたいことが判る文脈』が)読み取れる絵」は(どちらかと言うと監督的スキルになるが)作れたりする。以下例をいくつかmorisoba65536.icon

テーマ「サイバーパンク都市でドローンに追われる逃亡者」、1枚目が視点誘導等の意図を伝える撮影技法を指示したもの、2枚目はただ状況だけ書いたもの

https://gyazo.com/7a1b33460e3a80d93ddffeefb4c6d691https://gyazo.com/434a9e4a16b4a069a39ad4b512b6f22c

テーマ「アイドルのラストライブ」、同じく1枚目が意図を伝える技法を指示したもの、2枚目が状況だけ書いたもの

https://gyazo.com/23e6f3a272786c34c9aa592b23e75d83https://gyazo.com/f63f78389bfbc7dec409798e9791ef27

おおお、なるほど、なんかわかるはるひ.icon

技法については(書きたい意図をプロンプトに変換する作業は)aiにおまかせしているが、どちらも「フォーカスしたい内容」以外を意図的に省略するような指示をしてあるmorisoba65536.icon

論、「鉛筆で描いた絵は平均的に下手」みたいな意見で何を問題にしてるのかよくわからなかった。使い方次第。平均的なプレイヤーはまだそう言うスキルがないと言うことだとすると、Nano bananaはそう言うスキルを不要にした？それともプロンプトへの追従性か。切り分けられないか。基素.icon

私としては「絵の文脈でのナラティブ」は平たく言えば「ストーリー性を語れるか(具体的なものでなくても文脈や時間軸を感じさせるか)」という意味だと解釈していました。プロンプトに忠実に描けるなら、作者側がプロデュース的な視点に立って、視線の流れや視聴者の心理( 認知科学的な意味)を想定し、よく言う「映画で画面に映るものには全て意味がある」のように画面を構成してストーリー性・時間軸を組み込むように指示すれば、ちゃんと意図通りの絵になるよね、という話でした。SDXLではどうしてもガチャ頼みになるところに対して、意図した画を「演出・構成的視点で作画」できるという意味です。つまり、単にAIで作ったから「出した絵に意図を後付けする(もしくはガチャを頑張る)」というものではなくなった、そういう前提の考えは昔の話になったということを伝えたくて比較画像を作って書き込んでいました(さすがにちょっと補足文が足らんかった)morisoba65536.icon

人間に頼む場合だとプロの監督やコンセプトアーティスト(という呼び名があるのかは知らない)な人なら「こういうテーマでこう言う感じに」見たいなアバウトな指示から感覚にしろ理論にしろそのような視線の流れや時間軸の切り取りをよしなにしてくれるんだろうけど流石に画像生成AIはそこまでは勝手にやってはくれないので人間が言語に起こす必要はある(ある程度既存のコンセプトのものならllmで先に意図を絵に落とし込めるようにプロンプトを練る(上記の絵はそうやって作った)方法もあるけども)morisoba65536.icon

fidelityが上がったから意図通りの画面が作りやすくなったのが核心ということかー基素.icon

その上でナラティブがあるないは使い手次第だけども

2026/2/6

https://www.reddit.com/r/StableDiffusion/comments/1qwpqek/why_simple_image_merging_fails_in_flux2_klein_9b/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonキャラの置き換えは一度デッサン人形などの情報の少ない人物に置き換えてからするほうが良いらしい

https://www.reddit.com/r/StableDiffusion/comments/1qwgctq/comment/o3otu3j/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonInvokeAI思ってたよりちゃんと維持できてるようで良かった(ComfyUIしか選択肢がなくなるのも良くない)morisoba65536.icon

2026/2/5

https://www.reddit.com/r/StableDiffusion/comments/1qw83f5/ref2font_generate_full_font_atlases_from_just_two/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_buttonFLUX.2-klein-9Bでフォントを作るLoRAmorisoba65536.icon

Ref2Font

2026/2/4

ACE Step 1.5用のLoad CLIPノードの挙動バグっている気がするnomadoor.icon

ああ、勘違いしてた

テキストエンコーダ 0.6B + 1.7B/4B の二段構成なのか

https://github.com/ace-step/ACE-Step-1.5/blob/main/docs/ja/Tutorial.md#ace-step-15-究極ガイド必読Ace-Step 1.5のメンタルモデル、生成時間の問題はあるけど動画生成とかでは特に欲しい概念ではあるなとなる。morisoba65536.icon

