अलीबाबा की क्वेन टीम ने छवि निर्माण और संपादन के लिए एक नया ओपन-वेट मॉडल क्वेन-इमेज-2.1 जारी किया है, जिसके बारे में कंपनी का कहना है कि यह इसके आकार से काफी ऊपर है। क्वेन टीम के अनुसार, मॉडल के विज़ुअल जेनरेशन घटक में केवल 7 बिलियन पैरामीटर हैं, फिर भी यह क्वेन के अपने आंतरिक बेंचमार्क पर अधिकांश बंद मॉडलों को मात देता है - एक दावा है कि, यदि यह स्वतंत्र मूल्यांकन के तहत कायम रहता है, तो खुली और मालिकाना छवि पीढ़ी के बीच संतुलन में एक उल्लेखनीय बदलाव होगा।
फ्लैगशिप महत्वाकांक्षाओं वाला 7 बिलियन पैरामीटर वाला मॉडल
अलीबाबा का शीर्षक दावा चौंकाने वाला है: केवल 7 बिलियन मापदंडों का एक दृश्य पीढ़ी घटक अधिकांश बंद मॉडलों से बेहतर प्रदर्शन करता है। इसके साथ जुड़ी चेतावनी पर जोर देना उचित है - तुलना क्वेन के अपने बेंचमार्क से आती है, और स्वतंत्र बेंचमार्क परिणाम अभी भी लंबित हैं। टेक प्रकाशन द डिकोडर, जिसने रिलीज़ को कवर किया था, ने सीधे तौर पर इस अंतर को नोट किया, और हैकर न्यूज़ पर ओपन-सोर्स समुदाय, जहां लॉन्च को कुछ ही घंटों के भीतर सैकड़ों अपवोट मिले, को इसकी शुरुआती प्रतिक्रियाओं में भी इसी तरह मापा गया है।
जो बात विवाद में नहीं है वह है सिस्टम की कार्यकुशलता। क्वेन-इमेज-2.1 को सक्षम उपभोक्ता हार्डवेयर पर चलने के लिए डिज़ाइन किया गया है, जिसमें एनवीआईडीआईए आरटीएक्स 3090 के रूप में सुलभ जीपीयू भी शामिल है। उन रचनाकारों और डेवलपर्स के लिए जिन्होंने सीमांत छवि मॉडल को एपीआई और डेटा-सेंटर बुनियादी ढांचे के पीछे भटकते देखा है, एक मॉडल जो तीन साल पुराने उपभोक्ता कार्ड पर स्थानीय रूप से छवियों को उत्पन्न और संपादित कर सकता है, अपने आप में एक सार्थक विकास है।
पारदर्शी छवियाँ और बहु-संदर्भ रचना
कच्ची पीढ़ी की गुणवत्ता से परे, क्वेन-इमेज-2.1 उन क्षमताओं का परिचय देता है जिनके बारे में क्वेन टीम का कहना है कि वे बाद में लागू होने के बजाय मॉडल के मूल हैं। इनमें से सबसे अधिक ध्यान आकर्षित करने वाला आरजीबीए के लिए मूल समर्थन है - पारदर्शी पृष्ठभूमि वाली छवियां - पीढ़ी और संपादन दोनों में। उपयोगकर्ता वस्तुओं को उनकी पृष्ठभूमि से अलग कर सकते हैं या एक अलग पृष्ठभूमि-हटाने वाले टूल के माध्यम से राउंड-ट्रिपिंग के बिना पारदर्शी परतों पर पाठ बदल सकते हैं।
मॉडल एक ही कार्य में अधिकतम दस संदर्भ छवियों को भी संभालता है। क्वेन के अनुसार, यह वर्कफ़्लो को सक्षम बनाता है जैसे प्रत्येक व्यक्ति की अलग-अलग तस्वीरों से एक समूह चित्र को इकट्ठा करना, वर्चुअल ट्राई-ऑन अनुभवों को सशक्त बनाना, या संदर्भ के रूप में कई आंतरिक तस्वीरों को संयोजित करके कमरों को फिर से डिज़ाइन करना।
स्थानीय संपादनों के लिए, टीम ने क्षेत्र-निर्देशित नियंत्रण लागू किए हैं: उपयोगकर्ता यह इंगित करने के लिए छवि के एक क्षेत्र पर वृत्त, मुखौटे या चित्रित निशान बना सकते हैं कि परिवर्तन कहाँ लागू किए जाने चाहिए। यह स्थानिक परिवर्तनों का वर्णन करने के लिए केवल पाठ संकेतों पर निर्भर रहने के बजाय संपादन निर्देशों को दृश्य रूप में रखता है।
वास्तुकला में परिवर्तन और तेजी से अनुमान
