This Week's Personal AI News:
Local Consistent Character Generation and the Seedance 2.5 Debut
(Jul 13-23)今週の私的なAIニュース：
ローカルの一貫キャラ生成とSeedance 2.5の始動
（07-13〜07-23）
This roundup covers roughly ten days' worth of material since the last one. We start with three items from paper-explainer channels (AI Era Compass, Two Minute Papers) — hard to follow, but genuinely valuable. From there we move to the strengthening of local tooling (Mickmumpitz's character generation) and the scaling-up of cloud-side video generation models (Seedance 2.5). The list is kept tight, ordered roughly by relevance to day-to-day production work.
前回から10日ほど間が空いたぶんをまとめてお届けします。今回はまず、理解するのは難しいけれど有益な論文解説チャンネル（AI時代の羅針盤、Two Minute Papers）の3本から始めます。そのうえでローカル環境の底上げ（Mickmumpitzのキャラクター生成）と、クラウド側の動画生成モデルの大型化（Seedance 2.5）を見ていきます。件数は絞り込みつつ、制作の現場に近い順に並べています。
Breaking Down Research (1): Can Video Generation Models Become General-Purpose Vision Learners? 研究を噛み砕く（1）動画生成モデルは汎用の視覚学習器になれるか
AI Era Compass covers Google DeepMind's paper "Video Generation Models are General-Purpose Vision Learners" (2607.09024). The proposed method, GenCeption, takes a large-scale pretrained video generation diffusion model as-is and uses it to handle multiple vision tasks — depth estimation, camera pose estimation, instruction-based segmentation, and 3D keypoint prediction — matching or exceeding specialized models. The key point: from a single video, it estimates per-pixel geometry and camera pose, enabling free-viewpoint navigation and even language-grounded object selection. Information on weaknesses and reproducibility is still limited, but the direction itself matters: representational power learned from video generation alone can transfer to 3D understanding. For background production, this points toward a future where scene geometry can be pulled automatically from reference footage — potentially replacing the upstream steps of photogrammetry or Gaussian splatting.
AI時代の羅針盤が、Google DeepMindの論文「Video Generation Models are General-Purpose Vision Learners」（2607.09024）を取り上げています。提案手法GenCeptionは、大規模に事前学習した動画生成の拡散モデルをそのまま土台にして、深度推定やカメラ姿勢推定、指示文に基づくセグメンテーション、3Dキーポイント予測といった複数の視覚タスクを、専用モデルに匹敵するか上回る精度でこなす、というものです。1本の動画から画素ごとの幾何情報とカメラ姿勢を推定し、自由視点での視点移動や、文章での物体指定までできる点が要点です。弱点や再現性についての情報はまだ限られますが、動画生成という一つの学習で得た表現力が3D理解にまで転用できる、という方向性そのものが重要です。背景制作の視点では、参考映像から自動でシーンの幾何情報を取り出せる未来につながる話で、フォトグラメトリやガウシアンスプラッティングの手前の工程を代替する可能性を持っています。
Breaking Down Research (2): Using RL and a Generative Verifier for Mathematical Proofs 研究を噛み砕く（2）数学の証明にRL×生成検証器を使う
Also from AI Era Compass: MiniMax's MaxProof (2606.13473). It trains a proof-generating model, a proof-verifying model, and an error-correcting model together, then at test time pits multiple proof candidates against each other in a tournament to settle on one. It reportedly cleared 35 of 42 problems on IMO 2025 and 36 of 42 on USAMO 2026 — beyond the human gold-medal threshold. Not directly relevant to production work, but the underlying design — separating generation from verification and spending more compute at test time — could apply to downstream image/3D generation steps like automated quality checks and retries.
