AI News

Майкрософт відкрила код TRELLIS 2: модель 4B параметрів для 3D-генерації

Редакція AI NewsДжерело: Derp LearningОпубліковано Оновлено
Derp Learning•4 місяці тому•7 переглядів•

Майкрософт опенсорсила модель TRELLIS 2 з 4 мільярдами параметрів та кодом навчання. Це дозволяє студіям та компаніям доопренувати модель під власний стиль активів.

ВердиктПозитивнаImpact 5/10

🚀 TRELLIS 2 відкриває доступ до потужної 3D‑генерації для компаній з GPU‑ресурсами та готовістю інвестувати у налаштування моделі.

🎯 Чи підходить це вашому бізнесу?

Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.

Заповнити профіль · 30 секунд
Детальний розбір ↓

TL;DR

  • •Microsoft опенсорсила модель TRELLIS 2 з 4 мільярдами параметрів для 3D‑генерації.
  • •Доступні як ваги, так і повний код навчання на GitHub.
  • •Модель можна fine‑tune на власній бібліотеці 3D‑активів для отримання генерації у стилі студії.
  • •Ліцензія — Apache 2.0.
  • •Потребує GPU з мінімум 24 ГБ пам’яті для повного розміру.

Як це змінить ваш ринок?

Відкриття TRELLIS 2 зменшує бар’єр входження до високоякісної 3D‑генерації для студій, які раніше залежали від закритих API або дорогих комерційних рішень. Тепер компанії можуть власною рукою стилізувати вывод під свій бренд, що скорочує витрати на арт‑аутсорсинг та збільшує контроль над творчим процесом. Для середнього бізнесу це означає можливість швидко генерувати прототипи продукту, архітектурні візуалізації або рекламний матеріал без потреби у великій художній команді.

Визначення: Fine‑tune — процес донавчання попередньо натренованої моделі на специфічному датасеті для адаптації її поведінки до конкретного завдання.

Для кого це і за яких умов

  • •Обладнання: GPU з 24 ГБ VRAM (наприклад, RTX 3090/4090) для повного розміру 4B; можливе використання квантизації для нижчих вимог.
  • •Бюджет: Від $0 (саморозгортання) до приблизно $1–2/год за хмарний GPU‑інстанс, якщо немає власної інфраструктури.
  • •Команда: Потрібен хоча б один інженер з досвідом роботи з PyTorch або TensorFlow; глибоких навичок у машинному навчанні не вимагається, але базове розуміння процесів тренування потрібне.
  • •Масштаб: Від одного креативного спеціаліста (SMB) до середньої арт‑команди (до 50 людей). Для великих виробничих ліній потрібна окрема команда DevOps для підтримки інференсу.
  • •Час на впровадження: Завантаження ваг та запуск тестового інференсу — 15–30 хв; fine‑tune на малому наборі активів — 2–4 год.

Альтернативи

ПродуктЦінаДе працюєМін. вимогиКлючова різниця
TRELLIS 2Безкоштовно (опенсорс)Локально / хмарноGPU 24 ГБ, PyTorchВідкриті ваги + код навчання, можливість fine‑tune під власний стиль
DreamFusion (Google)Закрите API, вартість не розкритаХмарно (Google Cloud)Інтернет‑з’єднанняПроприетарна модель, без доступу до ваг, менша гнучкість стилізації
Stable Diffusion 3D (Community)Безкоштовно / опенсорсЛокальноGPU 12 ГБ+Менша параметричність, нижча фотореалістичність, менше контролю над стилем
Runway Gen‑2Платна підписка від $15/місХмарно (Runway)БраузерГотове рішення з UI, але без можливості deep fine‑tune на власних даних

💬 Часті запитання

Чи потрібна ліцензія для комерційного використання TRELLIS 2?

Так, модель випущена під ліцензією Apache 2.0, яка дозволяє безкоштовне комерційне використання, включаючи модифікацію та розповсюдження, при збереженні зазначення авторства та відмови від гарантій.

Чи можна запускати TRELLIS 2 на ноутбуці без дискретного GPU?

Теоретично можливо за допомогою CPU‑інференсу, але через розмір 4B параметрів це буде надто повільно для практичного використання; рекомендовано GPU з принаймні 16 ГБ VRAM для квантизованих версій.

Як оцінити витрати на fine‑tune моделі?

Витрати залежать від розміру датасету та кількості епох; для набору з кілька сотень 3D‑моделей та 2–3 епох на RTX 4090 це приблизно 0,5–1 години GPU‑часу, що коштує менше $1 у хмарі.

Чи є готові інтерфейси або інтеграції з популярними 3D‑пакетами (Blender, Maya)?

На момент релізу офіційних плагінів немає, проте спільнота вже розпочала роботу над експортом у формати .obj/.glb, що дозволяє імпорт у Blender або Maya через стандартні конвеєри.

Чи є обмеження на розмір виходу (роздільна здатність, кількість полігонів)?

Модель генерує нечіткі мульти‑в’ю представлення, які потім можна перетворити у_mesh за допомогою алгоритмів marching cubes; розмір виходу залежить від пост‑обробки, а не від самої моделі, тому обмежень практично немає.

Підтекст

Майкрософт не просто ділиться кодом — вона створює екосистему, де власні активи клієнтів стають даними для fine‑tune, що збільшує залежність від її хмарних сервісів для інференсу. Це крок до monopoly на інструменти generative 3D, де відкриті ваги слугують приваблювачем, а платна інфраструктура — монетизацією.

Такий розбір щоранку о 08:00

Персональний AI-дайджест для вашої галузі — щодня у Telegram

Підписатися безкоштовно
TRELLIS2Microsoftopensource3Dgenerationfine-tuning

AI Advisory Board

Навчіть вашу команду будувати такі AI-автоматизації

За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.

Дізнатись більше → aiadvisoryboard.me