ব্ল্যাক ফরেস্ট ল্যাবস বুধবার FLUX 3 ইমেজ ক্লেইন প্রকাশ করেছে, টেক্সট-টু-ইমেজ জেনারেশন, ইমেজ এডিটিং এবং মাল্টি-রেফারেন্স জেনারেশনের জন্য একটি 5.6-বিলিয়ন-প্যারামিটার ওপেন-ওয়েট মডেল যা কোম্পানির ফ্ল্যাগশিপ FLUX 3 ইমেজ সিস্টেমের হেডলাইন ক্ষমতাগুলিকে হার্ডওয়্যার পর্যন্ত 8GB কনজিউমার গ্রাফিক্স কার্ডের মতো পরিমিত করে।

ব্ল্যাক ফরেস্ট ল্যাবস ব্লগে ঘোষিত এই রিলিজটিতে রয়েছে নেটিভ 4K ইমেজ জেনারেশন, পিক্সেল-পারফেক্ট এডিটিং এবং বাউন্ডিং-বক্স কন্ট্রোল যা নির্দেশ করে যে উপাদানগুলি কোথায় রাখা হয়েছে বা সম্পাদনাগুলিকে একটি সংজ্ঞায়িত এলাকায় সীমাবদ্ধ করে — বৈশিষ্ট্যগুলি কোম্পানি পূর্বে সম্পূর্ণ FLUX 3 ইমেজ মডেলের জন্য সংরক্ষিত ছিল। ওজন FLUX কমিউনিটি লাইসেন্সের অধীনে ডাউনলোডের জন্য উপলব্ধ, এবং মডেলটি কোম্পানির হোস্ট করা API-এর মাধ্যমেও পরিবেশিত হয়। এটি বছরের সবচেয়ে ফলপ্রসূ ওপেন ইমেজ মডেল রিলিজগুলির মধ্যে একটি, এবং সাম্প্রতিক AI উন্নয়নগুলি কত দ্রুত সক্ষম প্রজন্মকে দৈনন্দিন হার্ডওয়্যারের দিকে ঠেলে দিচ্ছে - চলমান কভারেজের জন্য, AI Buzz Wire দেখুন।

ফ্ল্যাগশিপ বৈশিষ্ট্য সহ একটি ছোট মডেল

এর কমপ্যাক্ট আকার থাকা সত্ত্বেও, ফ্লাক্স 3 ইমেজ ক্লেইন তার মূল দক্ষতার সেটটি বৃহত্তর ফ্লাক্স 3 ইমেজের সাথে শেয়ার করে। এটি 10টি রেফারেন্স ইমেজ সহ মাল্টি-রেফারেন্স জেনারেশন সমর্থন করে, ব্যবহারকারীদের একটি একক আউটপুটে ভিজ্যুয়াল ইনপুটের একটি বড় সেট মিশ্রিত করতে দেয়। নেটিভ 4K প্রজন্ম এবং পিক্সেল-নিখুঁত সম্পাদনা ফ্ল্যাগশিপ থেকে বহন করে, যেমন বাউন্ডিং বাক্সগুলি যা রচনা নিয়ন্ত্রণ করে বা ক্যানভাসের একটি নির্দিষ্ট অঞ্চলে সম্পাদনাগুলিকে সীমাবদ্ধ করে।

ব্ল্যাক ফরেস্ট ল্যাবস বলছে যে মডেলটি ছবি, ভিডিও এবং অডিও জুড়ে FLUX 3 এর শেয়ার করা শিক্ষার উপর ভিত্তি করে তৈরি করে: ছবিগুলি স্থানিক বিশদে অবদান রাখে, ভিডিও গতি এবং শারীরিক গতিশীলতা যোগ করে এবং অডিও ঘটনা এবং মিথস্ক্রিয়া সম্পর্কে তথ্য প্রদান করে। কোম্পানির মতে, এই সম্মিলিত সংকেতগুলি মডেলটিকে এমন চিত্র তৈরি করতে সহায়তা করে যা বাস্তব জগতে ভিত্তি করে।