同じくAI時代の羅針盤が扱っているのが、MiniMaxのMaxProof（2606.13473）です。証明を作るモデルと、その証明を検証するモデル、誤りを指摘して直させるモデルを一体で鍛え、テスト時には複数の証明候補を集団で競わせてトーナメント形式で一本に絞り込む、という枠組みです。実際にIMO2025で42問中35問、USAMO2026で42問中36問を突破しており、人間の金メダル相当の水準を超えたと報告されています。制作の現場に直結する話ではありませんが、生成と検証を分離してテスト時に計算を積み増す、という設計思想自体は、画像・3D生成の後工程（自動品質チェックや自動リトライ）にも応用が利く方向性です。
Breaking Down Research (3): Was There Something Inside the Model That "Shouldn't Exist"? 研究を噛み砕く（3）モデルの中身は「存在してはいけない」ものだったのか
Two Minute Papers covers Anthropic's interpretability research. Anthropic recently published work on "Natural Language Autoencoders," a method for translating a model's internal numerical activations into human-readable English, along with research suggesting multiple language models share a "global workspace" — a privileged subset of internal representations available for reporting, modulation, and flexible reasoning. There are also reports of a "default suppression" circuit that keeps the model from stating ungrounded facts, which can lead to hallucination once disabled by certain triggers. The video's title, "something that shouldn't exist," appears to refer to this kind of unexpected internal structure. Not directly relevant to production work, but the broader trend — generative models becoming less of a black box — could become foundational for predicting and debugging AI tool behavior going forward.
Two Minute Papersが、Anthropicの解釈可能性研究を取り上げています。同社は最近、モデル内部の数値的な活性化を人間が読める英語へ変換する「Natural Language Autoencoders」という手法や、複数の言語モデルに共通して「グローバルワークスペース」——内部表現のうち報告・調整・柔軟な推論に使える特権的な集合——が存在するとする研究を公表しています。あわせて、根拠のない事実を答えないよう働く「デフォルト抑制」回路の存在も報告されており、これが特定のトリガーで解除されるとハルシネーションにつながる、という報告もあります。動画タイトルの「存在してはいけないはずのもの」は、こうしたモデル内部に見つかった想定外の構造を指していると見られます。制作の実務に直結する話ではありませんが、生成モデルの中身がブラックボックスでなくなりつつある、という潮流は、今後AIツールの挙動を予測・デバッグする際の土台になっていく可能性があります。
Building Consistent Characters Locally — Mickmumpitz's New Workflow ローカルで一貫キャラクターを作る — Mickmumpitzの新ワークフロー
Mickmumpitz has released the latest version (3.8) of "Consistent Character Creator," a ComfyUI workflow for mass-producing images while preserving character consistency. Built on Qwen-Image-Edit-2511, it generates turnarounds (front/side/back), expression variants, and multiple scene variations from a single input image, plus outfit and pose variation paths and a dataset-export function for training data. Being fully local and free means you can experiment without worrying about how the outputs are handled. From a background artist's perspective, keeping characters consistent quietly eats up time in the early stages of concept art and asset production, so lightening that load matters.
Mickmumpitzが、ComfyUI上でキャラクターの一貫性を保ったまま画像を量産するワークフロー「Consistent Character Creator」の最新版（3.8）を公開しています。Qwen-Image-Edit-2511をベースに、1枚の入力画像から正面・側面・背面といったターンアラウンドや表情差分、複数のシーンバリエーションを自動生成できる点が売りで、着せ替えやポーズ違いの出力パス、学習用データセットの書き出し機能も備えています。ローカルで完結し費用がかからないため、生成物の扱いに気を使わずに手元で試せるのも実務的です。背景アーティストの視点だと、キャラクターの一貫性確保はコンセプトアートやアセット制作の初期段階で地味に時間を食う部分なので、ここが軽くなる意味は大きいはずです。
GeekatPlay's Roundup of the Latest ComfyUI Templates GeekatPlayが取り上げる最新ComfyUIテンプレート
GeekatPlay (Vladimir Chopine), a 3D/VFX-focused channel, has a video rounding up new ComfyUI templates. Since the channel continues to work on things like its HiTem3D integration node for image-to-3D generation, the template update may well touch on that area (3D conversion, asset-generation efficiency) too, but this write-up sticks to the title for now. The specific contents are marked as unwatched and will be filled in after viewing.
