Um modelo de anime aprendeu a ler bonecos de palito. A distância de 0.37 para 0.83 é o número interessante.

Em 2 de novembro apareceu um repositório chamado Anima-Control-Pose, com uma build de prévia de um guia de pose para um modelo de imagens de anime. Você entrega uma fotografia de referência, o detector que vem junto desenha um esqueleto sobre a pessoa, e o personagem segue esse esqueleto.
As notas de lançamento são curtas e incomumente específicas sobre o que não funciona. Poses de correr, saltar e sentar são as menos confiáveis. As mãos continuam a se fundir. O detector foi feito para fotografias, então lê mal o desenho de anime.
É essa última linha que mostra que o autor realmente usou a ferramenta.
Para que serve o controle de pose, e por que anime precisa do seu
Condicionamento por pose é um problema resolvido na geração de imagens em geral. Sobreposições de esqueleto, mapas de profundidade e mapas de bordas são entradas de controle padrão há alguns anos, e os modelos de uso geral lidam com a fotografia de uma pessoa com fidelidade razoável.
Anime é outro problema. As proporções são estilizadas. Cabeças grandes, membros finos, mãos desenhadas como cinco linhas limpas em vez de geometria fotografada. Um detector treinado em fotografias olha um painel de mangá e produz um esqueleto mais ou menos certo no tronco e errado em todo o resto, porque as pistas em que se apoia, saliências das articulações e sombreado da pele, não estão lá.
Então um pipeline de anime precisa das duas coisas ao mesmo tempo: um sinal de controle que o modelo consiga seguir, e um jeito de tirar esse sinal do que o artista realmente tem em mãos, que costuma ser um esboço, uma foto de referência ou uma figura aproximada.
Anima-Control-Pose pega o caminho indireto: foto entra, esqueleto sai, o personagem segue. É o fluxo que um ilustrador com uma foto de referência de pose realmente quer, e é por isso que a ferramenta existe.
O número e o que ele mede
O autor relata precisão de pose indo de cerca de 0.37 sem o complemento para cerca de 0.83 com ele, em 1024 pixels. Em 512 e 768 os ganhos são menores.
Vale separar três coisas nesse número.
É a medida do próprio autor, no conjunto de avaliação do próprio autor. Não há verificação de terceiros, nem benchmark padrão, nem protocolo declarado sobre o que conta como pose correta. O valor serve como direção e como evidência de que o complemento faz algo substancial. Não é comparável a um número de benchmark publicado.
A dependência da resolução faz sentido mecânico. Extração de esqueleto e aderência à pose pioram quando o personagem ocupa menos pixels, e gerações de anime em 512 pixels sempre foram o caso difícil para camadas de controle. O ganho encolher ali é uma limitação, não uma nota de rodapé.
A distância entre 0.37 e 0.83 é a metade mais interessante. Um modelo que marca 0.37 de aderência à pose não é inútil; é um modelo que entrega um personagem na atitude mais ou menos certa, com os membros fazendo algo próximo. Artistas trabalham com isso girando de novo. Ir para 0.83 transforma girar de novo em dirigir, e isso muda quantas gerações um plano custa.
Três coisas que ele ainda não faz
A ficha lista essas coisas e vale tomá-las ao pé da letra.
Correr, saltar e sentar são as menos confiáveis. Veja por quê. Essas poses envolvem auto-oclusão, escorço e contato com uma superfície que não aparece. Um esqueleto codifica posições de articulações, e posições de articulações informam menos justamente quando o corpo se dobra sobre si. O ângulo do quadril de um personagem sentado é invisível num boneco de palito.
As mãos se fundem. Mãos são a falha mais antiga das imagens generativas e a solução nunca foi condicionamento por pose. Um detector produz keypoints de punho e dedos com baixa confiança, o modelo pinta uma sugestão de mão e o artista redesenha. Todo pipeline de anime em produção tem uma etapa de consertar mãos. Este não elimina a etapa.
O detector lê errado o desenho de anime. Essa é a estrutural. A ferramenta vê bem fotografias porque foi treinada em fotografias. Se a sua referência é um painel de mangá, um esboço ou outra geração de IA, o esqueleto que ele desenha pode ser plausível e errado, e um esqueleto errado produz um personagem errado com confiança.
É essa terceira limitação que define o escopo da ferramenta. Ela fica na frente do pipeline, convertendo referência do mundo real em sinal de controle, e não é uma ponte entre duas imagens de anime.
A base de 0.37 também é uma afirmação sobre o modelo base, e vale ler assim. Sem o complemento, um modelo de anime a quem se pede para seguir um esqueleto acerta mais ou menos um terço da pose. Tudo o que um ilustrador vem fazendo para contornar isso, de passadas de img2img a inpainting de membros um por um, nasce desse número. Melhorar para 0.83 reduz trabalho; não remove a etapa de conferir o resultado.
O que vem no pacote e quanto custa usar
O pacote é modesto: duas pastas de nós do ComfyUI, quatro workflows de exemplo com `pose_control_demo.json` como ponto de entrada e um detector de cerca de 316 megabytes.
ComfyUI como canal de distribuição é a norma hoje, e tem um efeito colateral que merece atenção. Um JSON de workflow é ao mesmo tempo documentação, tutorial e artefato de reprodutibilidade. Se você consegue carregar o arquivo, vê cada parâmetro que o autor usou, e essa é uma forma de transparência que quase nenhum lançamento de modelo oferece. Significa também que o comportamento da ferramenta é reproduzível na sua máquina e com a sua seed, que é o único jeito de a alegação dos 0.83 se tornar verificável por alguém além de quem a escreveu.
Os pesos são não comerciais. Para um modelo de anime com uma comunidade grande de hobbistas, é um arranjo conhecido: grátis para quem faz fan art, licenciado à parte para quem vende. Significa também que um estúdio não pode adotar isso sem uma conversa, e esse será o fator decisivo para a maioria dos usuários profissionais, independentemente do número de precisão.
O padrão que este lançamento representa
A geração de anime passou dois anos convergindo num stack: um modelo base, um conjunto de LoRAs de personagens e camadas de controle para pose, line art e composição. Cada camada é um lançamento pequeno e separado, de um autor separado, muitas vezes com um arquivo de workflow e uma ficha que lista as falhas.
Essa estrutura tem custos. A compatibilidade entre camadas não é trabalho de ninguém, e uma atualização do modelo base pode quebrar quatro complementos de uma vez. Tem também uma vantagem que a ponta refinada do mercado vive tentando comprar: as listas de falhas são públicas, porque os autores são usuários.
Anima-Control-Pose é um lançamento pequeno com uma ficha honesta. A pergunta interessante não é se 0.83 é bom. É se o ecossistema continua publicando o número, ou se a próxima versão sai com um reel de demonstração e sem denominador.
Fique com o denominador. É a única parte que deixa você decidir.
Artigos relacionados
O conselho criou um comitê de exportação na mesma semana do balanço
Só o resultado virou notícia. O comitê de controle de exportação é o que pode mudar de fato como a empresa opera.
A Nvidia nunca formou um banco de sucessores. Essa é a descoberta.
A empresa passou trinta e três anos decidindo, sem dizer, que a pergunta sobre quem vem depois não era urgente.
A AMD ganhou 19% só por ser a outra opção
O dinheiro não saiu de IA. Saiu do único nome com problema de governança e foi para os dois que não tinham.
Dez rebaixamentos em quatro sessões e nenhum número novo
Ninguém publicou dado novo sobre o livro de pedidos. O que mudou foi a largura da faixa, não o ponto do meio.