ក្រុម Qwen របស់ Alibaba បានបញ្ចេញ Qwen-Image-2.1 ដែលជាម៉ូដែលបើកចំហរថ្មីសម្រាប់ការបង្កើតរូបភាព និងការកែសម្រួល ដែលក្រុមហ៊ុននិយាយថា ដាល់លើសពីទំហំរបស់វា។ យោងតាមក្រុម Qwen ធាតុផ្សំនៃការបង្កើតរូបភាពរបស់ម៉ូដែលមានប៉ារ៉ាម៉ែត្រត្រឹមតែ 7 ពាន់លានប៉ុណ្ណោះ ប៉ុន្តែវាយកឈ្នះម៉ូដែលបិទជិតភាគច្រើននៅលើស្តង់ដារខាងក្នុងរបស់ Qwen ដែលជាការអះអាងដែលថា ប្រសិនបើវារក្សានៅក្រោមការវាយតម្លៃឯករាជ្យនឹងកត់សម្គាល់ការផ្លាស់ប្តូរគួរឱ្យកត់សម្គាល់នៅក្នុងតុល្យភាពរវាងការបង្កើតរូបភាពបើកចំហ និងកម្មសិទ្ធិ។

គំរូប៉ារ៉ាម៉ែត្រចំនួន 7 ពាន់លានជាមួយនឹងមហិច្ឆតា Flagship

ការអះអាងចំណងជើងពី Alibaba មានភាពទាក់ទាញ៖ ធាតុផ្សំនៃការបង្កើតរូបភាពដែលមានត្រឹមតែ 7 ពាន់លានប៉ារ៉ាម៉ែត្រដែលដំណើរការជាងម៉ូដែលបិទជិតបំផុត។ វាគឺមានតំលៃសង្កត់ធ្ងន់លើការព្រមានដែលអមជាមួយវា — ការប្រៀបធៀបបានមកពីការវាយតម្លៃផ្ទាល់ខ្លួនរបស់ Qwen ហើយលទ្ធផលគោលឯករាជ្យនៅតែរង់ចាំ។ ការបោះពុម្ពផ្សាយបច្ចេកវិទ្យា The Decoder ដែលគ្របដណ្តប់លើការចេញផ្សាយនេះ បានកត់សម្គាល់ពីភាពខុសគ្នានេះដោយផ្ទាល់ និងសហគមន៍ប្រភពបើកចំហនៅលើ Hacker News ដែលការបើកដំណើរការបានទាក់ទាញសំឡេងគាំទ្ររាប់រយក្នុងរយៈពេលប៉ុន្មានម៉ោង ត្រូវបានវាស់វែងស្រដៀងគ្នានៅក្នុងប្រតិកម្មដំបូងរបស់វា។

អ្វីដែលមិនមានជម្លោះគឺប្រសិទ្ធភាពនៃប្រព័ន្ធ។ Qwen-Image-2.1 ត្រូវបានរចនាឡើងដើម្បីដំណើរការលើផ្នែករឹងអ្នកប្រើប្រាស់ដែលមានសមត្ថភាព រួមទាំង GPUs ដែលអាចចូលប្រើបានដូច NVIDIA RTX 3090។ សម្រាប់អ្នកបង្កើត និងអ្នកអភិវឌ្ឍន៍ដែលបានមើលគំរូរូបភាពព្រំដែនរសាត់តាម APIs និងហេដ្ឋារចនាសម្ព័ន្ធមជ្ឈមណ្ឌលទិន្នន័យ គំរូដែលអាចបង្កើត និងកែសម្រួលរូបភាពក្នុងមូលដ្ឋាននៅលើកាតអ្នកប្រើប្រាស់ដែលមានអាយុ 3 ឆ្នាំគឺជាការអភិវឌ្ឍន៍ដ៏មានអត្ថន័យនៅក្នុងខ្លួនវា។

រូបភាពថ្លា និងសមាសភាពពហុយោង

លើសពីគុណភាពជំនាន់ដើម Qwen-Image-2.1 ណែនាំពីសមត្ថភាពដែលក្រុម Qwen និយាយថាមានដើមកំណើតពីគំរូជាជាងការពង្រឹងនៅពេលក្រោយ។ ភាពទាក់ទាញបំផុតនៃទាំងនេះគឺជាការគាំទ្រដើមសម្រាប់ RGBA — រូបភាពដែលមានផ្ទៃខាងក្រោយថ្លា — ក្នុងជំនាន់ និងការកែសម្រួល។ អ្នក​ប្រើ​អាច​ញែក​វត្ថុ​ចេញ​ពី​ផ្ទៃ​ខាង​ក្រោយ​របស់​ពួក​គេ ឬ​ផ្លាស់​ប្តូ​រ​អត្ថបទ​នៅ​លើ​ស្រទាប់​ថ្លា​ដោយ​មិន​ចាំ​បាច់​ធ្វើ​ដំណើរ​ជុំវិញ​តាម​រយៈ​ឧបករណ៍​លុប​ផ្ទៃ​ខាងក្រោយ​ដោយ​ឡែក​ពី​គ្នា។

