This Week's Personal AI News:
MiniMax H3 Arrives With Open Weights
(Jul 31 - Aug 9)今週の私的なAIニュース：
MiniMax H3がオープンウェイトで降りてきた
（07-31〜08-09）
This week brought a turning point for local setups: MiniMax H3, which generates video and audio together, was released with open weights and picked up by ComfyUI on day one. We start with two items from the paper-explainer channels, then move to H3 as the centerpiece, options for low-VRAM setups, Seedance 2.5 on the cloud side, and finally the unglamorous but effective topic of character consistency.
今週は、ローカル環境にとって節目になる出来事がありました。動画と音声を一度に生成するMiniMax H3が重みごと公開され、ComfyUIが公開初日から対応しています。まず論文解説チャンネルから2本を取り上げ、そのうえでH3を中心に、低VRAM環境の選択肢、クラウド側のSeedance 2.5、そしてキャラクターの一貫性という地味だが効く話題へと進みます。
Breaking Down Research (1): Writing Text by Diffusion — DiffusionGemma 研究を噛み砕く（1）文章を「拡散」で書く — DiffusionGemma
AI Era Compass covers Google DeepMind's DiffusionGemma technical report (2608.00146). Where a standard language model emits one token at a time, DiffusionGemma refines blocks of 256 tokens in parallel — the same idea as an image diffusion model pulling a picture out of noise, applied to text. The interesting part is how it was built: rather than training from scratch, the team converted the existing Gemma-4-26B-A4B into a diffusion model using less than 10% of the original training token budget. It produces roughly 20 tokens per forward pass and around 1,500 output tokens per second on a single H100 — clearly faster than autoregressive models even with speculative decoding — while retaining the base model's thinking mode, multimodal inputs, and long context. From a production standpoint, this raises the ceiling on how capable a model you can run on the same GPU. When you're running local agents or prompt assistance, waiting time translates directly into how many attempts you get, so speed improvements are continuous with quality improvements.
AI時代の羅針盤が、Google DeepMindのDiffusionGemma技術報告（2608.00146）を取り上げています。通常の言語モデルがトークンを1つずつ生成するのに対し、DiffusionGemmaは256トークンのブロックをまとめて並列に精錬していきます。画像生成の拡散モデルがノイズから絵を引き出すのと同じ考え方を、テキストに持ち込んだものです。面白いのは作り方で、ゼロから学習したのではなく、既存のGemma-4-26B-A4Bを元の学習トークン予算の10%未満で拡散モデルへ変換しています。速度は1回の前向き計算あたり約20トークン、H100単体で毎秒およそ1500トークン。投機的デコードを使った自己回帰モデルより明確に速く、しかも思考モード、マルチモーダル入力、長いコンテキストといった元モデルの性質を保っています。制作の現場から見ると、これは「同じGPUでどれだけ賢いものを動かせるか」の天井が上がる話です。ローカルのエージェントやプロンプト補助を回すとき、待ち時間はそのまま試行回数の差になるので、速度の改善は品質の改善と地続きです。
Breaking Down Research (2): Instruction Tuning Crushes Diversity 研究を噛み砕く（2）指示チューニングは多様性を潰す
Also from AI Era Compass: the KAIST paper "Instruction-Tuned Language Models Cannot Sample from Distributions They Can Describe" (2607.25292). It examines the validity of "silicon sampling" — using language models as stand-ins for human survey respondents, treating each call as an independent draw from a persona's response distribution. The conclusion is negative: instruction-tuned models do not sample from distributions; they collapse to a single output. Given the same persona and the same question, the same answer came back on more than half the items in a public-opinion benchmark. The model's internal probabilities concentrate on one option, and this collapse is markedly amplified by instruction tuning. Across three model families with materially different post-training pipelines, every instruction-tuned model failed on every task tested, while base models failed far less often. Brought into a production context, this bears directly on any use where you want variation. If you hand prompt variations or ideation to a model tuned for chat, there is a real reason behind the feeling that the outputs converge on the same substance under different wording. For steps where diversity actually matters, it isn't enough to nudge temperature and seeds — the axes of variation need to be assigned by a human up front.