দুটি ভেরিয়েন্টে রিলিজ শিপ - একটি বেস মডেল যা ফাইন-টিউনিং এর উদ্দেশ্যে এবং একটি স্টেপ-ডিস্টিল মডেল যা লো-লেটেন্সি জেনারেশনের জন্য তৈরি করা হয়েছে - পাশাপাশি FP8, INT8 এবং NVFP4 কোয়ান্টাইজড বিল্ডগুলি NVIDIA সমর্থনে তৈরি করা হয়েছে৷ জেনারেটরের ওজনের জন্য BF16 নির্ভুলতায় 11.2GB মেমরি এবং FP8-এ 5.6GB মেমরি প্রয়োজন।

বড় প্রতিদ্বন্দ্বীদের বিরুদ্ধে বেঞ্চমার্কের দাবি

অভ্যন্তরীণ মূল্যায়নে, ব্ল্যাক ফরেস্ট ল্যাবগুলি টেক্সট-টু-ইমেজ, মাল্টি-রেফারেন্স জেনারেশন এবং ইমেজ এডিটিং-এ ওপেন-ওয়েট মডেলগুলির মধ্যে FLUX 3 ইমেজ ক্লেইনকে প্রথম স্থান দেয় এবং এর তুলনা সেটে Ideogram V4.5 এবং FLUX.2 [প্রো] ক্লোজড মডেলগুলির থেকে এগিয়ে। 5.6B প্যারামিটারে, এটি সেই তুলনায় সবচেয়ে ছোট মডেল: Qwen-Image 2.1 7B প্যারামিটারে এবং Krea 2 12.9B-এ চেক ইন করে।

এর নিজস্ব পূর্বসূরীর বিরুদ্ধে, লাভগুলি আরও শক্ত। FLUX.2 [klein], একটি 9B মডেলের সাথে তুলনা করে, নতুন রিলিজটি টেক্সট-টু-ইমেজে 91 ইলো বেশি এবং 38 শতাংশ কম প্যারামিটার ব্যবহার করে ইমেজ এডিটিংয়ে 70 ইলো বেশি স্কোর করেছে। সমস্ত বিক্রেতা-প্রকাশিত মূল্যায়নের মতো, সংখ্যাগুলি একটি স্বাধীন লিডারবোর্ডের পরিবর্তে কোম্পানির নিজস্ব অভ্যন্তরীণ পরীক্ষা থেকে আসে, তাই সেগুলি নিষ্পত্তিকৃত সত্যের পরিবর্তে একটি শক্তিশালী খোলার দাবি হিসাবে ভালভাবে পড়া হয়।

ভোক্তা GPU-এর জন্য তৈরি

শখ এবং ছোট স্টুডিওর জন্য সবচেয়ে ব্যবহারিক শিরোনাম হল হার্ডওয়্যার। INT8 বিল্ডের সাথে, FLUX 3 ইমেজ ক্লেইন NVIDIA GeForce RTX GPU-তে চলে ComfyUI বা Diffusers-এর মাধ্যমে 8GB VRAM-এর সাথে - যা FLUX.2 [klein] শুরু করেছিল তা আরও ছোট মেশিনে প্রসারিত করে।

কোম্পানির দ্বারা প্রকাশিত গতির পরিসংখ্যান, NVIDIA দ্বারা পরিমাপ করা হয়েছে, স্টেপ-ডিস্টিল্ড মডেলটিকে প্রতি ইমেজে 16 ধাপে রাখা হয়েছে: একটি RTX 5090-এ এক-মেগাপিক্সেল ছবির জন্য মোটামুটি 4 সেকেন্ড এবং ComfyUI ব্যবহার করে RTX 4070-এ 9 সেকেন্ডের কম। বেস মডেল, 50টি ধাপে, ফাইন-টিউনিং হেডরুমের জন্য গতির ব্যবসা করে।