ម៉ូដែលនេះក៏គ្រប់គ្រងរូបភាពយោងរហូតដល់ដប់ក្នុងការងារតែមួយ។ យោងតាម ​​Qwen នេះអនុញ្ញាតឱ្យមានដំណើរការការងារដូចជាការប្រមូលផ្តុំរូបភាពជាក្រុមពីរូបថតនីមួយៗរបស់មនុស្សម្នាក់ៗ ផ្តល់ថាមពលដល់បទពិសោធន៍សាកល្បងនិម្មិត ឬការរចនាបន្ទប់ឡើងវិញដោយរួមបញ្ចូលគ្នានូវរូបថតខាងក្នុងជាច្រើនជាឯកសារយោង។

សម្រាប់ការកែសម្រួលក្នុងតំបន់ ក្រុមការងារបានអនុវត្តការគ្រប់គ្រងតាមតំបន់៖ អ្នកប្រើប្រាស់អាចគូររង្វង់ របាំង ឬលាបពណ៌លើផ្ទៃនៃរូបភាព ដើម្បីចង្អុលបង្ហាញកន្លែងដែលការផ្លាស់ប្តូរគួរត្រូវបានអនុវត្ត។ វាដាក់ការកែសម្រួលការណែនាំជាទម្រង់ដែលមើលឃើញជាជាងការពឹងផ្អែកតែលើការជម្រុញអត្ថបទដើម្បីពិពណ៌នាអំពីការផ្លាស់ប្តូរទំហំ។

ការផ្លាស់ប្តូរស្ថាបត្យកម្ម និងការសន្និដ្ឋានលឿនជាងមុន

ការកែលម្អការអនុវត្តនៅក្នុង Qwen-Image-2.1 កើតចេញពីការផ្លាស់ប្តូរស្ថាបត្យកម្ម និងពី KV cache ប្រើឡើងវិញ នេះបើយោងតាមក្រុម Qwen ។ វិធីសាស្រ្តឃ្លាំងសម្ងាត់ត្រូវបានគេនិយាយថាដើម្បីបង្កើនល្បឿនការសន្និដ្ឋានគួរឱ្យកត់សម្គាល់ ជាពិសេសនៅក្នុងលំហូរការងារដែលពាក់ព័ន្ធនឹងរូបភាពយោងជាច្រើន ដែលវិធីសាស្រ្តពីមុននឹងគណនាឡើងវិញនូវចំនួនការងារយ៉ាងច្រើននៅគ្រប់ជំនាន់។

សម្រាប់អ្នកប្រើប្រាស់ជាក់ស្តែង ការសន្និដ្ឋានលឿនជាងមុនលើផ្នែករឹងរបស់អ្នកប្រើប្រាស់រួមបញ្ចូលរឿងរ៉ាវនៃភាពងាយស្រួល៖ វដ្តនៃការធ្វើឡើងវិញលឿនជាងមុនធ្វើឱ្យការបង្កើតរូបភាពក្នុងតំបន់អាចដំណើរការបានសម្រាប់ការងារផលិតពិតប្រាកដ ជាជាងការពិសោធន៍ម្តងម្កាល។

កន្លែងដែលត្រូវយកវា - និងការចាប់អាជ្ញាបណ្ណ

Qwen-Image-2.1 អាចទាញយកបាននៅលើ Hugging Face, GitHub និង Model Scope ហើយក្រុមការងារបានផ្សព្វផ្សាយការបង្ហាញនៅលើ Hugging Face សម្រាប់អ្នកប្រើប្រាស់ដែលចង់សាកល្បងម៉ូដែលនេះមុនពេលទាញយកវា។

ទោះយ៉ាងណាក៏ដោយមានការចាប់ដ៏សំខាន់មួយសម្រាប់អ្នកប្រើប្រាស់ពាណិជ្ជកម្ម។ គំរូដឹកជញ្ជូនក្រោមអាជ្ញាប័ណ្ណស្រាវជ្រាវដែលរារាំងការប្រើប្រាស់ពាណិជ្ជកម្មយ៉ាងច្បាស់លាស់។ អាជីវកម្មដែលចង់បង្កើត Qwen-Image-2.1 ត្រូវតែដាក់ពាក្យសុំ Qwen សម្រាប់អាជ្ញាប័ណ្ណដាច់ដោយឡែក។ នេះឆ្លុះបញ្ចាំងពីវិធីសាស្រ្តដែល Alibaba បានអនុវត្តជាមួយនឹងការចេញផ្សាយ Qwen ពីមុនជាច្រើន ដែលទម្ងន់អាចរកបានដោយសេរីសម្រាប់ការស្រាវជ្រាវ និងវាយតម្លៃ ប៉ុន្តែការដាក់ពង្រាយដែលបង្កើតប្រាក់ចំណូលទាមទារឱ្យមានការរៀបចំដោយផ្ទាល់ជាមួយក្រុមហ៊ុន។