3D／VFX系のGeekatPlay（Vladimir Chopine）が、ComfyUIの新しいテンプレート群をまとめて紹介する動画を出しています。同chは画像から3Dモデルを生成するHiTem3D連携ノードなどを継続的に手掛けており、テンプレート更新もその周辺（3D化やアセット生成の効率化）を含む可能性がありますが、本稿は件名ベースの紹介にとどめます。具体的な収録内容は要視聴として、視聴後に追補します。
Seedance 2.5 Officially Announced — 30 Seconds, 4K, 50 Reference Inputs Seedance 2.5が正式発表 — 30秒・4K・50参照入力
ByteDance officially announced its Seedance 2.5 video generation model on stage at Volcano Engine. The headline feature is generating a continuous 30-second clip without stitching, at 4K resolution, accepting up to 50 reference inputs including images and audio. Video and audio are processed jointly in the same latent space, and the model claims to preserve character appearance, lighting, and motion style across the full clip. The announcement was a stage demo; ByteDance is targeting an early-July general release after an enterprise beta. Theoretically Media has covered both the pre-release leaked footage and the subsequent live-action-style material, framing it alongside the broader trend of free-to-cheap real-time video generation. The combination of long duration, high resolution, and many references points directly toward AI-driven sequence-level production rather than shot-by-shot work, so it's worth following.
ByteDanceが、Volcano Engineの場で動画生成モデルSeedance 2.5を正式発表しました。目玉は継ぎ足しなしで30秒の連続クリップを生成できる点で、4K解像度に対応し、画像・音声を含む最大50件の参照入力を一度に扱えます。映像と音声を同じ潜在空間で同時に処理する設計で、キャラクターの外見や照明、動きのスタイルをクリップ全体で保持するとしています。発表はステージデモの段階で、エンタープライズ向けベータを経て7月上旬の一般公開を目指すとされています。Theoretically Mediaが公開前のリーク映像と、その後の実写材料を続けて取り上げており、無料〜安価な帯でのリアルタイム動画生成という文脈とあわせて紹介しています。長尺・高解像度・多参照という組み合わせは、ショット単位でなくシーケンス単位でAIに任せる制作フローに直結する話なので、続報を追う価値があります。
What This Means for Creators 制作者にとっての意味
The three research items — inside the model (Two Minute Papers), where the learned representations transfer (GenCeption), and how compute is allocated at test time (MaxProof) — together show that AI's "insides" are becoming less of a black box. None of this hits production directly yet, but it could become a foundation for predicting and debugging AI tool behavior. On the tooling side, meanwhile, local production environments are maturing (Mickmumpitz) at the same time cloud-side video generation models are scaling up (Seedance 2.5). These aren't opposing forces — it's easier to put into practice if you think of it as a division of labor: rough drafts and iteration happen quickly and locally, while finishing and long sequences get handed to the large cloud models. The standard for judging any of this stays the same: can it actually be folded into your own environment (ComfyUI, a home-run agent)? We'll keep tracking it on that basis.
研究面の3本は、モデルの内部（Two Minute Papers）・学習の転用先（GenCeption）・テスト時の計算配分（MaxProof）という三方向から、AIの「中身」がブラックボックスでなくなりつつあることを示しています。すぐに現場へ効く話ではありませんが、挙動の予測やデバッグの土台として効いてくる可能性があります。一方、ツール面ではローカルで完結する制作環境の成熟（Mickmumpitz）と、クラウド側の動画生成モデルの大型化（Seedance 2.5）が同時に進んでいます。両者は対立するものではなく、下描きやラフはローカルで素早く量産し、仕上げや長尺のシーケンスはクラウドの大型モデルに任せる、という役割分担として捉えると実務に落ちやすくなります。手元の環境（ComfyUIや自宅のエージェント）に落とし込めるかどうかを判断基準に、引き続き追っていきます。
(hatori's note reserved slot) Hands-on impressions and field notes will be added here after watching.
（hatori's note 予約枠）視聴後の実機所見や現場の実感をここに差し込みます。