क्वेन टीम के अनुसार, क्वेन-इमेज-2.1 में प्रदर्शन सुधार वास्तुशिल्प परिवर्तनों और केवी कैश के पुन: उपयोग से आते हैं। ऐसा कहा जाता है कि कैशिंग दृष्टिकोण अनुमान को तेजी से बढ़ाता है, विशेष रूप से वर्कफ़्लो में जिसमें कई संदर्भ छवियां शामिल होती हैं, जहां पिछले दृष्टिकोण हर पीढ़ी पर पर्याप्त मात्रा में काम की पुनर्गणना करेंगे।
व्यावहारिक उपयोगकर्ताओं के लिए, उपभोक्ता हार्डवेयर पर तेज़ अनुमान पहुंच की कहानी को जोड़ता है: त्वरित पुनरावृत्ति चक्र कभी-कभार प्रयोग के बजाय वास्तविक उत्पादन कार्य के लिए स्थानीय छवि निर्माण को व्यवहार्य बनाते हैं।
इसे कहां से प्राप्त करें - और लाइसेंसिंग पकड़
क्वेन-इमेज-2.1 हगिंग फेस, गिटहब और मॉडल स्कोप पर डाउनलोड के लिए उपलब्ध है, और टीम ने उन उपयोगकर्ताओं के लिए हगिंग फेस पर एक डेमो प्रकाशित किया है जो इसे डाउनलोड करने से पहले मॉडल को आज़माना चाहते हैं।
हालाँकि, व्यावसायिक उपयोगकर्ताओं के लिए एक महत्वपूर्ण समस्या है। मॉडल एक शोध लाइसेंस के तहत शिप किया जाता है जो स्पष्ट रूप से व्यावसायिक उपयोग पर रोक लगाता है। जो व्यवसाय क्वेन-इमेज-2.1 पर निर्माण करना चाहते हैं, उन्हें एक अलग लाइसेंस के लिए क्वेन पर आवेदन करना होगा। यह उस दृष्टिकोण को प्रतिबिंबित करता है जो अलीबाबा ने पिछले कई क्वेन रिलीज के साथ अपनाया है, जहां अनुसंधान और मूल्यांकन के लिए भार स्वतंत्र रूप से उपलब्ध हैं, लेकिन राजस्व उत्पन्न करने वाली तैनाती के लिए कंपनी के साथ सीधी व्यवस्था की आवश्यकता होती है।
व्यक्तिगत रचनाकारों, शोधकर्ताओं और शौकीनों के लिए, व्यावहारिक प्रभाव सरल है: डाउनलोड करें, स्थानीय रूप से चलाएं, स्वतंत्र रूप से प्रयोग करें। मॉडल के शीर्ष पर उत्पाद बनाने की उम्मीद रखने वाले स्टार्टअप के लिए, लाइसेंस शर्तों का मतलब है कि अलीबाबा के साथ बातचीत पहले आती है।
ओपन-वेट रेस के लिए इसका क्या मतलब है
यह रिलीज ऐसे समय में हुई है जब चीनी एआई प्रयोगशालाएं ओपन-वेट दक्षता पर आक्रामक रूप से प्रतिस्पर्धा कर रही हैं, ऐसे मॉडल जारी कर रही हैं जो अपने बंद प्रतिस्पर्धियों की पैरामीटर गिनती और हार्डवेयर लागत के एक अंश पर निकट-सीमा गुणवत्ता का दावा करते हैं। एक छवि मॉडल जो उपभोक्ता जीपीयू पर फिट होते हुए बंद सिस्टम को टक्कर देने का दावा करता है, वह उस व्यापक रणनीति का दृश्य-पीढ़ी समकक्ष है।
क्या क्वेन-इमेज-2.1 वास्तव में बंद नेताओं से मेल खाता है, यह स्वतंत्र बेंचमार्क पर निर्भर करेगा, जो अभी तक प्रकाशित नहीं हुए हैं। प्रारंभिक सामुदायिक परीक्षण, तृतीय-पक्ष मूल्यांकन और हगिंग फेस जैसे प्लेटफार्मों पर तुलना आने वाले हफ्तों में प्रश्न का समाधान कर देगी। तब तक, दावा टीम का ही है - लेकिन मॉडल आज हार्डवेयर और इसका परीक्षण करने की जिज्ञासा वाले किसी भी व्यक्ति के लिए उपलब्ध है।
खुले और बंद एआई सिस्टम के बीच व्यापक प्रतिस्पर्धा पर नज़र रखने वाले पाठकों के लिए, रिलीज तेजी से आगे बढ़ने वाले क्षेत्र में एक और डेटा बिंदु है, जो नवीनतम एआई समाचारों के साथ-साथ विकसित होता है।
एआई से आगे रहें
एआई परिदृश्य तेजी से आगे बढ़ता है, और छवि निर्माण इसके सबसे प्रतिस्पर्धी कोनों में से एक है। मॉडल रिलीज़, बेंचमार्क और उनके पीछे के व्यावसायिक निर्णयों की निरंतर कवरेज के लिए [एआई बज़ वायर] (https://aibuzzwire.news) पर फॉलो करें।
अधिक AI समाचार पढ़ें →