សម្រាប់អ្នកបង្កើត អ្នកស្រាវជ្រាវ និងអ្នកចូលចិត្តបុគ្គល ប្រសិទ្ធភាពជាក់ស្តែងគឺសាមញ្ញ៖ ទាញយក ដំណើរការក្នុងមូលដ្ឋាន ពិសោធន៍ដោយសេរី។ សម្រាប់ការចាប់ផ្តើមអាជីវកម្មដែលសង្ឃឹមថានឹងបង្កើតផលិតផលនៅលើកំពូលនៃម៉ូដែលនេះ លក្ខខណ្ឌអាជ្ញាប័ណ្ណមានន័យថាការសន្ទនាជាមួយ Alibaba មកមុន។

តើវាមានន័យយ៉ាងណាសម្រាប់ការប្រណាំងទម្ងន់បើកចំហ

ការចេញផ្សាយនេះបានកើតឡើងនៅពេលដែលមន្ទីរពិសោធន៍ AI របស់ចិនកំពុងប្រកួតប្រជែងយ៉ាងខ្លាំងក្លាលើប្រសិទ្ធភាពទម្ងន់បើកចំហ ដោយបញ្ចេញម៉ូដែលដែលទាមទារគុណភាពនៅជិតព្រំដែននៅប្រភាគនៃចំនួនប៉ារ៉ាម៉ែត្រ និងតម្លៃផ្នែករឹងនៃគូប្រជែងបិទជិតរបស់ពួកគេ។ គំរូរូបភាពដែលអះអាងថាជាគូប្រជែងនឹងប្រព័ន្ធបិទជិត ខណៈពេលដែលសមនៅលើ GPU អ្នកប្រើប្រាស់គឺជាសមភាគីជំនាន់ដែលមើលឃើញទៅនឹងយុទ្ធសាស្ត្រទូលំទូលាយនោះ។

ថាតើ Qwen-Image-2.1 ពិតជាផ្គូផ្គងមេដឹកនាំបិទជិតឬអត់នឹងអាស្រ័យលើស្តង់ដារឯករាជ្យដែលមិនទាន់ត្រូវបានបោះពុម្ពផ្សាយ។ ការធ្វើតេស្តសហគមន៍ដំបូង ការវាយតម្លៃភាគីទីបី និងការប្រៀបធៀបនៅលើវេទិកាដូចជា Hugging Face នឹងដោះស្រាយសំណួរនៅក្នុងសប្តាហ៍ខាងមុខនេះ។ រហូតមកដល់ពេលនោះ ការទាមទារនៅតែជាកម្មសិទ្ធិរបស់ក្រុម - ប៉ុន្តែម៉ូដែលខ្លួនវាអាចរកបាននៅថ្ងៃនេះសម្រាប់អ្នកដែលមានផ្នែករឹង និងចង់ដឹងចង់សាកល្បងវា។

សម្រាប់អ្នកអានដែលតាមដានការប្រកួតប្រជែងកាន់តែទូលំទូលាយរវាងប្រព័ន្ធ AI បើកចំហ និងបិទ ការចេញផ្សាយនេះគឺជាចំណុចទិន្នន័យមួយបន្ថែមទៀតនៅក្នុងវិស័យដែលមានការផ្លាស់ប្តូរយ៉ាងឆាប់រហ័ស ដែលគ្របដណ្តប់ជាមួយនឹងព័ត៌មាន AI ចុងក្រោយបំផុតនៅពេលវាអភិវឌ្ឍ។

នាំមុខ AI

ទេសភាព AI ផ្លាស់ទីយ៉ាងលឿន ហើយការបង្កើតរូបភាពគឺជាជ្រុងមួយនៃការប្រកួតប្រជែងបំផុតរបស់វា។ តាមដាននៅ AI Buzz Wire សម្រាប់ការបន្តគ្របដណ្តប់នៃការចេញផ្សាយគំរូ គំរូ និងការសម្រេចចិត្តអាជីវកម្មនៅពីក្រោយពួកគេ។

អានព័ត៌មាន AI បន្ថែម →