2026.2.17 にリリースされた新しい画像生成モデル BitDance-14B-64x が、Hugging Face上で公開された。
拡散モデルとは異なり、自己回帰（AR）方式でパッチ単位に画像を組み立てていくという、少し異色のアプローチを取っている。
今回は公式Spaceのデモを使い、設定は一切いじらず、プロンプトは固有名詞のみという条件で、その“素の実力”を見てみた。
Hugging Faceで公開されている BitDance-14B-64x を、すべてデフォルト設定のまま試してみた。
プロンプトは固有名詞のみ。追加パラメータなし、ネガティブ指定なし、CFG調整なし。
入力したのは、歴史的にシルエットが強く記号化されている車名だ。
- Lamborghini Countach
- Ferrari Testarossa / F40
- Jaguar E-Type
- Porsche 911
- Volkswagen Type 1
結果は一目で分かる。
完全一致ではない。
しかし、そうとしか見えない。
どの画像も、細部は確実にズレている。
それでも、視覚的なアイデンティティは崩れていない。
楔形のスーパーカーは楔形で出てきて、
ロングノーズの英国車は曲線の塊として現れ、
911は丸目とリアエンジンらしい塊感を保ち、
VWはV字フロントと丸目の“あの顔”を外さない。
ここで重要なのは、「似ている」ことではない。
BitDanceは、特定の一台をコピーしているわけではない。
出力されているのは、
- 設計図ではなく
- ロゴでもなく
- どこかの写真の再構成でもない
「その車種が持つ様式の平均像」だ。
たとえば「Volkswagen Type 1」と入力してヴァリアント寄りの個体が出てくるのは、むしろ自然な挙動と言える。
Type 1は年式・仕様・派生が極端に多く、視覚的分布が広い。
AIはその分布の中から、「一番それっぽい重心」を引いてきているだけだ。
つまり、BitDanceが再構成しているのは、
個体ではなく、様式の確率分布のピーク
ということになる。
これは、単なる“雰囲気寄せ”とは少し違う。
BitDanceは拡散モデルではなく、自己回帰（AR）型で画像を生成するモデルだ。
トークンではなく、パッチ単位で次の構造を予測していく。
結果として、
- どこか違う
- しかし形は崩れない
- 設計言語の骨格だけは外さない
という、独特の「再構成」になる。
言い換えると、BitDanceは名車を覚えているのではない。
名車の「文法」を圧縮している。
Countachは「楔形スーパーカー」という時代文法のピーク。
E-Typeは「ロングノーズ曲線美」という設計言語の重心。
911は「丸目＋リアエンジン」という様式の集合記憶。
VWは「戦後大衆車のアイコン」という記号の塊。
それらが、“それっぽい平均像”として再構成されて出てくる。
今回のサンプルはすべて、Hugging Faceの公式 Space 上で、完全デフォルト設定のまま生成したものだ。
特別なプロンプトチューニングも、誘導もしていない。
それでこの水準が出る、という事実には意味がある。
BitDanceは「写真をうまく描くモデル」ではない。
デザイン史の統計的要約を、それなりに破綻なく吐き出すモデルだ。
完全再現ではない。
しかし、崩れもしない。
この「どこか違うが、そうとしか見えない」感じこそが、
いまの生成AIが扱っている“記憶”の正体なのだと思う。
生成速度についても、売り文句通りちゃんと速い。
自己回帰型と聞くと身構えるが、少なくともデモを触る限りではストレスを感じる場面はなかった。
あとは、このBitDance系モデルがComfyUIなどの画像生成フロントエンドに降りてくるのを待つだけだろう。
“どこか違うが、そうとしか見えない”という独特の再構成が、実運用でどう評価されていくのか。しばらく注目しておきたい。