同じくAI時代の羅針盤が、KAISTの論文「Instruction-Tuned Language Models Cannot Sample from Distributions They Can Describe」（2607.25292）を扱っています。狙いは「シリコンサンプリング」——言語モデルを人間のアンケート回答者の代わりに使い、1回の呼び出しを分布からの独立な一標本とみなす手法——の妥当性の検証です。結論は否定的で、指示チューニング済みのモデルは分布からサンプリングしておらず、単一の出力へ潰れてしまうと報告されています。同じペルソナに同じ質問を投げると、世論調査ベンチマークの半数を超える項目で毎回同じ答えが返ってきたそうです。内部の確率も一つの選択肢に集中しており、しかもこの潰れ方は指示チューニングによって明確に増幅されます。後処理の方式が異なる3つのモデルファミリーすべてで、指示チューニング版は全タスクで失敗した一方、ベースモデルの失敗はずっと少なかったとされています。制作の文脈に引き寄せると、これは「バリエーションを出させる」用途にそのまま効いてきます。プロンプトのバリエーションやアイデア出しをチャット向けに整えられたモデルに任せると、表面上は違う言い回しでも中身が同じところへ収束しがちだ、という体感には理由があるということです。多様性が欲しい工程では、温度やシードをいじるだけでなく、そもそも軸を人間側で振り分ける設計が要ります。
MiniMax H3 Released With Open Weights, Supported in ComfyUI on Day One MiniMax H3がオープンウェイトで公開、ComfyUIは初日対応
The biggest development of the week. MiniMax's H3 video generation model was released with open weights, and ComfyUI shipped day-one support on August 3, 2026. Pull request Comfy-Org/ComfyUI #15224 added four nodes for joint audio-video generation plus six official workflow templates; ComfyUI 0.30.0 or later is required. What sets the model apart is that while most open video models generate audio separately, H3 produces video and real stereo sound in a single pass. Output goes up to 2K at up to 15 seconds per clip, and it accepts text, image, video, or audio as input. It has 33B parameters, but roughly 13B of those sit in AdaLN modulation branches that inference never needs to load — so with the right files the download comes to 42.5 GB. There are reports of it running locally on an RTX 3060-class card, and as of August 2026 Artificial Analysis ranks it #1 in video editing, #2 in text-to-video, and #3 in image-to-video. GeekatPlay covers a free storyboard workflow in ComfyUI and AI Search frames it as the best local video generator; neither video has been watched yet, so specific steps will be added later. ⚠ There are mentions of a licence clause excluding certain countries, but the original text has not been verified, so treat that as unconfirmed. The practical meaning is clear: video generation with audio now fits entirely on a home GPU. Being able to try it on work where footage can't be uploaded to a cloud service is, by itself, a significant change.
今週最大の出来事です。MiniMaxの動画生成モデルH3が重みごと公開され、ComfyUIが2026年8月3日に公開初日の対応を入れました。プルリクエストComfy-Org/ComfyUI #15224で、映像と音声を同時に生成する4つのノードと6本の公式ワークフローテンプレートが追加されています。ComfyUIは0.30.0以上が必要です。モデルの特徴は、多くのオープンな動画モデルが音声を別立てで生成するのに対し、H3は映像とステレオ音声を1回の生成で同時に作る点にあります。出力は最大2K、1クリップあたり最長15秒、入力はテキスト・画像・動画・音声のいずれも受け付けます。パラメータは33Bですが、そのうち約13BはAdaLNの変調ブランチにあり推論時には読み込む必要がないため、適切なファイルを選べばダウンロードは42.5GBで済むとされています。RTX 3060クラスでもローカル実行できるという報告があり、Artificial Analysisの評価では2026年8月時点で動画編集1位、テキスト→動画2位、画像→動画3位に位置しています。GeekatPlayがComfyUI上での無料ストーリーボードワークフローを、AI Searchが「最良のローカル動画生成」として取り上げており、どちらも本編は未視聴のため具体的な手順は視聴後に追補します。⚠ライセンスに一部の国を除外する条項があるとの指摘を見かけましたが、原文を確認できていないため未確認として書き添えておきます。実務的な意味は明快で、音声つきの動画生成が自宅のGPUで完結する段階に入ったということです。クラウドに素材を上げられない案件でも試せる、という一点だけでも大きい変化です。
Options for the VRAM-Poor — WanGP and Wan-Animate-2 VRAMが足りない側の選択肢 — WanGPとWan-Animate-2
H3 may run locally, but not everyone has a GPU with room to spare. GeekatPlay covers WanGP (Wan2GP) under the title "Better Than ComfyUI?" It's a video generation tool for low-VRAM setups by deepbeepmeep, supporting Wan 2.1/2.2, LTX-2, Qwen Image, Hunyuan Video, and Flux through a web UI. It's designed to run even on RTX 10XX/20XX-generation cards, and its selling point is getting straight to generation without building graphs. Rather than a ComfyUI replacement, it's more accurate to see it as an entry point before you get into graph-building, or an escape route on underpowered machines. Alongside this, Alibaba's Tongyi Lab released Wan-Animate-2 on August 7, 2026 — an end-to-end character animation framework in which a redesigned Diffusion Transformer consumes the driving video directly, achieving both high motion fidelity and identity preservation by removing the intermediate motion extractor. Inference scripts and both base and distilled weights were released the same day, and the lightweight Wan-Animate-2-Lite reportedly cuts latency to streaming thresholds. AI Search's weekly news roundup touches on it as well. This isn't directly a background artist's territory, but once shots with naturally moving characters can be mass-produced cheaply, the level of detail and consistency demanded of the environment behind them rises a notch too.