ডেটা সার্বভৌমত্বের প্রয়োজনীয়তা বা স্থানীয় স্থাপনার বাধ্যবাধকতা সহ দলগুলির জন্য, কোম্পানী ঠিক এটিই পিচ করে: একটি সক্ষম সম্পাদনা মডেলকে সম্পূর্ণরূপে তাদের নিজস্ব অবকাঠামোতে মূল্যায়ন এবং মানিয়ে নেওয়ার ক্ষমতা। ভোক্তাদের দিক থেকে, ছোট ফুটপ্রিন্ট ল্যাপটপে ডিভাইসে ইমেজ সম্পাদনাকে উচ্চাকাঙ্খী না করে বাস্তবসম্মত করে তোলে।

প্রথম দিন থেকে ফাইন-টিউনিং

বেস চেকপয়েন্ট অভিযোজন জন্য নির্মিত হয়. ডিফিউজার এবং অস্ট্রিসের এআই টুলকিট বাক্সের বাইরে LoRA প্রশিক্ষণকে সমর্থন করে এবং NVIDIA-এর NeMo AutoModel জাহাজের রেসিপি যা সরাসরি প্রকাশিত চেকপয়েন্ট থেকে কাজ করে। ওপেন-ওয়েট ইকোসিস্টেমের জন্য সেই দিন-একটি সমর্থন গুরুত্বপূর্ণ, যেখানে সূক্ষ্ম-সংযুক্ত সম্প্রদায়ের রূপগুলি প্রায়শই নির্ধারণ করে যে একটি মডেল কত দ্রুত ছড়িয়ে পড়ে।

এপিআই গল্প: গতি-গুণমানের ফ্রন্টিয়ার প্রসারিত করা

যে ব্যবহারকারীরা স্থানীয়ভাবে কিছু চালাতে চান না তাদের জন্য, ব্ল্যাক ফরেস্ট ল্যাবগুলি তার API-এর মাধ্যমে FLUX 3 ইমেজ ক্লেইন পরিবেশন করে এবং দাবি করে যে এটি গতি-গুণমান প্যারেটো ফ্রন্টিয়ারকে প্রসারিত করে: Qwen-Image 2.1, FLUX.2 [pro], Ideogram V4.5 এবং Krea 2 এর চেয়ে কম লেটেন্সি, সর্বোচ্চ রেটিং পয়েন্টে এবং উপরে।

ওপেন-ওয়েট ইমেজ রেসের জন্য এর অর্থ কী

Krea Krea 3 প্রবর্তন করার কয়েকদিন পর ছবিটি তৈরির জন্য একটি ভিড়ের সপ্তাহে রিলিজ অবতরণ করে, একটি সম্পাদনা-কেন্দ্রিক মডেল একই সম্প্রদায় বন্ধ করা সরঞ্জামগুলির বিরুদ্ধে মানদণ্ড তৈরি করছে। প্যাটার্নটি সামঞ্জস্যপূর্ণ: গুণমানের দাবি বাড়ার সাথে সাথে প্যারামিটারের সংখ্যা কমছে এবং ডেটা সেন্টার GPU-এ যা চলে এবং গেমিং পিসিতে যা চলে তার মধ্যে ব্যবধান সংকুচিত হতে থাকে।

যদি বেঞ্চমার্ক দাবিগুলি স্বাধীন যাচাই-বাছাইয়ের অধীনে থাকে, তাহলে FLUX 3 ইমেজ ক্লেইন স্থানীয়, উচ্চ-মানের ছবি সম্পাদনাকে আপস না করে একটি ডিফল্ট প্রত্যাশা করে — এবং বন্ধ চিত্র API-এর উপর আরও মূল্যের চাপ দেয়। বাণিজ্যিক ব্যবহারকারীদের উচিত উৎপাদনে শিপিং করার আগে FLUX কমিউনিটি লাইসেন্সের শর্তাদি ভালোভাবে পড়া উচিত, কারণ লাইসেন্সের শর্তাবলী, ক্ষমতা নয়, ক্রমবর্ধমানভাবে ওপেন-ওয়েট গ্রহণের সিদ্ধান্তকারী ফ্যাক্টর।

---

এআই থেকে এগিয়ে থাকুন

সর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।

আরও এআই খবর পড়ুন →