Una LoRA da 155 megabyte. Questo è bastato per aggiungere, a un modello video da 33 miliardi di parametri, la capacità di generare video con il volto di Sydney Sweeney. Senza chiedere il permesso, ovviamente.
L’8 settembre 2026 Michael Guo ha pubblicato su X un thread tecnico che analizza un caso circolato nei giorni precedenti nella comunità open source: un utente chiamato Playtime-AI ha caricato su Hugging Face, licenza Apache 2.0 (quella del ‘fate quello che volete, anche commercialmente’), una LoRA addestrata per riprodurre i tratti dell’attrice dentro MiniMax H3, il modello video-audio open che sta diventando un punto di riferimento per chi lavora su contenuti generati.
Il file pesa poco più di quanto occupa una foto RAW di buona qualità. E permette di ottenere video con un volto riconducibile all’attrice scrivendo semplicemente il nome nel prompt. Niente immagini di riferimento, niente controlli, niente freni.
Come si addestra un volto in 155 MB
Guo ha ricostruito il processo partendo dai metadati nel file: circa 3.440 step distribuiti su 120 epoch, ottimizzatore AdamW, learning rate 1e-4. Il tool usato è Fizgig, un trainer open source specializzato in LoRA per modelli video come Krea 2 e MiniMax H3.
Ma cos’è davvero una LoRA? Non è un modello completo. È una ‘correzione’ — tecnicamente, due matrici a basso rango che vengono sommate ai pesi originali durante l’inferenza. Il modello base resta congelato: continua a occuparsi di movimento, luce, inquadrature, tutta la grammatica del video. La LoRA si limita a spostare i tratti del volto verso un’identità specifica quando nel prompt compare la parola-chiave giusta.
Ecco perché il file è così leggero. Non stai salvando 33 miliardi di parametri. Stai salvando solo lo scarto necessario a piegare l’output verso un volto preciso.
Optimised Likeness Learning: meno blocchi, stessa identità
Fizgig ha introdotto su MiniMax H3 una tecnica chiamata ‘Optimised Likeness Learning’. Anziché aggiornare tutti i 50 blocchi del modello, ne tocca solo una porzione — i blocchi dal 20 al 49, secondo la documentazione del progetto. Quelli che, stando ai test, codificano l’identità del volto.
Il resto? Lasciato intatto. Composizione, movimento, dinamica della scena: tutto gestito dal modello base. La LoRA si occupa solo del volto. Ed è una tecnica reale, documentata nelle release pubbliche (versione 5.2, inizio settembre 2026). Non è fuffa, funziona.
E funziona anche su GPU consumer. I changelog di Fizgig parlano di training stabile su schede da 12-16 GB di VRAM. Praticamente, il vostro portatile gaming medio.
Il problema non è la tecnica, è la scala
Non è un dettaglio che a sollevare la questione siano stati gli utenti stessi, nei commenti al thread di Guo. Diversi hanno osservato che il rischio non riguarda tanto la LoRA in sé, quanto i confini poco chiari tra licenza del modello, diritto d’immagine e riproducibilità su larga scala.
Pubblicare una LoRA con il volto di una persona reale, senza consenso, sotto licenza open-source scaricabile da chiunque, sposta un problema finora confinato a strumenti proprietari — dove esistono filtri, controlli, policy d’uso — verso un ecosistema completamente aperto. Dove chiunque abbia una GPU consumer può scaricare il file e generare contenuti con il volto di una persona pubblica.
Per quanto risulta dalle fonti disponibili, Sydney Sweeney non ha autorizzato né commentato pubblicamente la pubblicazione di questa LoRA. E non è l’unica: il profilo Hugging Face di Playtime-AI conta, secondo il thread, oltre 70 LoRA di persone pubbliche. Attrici, attori, volti noti. Tutte scaricabili, tutte utilizzabili.
Perché questo non è un caso isolato
Il caso descritto da Guo è illustrativo di una tendenza più ampia. Gli strumenti di training LoRA per modelli video di grandi dimensioni sono ormai abbastanza efficienti da permettere di addestrare un ‘volto’ con un numero relativamente contenuto di immagini di riferimento, un tempo di training limitato e una singola GPU consumer.
Il costo per produrre e distribuire una LoRA di questo tipo si è abbassato al punto da rendere il fenomeno riproducibile su scala. Ben oltre il singolo caso. E quando la barriera tecnica ed economica crolla, resta solo quella etica — che è esattamente quella su cui la comunità open source non ha ancora trovato un equilibrio condiviso.
Il repository Fizgig è pubblico su GitHub. La release v5.2.0, datata 2 settembre 2026, conferma la tecnica ‘Optimised Likeness Learning’ sui blocchi 20-49 di MiniMax H3. La pagina Hugging Face di Playtime-AI esiste, la licenza Apache 2.0 è verificabile. Il modello MiniMax H3 ha un ecosistema di training di terze parti attivo, con integrazioni su fal.ai e ComfyUI.
Quello che non è verificabile in modo indipendente è il numero esatto di download della LoRA, l’entità reale della diffusione del fenomeno oltre quanto raccontato nel thread, ed eventuali comunicazioni di Sydney Sweeney o del suo team sul caso specifico.
Ma il punto resta: la tecnica funziona. È accessibile. Ed è distribuita sotto licenza aperta. Il resto è un problema che la comunità dovrà affrontare, prima o poi. Probabilmente prima.