H3が手元で動くとはいえ、誰もが余裕のあるGPUを持っているわけではありません。GeekatPlayが「ComfyUIより良いか？」という題でWanGP（Wan2GP）を取り上げています。deepbeepmeep氏による低VRAM環境向けの動画生成ツールで、Wan 2.1／2.2、LTX-2、Qwen Image、Hunyuan Video、Fluxなどに対応し、web UIから使えます。RTX 10XX／20XX世代でも動く設計だとされており、ComfyUIのグラフを組む手間をかけずに生成へ入れる点が売りです。ComfyUIの代替というより、グラフを組む段階に入る前の入口、あるいは非力なマシンでの逃げ道として見るのが実態に近いと思います。あわせて、Alibaba Tongyi Labが2026年8月7日にWan-Animate-2を公開しました。駆動用の動画を再設計したDiffusion Transformerが直接受け取るエンドツーエンドのキャラクターアニメーション基盤で、途中のモーション抽出器を挟まないことで動きの忠実度と同一性の保持を両立させたとしています。推論スクリプトとベース／蒸留モデルの重みが同日公開され、軽量版のWan-Animate-2-Liteはストリーミング用途に届く遅延まで下げたとされています。AI Searchの週次ニュース回でも触れられています。背景制作の立場では直接の担当領域ではありませんが、キャラクターが自然に動くカットが安価に量産できるようになると、背景側に求められる情報量や整合性の水準も一段上がります。
Seedance 2.5 Officially Released, and the First Real Work Appears Seedance 2.5が正式リリース、そして作例が出はじめた
Last time I wrote that Seedance 2.5 was "targeting an early-July general release." The actual release was July 31, 2026 — a correction. The substance matches the announcement: 30 seconds generated in one pass, up to 50 full-modal references (30 images, 10 videos, 10 audio), region-level editing, and support for more than ten languages. The public developer API followed on August 7. That said, while rollout to Jimeng AI and Doubao Pro progresses, the Volcengine Ark API is still labeled as coming soon, so not every route has reached general availability. More interesting than the tooling news is that Theoretically Media has already published both a masterclass and an actual short film. In about a week the conversation moved from specifications to "what can you make with this." Being able to feed in 50 references also means that specifying a look shifts from words to a stack of material. The parts of a background artist's job that involve concept boards and organizing reference are heading toward becoming the input specification for generation itself. Neither video has been watched, so judgment on the quality of the work is reserved.
