Anima 3.8B v1.1、タイムステップ対応コネクターをDiTに統合、デュアルテキストエンコーダーはサンプリング前にオフロード可能

Anima 3.8B v1.1は9月1日に重みとワークフローを更新し、従来の独立した強度調整可能なprogressive-cross adapterを、タイムステップ対応のSemantic Connector v2に置き換えた。約608Mパラメータのこのコネクターは、conditioningの生成時にのみ動作するのではなく、サンプリングモデル内に常駐し、各デノイジングステップでtimestepに応じてQwen3.5 4Bのセマンティック特徴を抽出・注入する。トレーニング時の強度は1.0に固定されている。これにより開発者はadapterファイルを組み合わせたりスライダーを調整したりする必要がなくなり、コネクターと、52ブロック・約3.8Bパラメータへ拡張されたDiTが、単一のsafetensorsチェックポイントに統合された。

テキスト条件付けには引き続きデュアルパスを採用する。ネイティブのQwen3 0.6BはAnimaの既存のスタイルアラインメントを維持し、Qwen3.5 4Bは自然言語、空間関係、複数キャラクターのバインディング能力を補完する。2つのテキストエンコーダーはプロンプトが変更されたときにのみロードされ、conditioningの生成後はオフロードできる。キャッシュ済みプロンプトを再利用する場合も再実行は不要だ。これにより定常状態のサンプリングにおけるVRAM使用量を削減できるが、初回エンコーディング時やプロンプト変更時には、Qwen3.5の重み用として追加で約4.8GBを確保する必要がある。実際のピーク使用量は、解像度、精度、attention backend、フロントエンドのオフロード戦略にも左右される。

付属のComfyUIノードは、コネクターに記録されたネイティブadapterのhashを検証し、互換性のないコンポーネントが一緒にパッケージ化されるのを防ぐ。また、64-entry registryを用いてconditioningを安全に再利用する。Forge Neoもsafetensors metadataに基づいてv2を自動認識できる。モデル作者によると、新バージョンは4基のA40で約140時間トレーニングされており、約100万ピクセル、28～50ステップから始めることが推奨されている。ただし、現時点の根拠は主に作者が公開したサンプル画像であり、FID、GenEval、または人間によるブラインド評価は公開されていない。数の表現、手、判読可能な文字、混雑した構図は、依然として既知の弱点に挙げられている。ライセンスについても上流のAnimaの条件が引き継がれるため、付属コードのMIT Licenseだけを根拠にモデルの利用可否を判断することはできない。