Liepos 7 d. Meta Superintelligence Labs pristatė dvi naujas dirbtinio intelekto sistemas – Muse Image, jau pasiekiamą vartotojams, ir Muse Video, kol kas rodomą kaip ankstyvą peržiūrą. Tai pirmieji medijos generavimo modeliai, sukurti šio Meta padalinio.
Kaip veikia Muse Image
Muse Image veikia kitaip nei dauguma įprastų DI vaizdų generatorių. Vietoj tiesioginio užklausos pavertimo paveikslėliu, modelis elgiasi kaip agentas: naudojasi paieškos ir programavimo įrankiais, kad patikslintų faktus, ir pats save taiso kūrimo proceso metu. Šis savaiminio tobulinimo elgesys, pasak Meta, atsirado ne dėl specialaus projektavimo, o savaime – mokymosi su pastiprinimu (reinforcement learning) metu modelis „suprato“, kad koregavimas duoda geresnius rezultatus. Kuo daugiau skaičiavimo laiko (test-time compute) modeliui suteikiama užklausos apdorojimo metu, tuo aukštesnės kokybės rezultatas – panašiai kaip tekstiniuose LLM modeliuose.
Vaizdų redagavimo srityje Muse Image geba tiksliai keisti tik nurodytus elementus, išlaikyti nuoseklumą per kelis redagavimo etapus ir sujungti kelias nuorodines nuotraukas į vieną kompoziciją – pavyzdžiui, žmones, drabužius ar aplinkas iš skirtingų paveikslėlių.
Arena Elo reitingai: kaip Muse Image atrodo prieš GPT Image 2 ir Nano Banana 2
Pagal Meta pateiktus duomenis (Arena Elo reitingai, fiksuoti liepos 5 d.), Muse Image užima antrą vietą tarp teksto-į-vaizdą modelių, taip pat antrą vietą vieno vaizdo ir kelių vaizdų redagavimo kategorijose. Pirmoje vietoje lieka OpenAI modelis GPT Image 2 – nepriklausomi šaltiniai (Arena.ai, GMI Cloud testai) rodo, kad atotrūkis Elo balais siekia apie šimtą punktų, o tai atitinka maždaug 64 proc. tikėtiną GPT Image 2 pergalės tikimybę tiesioginėje dvikovoje. Tuo pat metu Muse Image lenkia Google modelį Nano Banana 2 redagavimo užduotyse – šį faktą patvirtina ir Meta blogas, ir nepriklausomi bandymai.
Muse Video: garsas, tikslumas ir kol kas silpnos vietos
Muse Video, pristatomas kaip ankstyva peržiūra, pasižymi geru vaizdo tikslumu, sklandžiu instrukcijų vykdymu ir integruotu garsu – modelis kuria vaizdo įrašus kartu su natūraliu garso takeliu. Arena reitinguose jis šiuo metu užima trečią vietą teksto-į-vaizdo-įrašą kategorijoje. Meta pati pripažįsta, kad modelis dar turi silpnų vietų: garso ir vaizdo sinchronizacija ne visada tiksli, o greitas, fiziškai sudėtingas judesys kartais atrodo netikroviškai.
Content Seal: apsauga nuo dezinformacijos
Siekdama kovoti su dezinformacija, Meta į Muse Image įdiegė Content Seal – nematomą vandenženklį, kuris išlieka paveikslėlyje net jį apkarpius, suspaudus ar padarius ekrano nuotrauką. Netrukus ši technologija bus pritaikyta ir vaizdo įrašams.
Kur jau galima naudoti
Muse Image jau veikia „Meta AI“ programėlėje, svetainėje meta.ai, „Instagram“ istorijose JAV, taip pat „WhatsApp“ kai kuriose šalyse; netrukus pasieks ir „Facebook“. Muse Video kol kas prieinamas ribotai, tačiau Meta žada jį netrukus atverti kūrėjams plačiau.
Šaltiniai:
- Introducing Muse Image and Muse Video – Meta AI Blog
- Arena.ai pranešimas apie Muse Image reitingą (X/Twitter)
- GMI Cloud Muse Image vs. GPT Image 2 vs. Nano Banana 2 palyginimas (X/Twitter)