前回、Seedance 2.5について「7月上旬の一般公開を目指す」と書きましたが、実際のリリースは2026年7月31日でした。訂正します。内容は発表時のとおり、継ぎ足しなしの30秒生成、最大50件のフルモーダル参照（内訳は画像30・動画10・音声10）、領域単位の編集、10言語以上への対応です。公開の開発者APIは8月7日に出ました。ただしJimeng AIやDoubao Proへの展開が進む一方でVolcengine ArkのAPIは「近日」の表記が残っており、すべての経路が一般提供に達したとは言えない状態です。ツール側の話より面白いのは、Theoretically Mediaが早くもマスタークラスと実際の短編作品を続けて公開している点です。仕様の話から「これで何が作れるか」の話へ、1週間ほどで移っています。参照入力を50件も投げられるということは、ルックの指定が言葉から資料の束へ移るということでもあります。背景アーティストの仕事のうち、コンセプトボードや参考資料の整理といった部分が、そのまま生成の入力仕様になっていく方向です。両方とも本編は未視聴のため、作例の質については判断を保留します。
Character Sheets, the Unglamorous Foundation キャラクターシートという地味な足場
Theoretically Media has a shorter piece on the "secret" to making AI character sheets. The video is unwatched, so I won't get into the specific technique — but this topic is worth picking up because it's the flip side of the "instruction tuning crushes diversity" research above. When you want consistency out of a generator, it's more reliable to prepare and feed in material that guarantees identity than to ask the model to produce the same thing every time. A character sheet — front, side, back, expression variants, and outfit variations collected on a single page — is exactly that kind of material. In background work, the equivalent is a material reference board, or a sheet gathering multiple angles of the same city block. Now that more models accept larger numbers of reference inputs, the skill of assembling this material will account for a growing share of output quality.
Theoretically Mediaが、AIでキャラクターシートを作るときの「秘訣」を扱う短めの回を出しています。本編は未視聴のため具体的な手法には踏み込みませんが、この話題を拾っておきたいのは、前述の「指示チューニングは多様性を潰す」という研究と裏表の関係にあるからです。生成に一貫性を持たせたいときは、モデルに毎回同じものを出させるのではなく、同一性を担保する資料をこちら側で用意して差し込むほうが確実です。キャラクターシート——正面・側面・背面、表情差分、衣装のバリエーションを1枚にまとめたもの——は、まさにその資料にあたります。背景制作でいえば、マテリアルのリファレンスボードや、同じ街区の別アングルを揃えたシートが同じ役割を果たします。参照入力の枚数を増やせるモデルが増えてきた以上、こうした資料づくりの巧拙が出力の質を決める割合は上がっていくはずです。
What This Means for Creators 制作者にとっての意味
This was a week in which the range of what fits locally expanded another notch. MiniMax H3 arrived with open weights and landed in ComfyUI on day one, WanGP offers an entry point for low-VRAM setups, and Wan-Animate-2 shipped weights for character animation. Last time I wrote about waiting for the open-weight release of FLUX 3 — and while waiting, a different line arrived first. Meanwhile Seedance 2.5 reached its official release on the cloud side and moved into the phase of actual work. The division of labor between them stays as described last time: iterate locally, finish and go long on the cloud. Layer this week's two research items on top and another axis appears. DiffusionGemma is about increasing how many attempts you get on the same GPU; the instruction-tuning paper is a warning that more attempts can still converge on the same substance. In other words, as the means of producing volume multiply, the human-side design deciding what to vary becomes the bottleneck. That is why the character sheet item — the least flashy material this week — is also the most essential.
今週は「ローカルで完結する範囲」が一段広がった週でした。MiniMax H3が重みごと公開されてComfyUIに初日で載り、VRAMの少ない環境にはWanGPという入口があり、キャラクターアニメーションのWan-Animate-2も重みが出ています。前回の記事でFLUX 3のオープンウェイト版を待つと書きましたが、待っているあいだに別の系統が先に降りてきた形です。一方でクラウド側のSeedance 2.5も正式リリースを迎え、作例のフェーズに入りました。両者の役割分担は前回書いたとおりで変わりません。試行はローカル、仕上げと長尺はクラウド、という二段構えです。そこに今週の研究2本を重ねると、もう一つの軸が見えてきます。DiffusionGemmaは同じGPUでの試行回数を増やす方向の話であり、指示チューニングの研究は「回数を増やしても中身が同じところへ収束しうる」という警告です。つまり、量を稼ぐ手段が増えたぶん、何を振り分けるかを決める人間側の設計がボトルネックになっていきます。キャラクターシートの話が今週の材料の中で一番地味でありながら本質的なのは、そこに直結しているからです。
(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。
Further viewing その他の参照動画
- DeepMind Just Changed How AI Sees The World 2026-08 ・要視聴
- NVIDIA's AI Learns Why Copying Humans Isn't Enough 2026-08 ・要視聴
- New Deepseek, Seedance 2.5, Minimax H3, Gemini Robotics, AMD models: AI NEWS 2026-08 ・参考
- New BEST AI video generator is here! 2026-08 ・参考