Un modelo de anime aprendió a leer monigotes. La brecha de 0.37 a 0.83 es la cifra interesante.

El 2 de noviembre apareció un repositorio llamado Anima-Control-Pose, con una compilación de vista previa de una guía de pose para un modelo de imágenes de anime. Le pasas una fotografía de referencia, el detector que viene incluido dibuja un esqueleto sobre la persona y el personaje sigue ese esqueleto.
Las notas de la versión son breves y llamativamente concretas sobre lo que no funciona. Las poses de correr, saltar y sentarse son las menos fiables. Las manos siguen fusionándose. El detector se construyó para fotografías, así que lee mal el dibujo de anime.
Esa última línea es la que te dice que el autor de verdad usó la herramienta.
Para qué sirve el control de pose, y por qué el anime necesita el suyo
El condicionamiento por pose es un problema resuelto en la generación de imágenes en general. Las superposiciones de esqueleto, los mapas de profundidad y los mapas de bordes son entradas de control estándar desde hace un par de años, y los modelos de uso general resuelven una fotografía de una persona con una fidelidad razonable.
El anime es otro problema. Las proporciones están estilizadas. Las cabezas son grandes, las extremidades finas, las manos se dibujan como cinco líneas limpias y no como geometría fotografiada. Un detector entrenado con fotografías mira una viñeta de manga y produce un esqueleto que acierta más o menos en el torso y falla en todo lo demás, porque las señales en las que se apoya, los bultos de las articulaciones y el sombreado de la piel, no están ahí.
Así que un flujo de trabajo de anime necesita dos cosas a la vez: una señal de control que el modelo pueda seguir y una forma de obtener esa señal de lo que el artista realmente tiene, que suele ser un boceto, una foto de referencia o una figura aproximada.
Anima-Control-Pose toma la vía indirecta: entra una foto, sale un esqueleto, el personaje lo sigue. Ese es el flujo que de verdad quiere un ilustrador con una foto de referencia de una pose, y es la razón de que la herramienta exista.
La cifra y qué mide
El autor reporta una precisión de pose de alrededor de 0.37 sin el complemento y de alrededor de 0.83 con él, a 1024 píxeles. A 512 y 768 las ganancias son menores.
Hay tres cosas que conviene separar en esa cifra.
Es la medida del propio autor, sobre su propio conjunto de evaluación. No hay verificación de terceros, ni un benchmark estándar, ni un protocolo declarado sobre qué cuenta como pose correcta. El número sirve como dirección y como prueba de que el complemento hace algo sustancial. No es comparable con una cifra de benchmark publicada.
La dependencia de la resolución tiene sentido mecánico. La extracción del esqueleto y la adherencia a la pose empeoran cuando el personaje ocupa menos píxeles, y las generaciones de anime a 512 píxeles siempre han sido el caso difícil para las capas de control. Que la ganancia se encoja ahí es una limitación, no una nota al pie.
La brecha entre 0.37 y 0.83 es la mitad más interesante. Un modelo que saca 0.37 en adherencia a la pose no es inservible; es un modelo que produce un personaje con la actitud más o menos correcta y las extremidades haciendo algo cercano. Los artistas trabajan con eso a base de volver a tirar. Pasar a 0.83 convierte el volver a tirar en dirigir, y eso cambia cuántas generaciones cuesta un plano.
Tres cosas que todavía no puede hacer
La ficha las enumera y vale la pena tomarlas al pie de la letra.
Correr, saltar y sentarse son lo menos fiable. Mira por qué. Esas poses implican autoclusión, escorzo y contacto con una superficie que no se ve. Un esqueleto codifica posiciones de articulaciones, y las posiciones de articulaciones son menos informativas justo cuando el cuerpo se pliega sobre sí mismo. El ángulo de cadera de un personaje sentado es invisible en un monigote.
Las manos se fusionan. Las manos son el fallo más viejo de las imágenes generativas y la solución nunca ha sido el condicionamiento por pose. Un detector produce puntos de muñeca y de dedos con poca confianza, el modelo pinta una sugerencia de mano y el artista la redibuja. Todo flujo de anime en producción tiene un paso de arreglo de manos. Este no lo elimina.
