Модель, которая рисует кодами, а не пикселями и не латентами.

Кадр режется на плитки, каждая заменяется номером из словаря. Кадр 704×704 становится табличкой из номеров. Обратно — простая подстановка по словарю, без нейросети: 0.48 мс на кадр вместо ~500 мс у обычного VAE, и словарь весит 3–12 МБ вместо 13.1 ГБ.

Модель — 35.9 млн весов. В четырёхбитном виде это 17 МБ.

Потолок кодера — PSNR восстановления настоящих кадров, на клипах, которых в обучении словаря не было:

🔴 Главная находка: размер ПЛИТКИ важнее размера СЛОВАРЯ. Плитка 4×4 со словарём 16384 бьёт плитку 16×16 со словарём 65536 — при словаре в 16 раз меньше. Разнообразие плитки растёт с площадью быстрее, чем словарь успевает покрыть.

Первая ступень против тупой планки (скопировать ближайшую видимую соседнюю клетку), доля скрытых клеток / планка / модель:

Вторая ступень, влияние текста — один и тот же пример считается дважды, с описанием и с пустым описанием:

Сборка кадров с одним зерном и разными описаниями даёт разницу 28.9 из 255. Влияние текста доказано.

Она не рисует сцену. Выходит правдоподобная фактура: плитки складываются в цельные поверхности без швов и разрывов, но «вагон метро» и «лес» отличаются друг от друга, а не похожи на заказанное.

Черновик не годится в опору для диффузии. Проверено контрольным опытом: img2img поверх нашего черновика даёт хорошую картинку — но из чистого шума выходит не хуже. Значит рисует подсказка, а черновик не участвует. Ему нечего сохранять: он несёт статистику фактуры, но не устройство сцены.

Материал узкий: 67 роликов игрового видео, 5 минут каждый.

Двухуровневые коды: сперва грубая карта 11×11 решает компоновку («где пол, потолок, проём»), потом подробная заполняет детали внутри принятого решения. Замерено, что 121 число описывает кадр на 21.8 дБ — устройство сцены в них сохраняется. Тогда у диффузии появится что сохранять.

Пять семян растут навстречу друг другу волнами: на каждой волне открываются клетки, в которых модель уверена сильнее всего. Построчной записи нет намеренно — она навязала бы порядок обхода, а фронты растут в разные стороны. В месте встречи двух фронтов каждый предсказывает от своей стороны, поэтому шов перестаёт быть особым местом. Весов у сэмплера нет: это порядок действий, а не модель.

Проверен на живом WAN 2.2 5B: ожидания между окнами 3%, пик памяти 12.1 ГБ.

Это beta и исследовательский выпуск. Готовых картинок он не даёт; ценность — в измеренном устройстве кодера, сэмплера и в отрицательных результатах, которые экономят время: палитра под промпт не работает, однобитное сжатие после обучения не выживает, мерка по крупным весам на одном бите ломается.