画像生成も速度を求めてるときがあれば、時間かけてプロンプト準拠目指してるときもあればで、ずっと行ったり来たりしてますね…nomadoor.icon

本質的に欲しいのはどっちもなんだけど、一度にどっちもを取れるような手法はなかなかないので「品質を高める手法を作る→なるべく品質を落とさず速度を上げる」見たいなフィードバックループにはなるんじゃないだろうか(比較的高速化のほうが後付しやすいので品質側のほうが先に重視されやすいが)morisoba65536.icon

https://github.com/fspecii/ace-step-uiguiのある実装、同作者はHeartMuLa向けのUI実装もしているようだmorisoba65536.icon

ある程度しょうがない所はあるが、ComfyUIはサウンド系は機能がやや貧弱気味なのでちょっと入り組んだことをする場合他のUIを使うほうが都合がよいことも多いかも知れない…morisoba65536.icon

タイムラインもペイントキャンバスも実質的に無いですしね…nomadoor.icon

Blenderみたいなマルチキャンバス化して色々切り替えられるようなのどう？とissue投げたことはあるけど、あくまでバックエンドとしてシンプルでいたようないい気もする

ちょくちょくA1111互換プロンプトを使うために使っていたComfyUI_smZNodesがインポート失敗してて更新もなさそうなのでComfyUI prompt controlへの移行を検討中morisoba65536.icon

2026/2/3

https://github.com/yohey-w/multi-agent-shogun/blob/main/README_ja.mdマルチエージェント将軍(名前がちょっと面白)morisoba65536.icon

https://x.com/bcherny/status/2017742759218794768?s=20Claude Codeの社内でも同じような事をしているようだ(ただこのツリーに書いてるような使い方を出来るのは自社でClaudeをホストしてる特権を活かすような湯水のような呼び出しをしている…)morisoba65536.icon

Codex appといい、マルチエージェント時代か…nomadoor.icon

レートリミットの危険が危ない！！

https://www.reddit.com/r/fal/comments/1q8l2v5/open_sourcing_the_qwen_image_edit_2511_multiple/Qwen-Image-Edit-2511用の複数角度LoRAmorisoba65536.icon

Qwen-Image-Edit-2511-Multiple-Angles-LoRAと同じ…？nomadoor.icon

https://www.reddit.com/r/StableDiffusion/comments/1qucew4/i_have_the_impression_that_klein_works_much/?utm_source=share&utm_medium=mweb3x&utm_name=mweb3xcss&utm_term=1&utm_content=share_button覚えていれば参照画像に適当なものを入れて生成するのと参照画像なしでどうなるかを比較したい(特にブランクに近いものを背景として渡した場合とか)morisoba65536.icon

https://www.reddit.com/r/comfyui/comments/1qqw0cz/image_to_image_w_flux_klein_9b_distilled/よく考えてみると割と昔からあるi2iテクニックだ…morisoba65536.icon

https://github.com/maartenharms/comfyui-flowpathオーディオ保存とか何故かパス区切りが効かないノードに使えそう(試したらページ作る)morisoba65536.icon

2026/2/2

https://github.com/shootthesound/comfyui-wan-i2v-controlhttps://www.reddit.com/r/StableDiffusion/comments/1qt7m09/wan_22_i2v_start_frame_edit_nodes_out_now/Wan2.2I2Vにマスク編集morisoba65536.icon機能をつけるノードらしい

先にinpaintingして、それをimage2videoするのと本質的は同じでいいのかな？nomadoor.icon

多分morisoba65536.icon

2026/2/1

https://www.reddit.com/r/StableDiffusion/comments/1qsmicy/about_klein_for_anime_and_the_annoying_bleached/FLUX.2-klein-4B?で最後の方のステップを実行しないほうがきれいになるらしいmorisoba65536.icon

https://x.com/bdsqlsz/status/2017964791059644659?s=20Z-Image-Baseを大規模な学習のベースにするのは難しそうな感じ(リプツリー見る限りFP32が必要？)morisoba65536.icon