El detector lee mal el dibujo de anime. Esta es la estructural. La herramienta ve bien las fotografías porque se entrenó con fotografías. Si tu referencia es una viñeta de manga, un boceto u otra generación de IA, el esqueleto que dibuja puede ser plausible y estar equivocado, y un esqueleto equivocado produce un personaje que se equivoca con confianza.
Esa tercera limitación define el alcance de la herramienta. Está al principio del flujo, convirtiendo referencias del mundo real en una señal de control, y no es un puente entre dos imágenes de anime.
La base de 0.37 también es una afirmación sobre el modelo base, y conviene leerla así. Sin el complemento, a un modelo de anime al que le pides seguir un esqueleto le sale bien más o menos un tercio de la pose. Todo lo que un ilustrador ha hecho para sortear eso, desde pasadas de img2img hasta inpaintar extremidades de una en una, viene de esa cifra. Mejorarla a 0.83 reduce el trabajo; no elimina el paso de revisar el resultado.
Qué incluye y cuánto cuesta usarlo
El paquete es modesto: dos carpetas de nodos de ComfyUI, cuatro flujos de ejemplo con `pose_control_demo.json` como punto de entrada y un detector de unos 316 megabytes.
ComfyUI como canal de distribución es lo normal hoy, y tiene un efecto secundario que merece una mirada. Un JSON de flujo de trabajo es a la vez documentación, tutorial y artefacto de reproducibilidad. Si puedes cargar el archivo, ves cada parámetro que usó el autor, y esa es una forma de transparencia que casi ningún lanzamiento de modelo ofrece. También significa que el comportamiento de la herramienta es reproducible en tu máquina y con tu semilla, que es la única manera de que alguien distinto de quien escribió la afirmación pueda comprobar el 0.83.
Los pesos son no comerciales. Para un modelo de anime con una comunidad grande de aficionados, es un arreglo conocido: gratis para quien hace fan art, con licencia aparte para quien lo vende. También significa que un estudio no puede adoptarlo sin una conversación, y eso será el factor decisivo para la mayoría de los usuarios profesionales, independientemente de la cifra de precisión.
El patrón que representa este lanzamiento
La generación de anime ha pasado dos años convergiendo en un stack: un modelo base, un conjunto de LoRAs de personajes y capas de control para pose, line art y composición. Cada capa es un lanzamiento pequeño y separado de un autor distinto, a menudo con un archivo de flujo de trabajo y una ficha que enumera los fallos.
Esa estructura tiene costes. La compatibilidad entre capas no es tarea de nadie, y una actualización del modelo base puede romper cuatro complementos a la vez. También tiene una ventaja que el extremo pulido del mercado lleva años intentando comprar: las listas de fallos son públicas, porque los autores son usuarios.
Anima-Control-Pose es un lanzamiento pequeño con una ficha honesta. La pregunta interesante no es si 0.83 es bueno. Es si el ecosistema sigue publicando la cifra, o si la próxima versión sale con un carrete de demos y sin denominador.
Quédate con el denominador. Es la única parte que te deja decidir.
Artículos relacionados
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.
GPT Image 2.6 mantuvo el precio por token y subió la factura
GPT Image 2.6 mantiene cada tarifa por token de 2.5 y aun así cuesta más por imagen, porque buena parte del trabajo ocurre ahora en tokens de salida. Once días después del lanzamiento, la estructura de precios dice más que el ranking.
Alguien reconstruyó IDM desde fuera y anotó lo que no tocó
Una reimplementación en Rust de Internet Download Manager promete 5 veces la velocidad y 86 idiomas. El documento más interesante es el párrafo que explica cómo se construyó sin copiar nada.
Rune es un framework de UI en Rust creado para que un agente pueda comprobar su propio trabajo
Rune renderiza sin interfaz, vuelca su árbol de elementos y acepta entrada programada, lo que da a un agente de código una señal diffeable que una captura nunca ofrece. El framework está en prelanzamiento y no acepta pull requests.