Μοντέλο
Boogu-Εικόνα 0.1: Καταμερισμός της εργασίας και του κινδύνου παραμόρφωσης μεταξύ των τριών βαρών Base, Turbo και Edit
Model Anatomy/Image Generation and Editing
Model Anatomy/Image Generation and Editing
ΑΝΑΤΟΜΙΑ ΜΟΝΤΕΛΟΥ / ΠΑΡΑΓΩΓΗ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ
Το Boogu-Image 0.1 δημοσιεύει έναν βασικό παραγωγό, ένα αποσταγμένο γρήγορο μοντέλο και έναν επεξεργαστή μίας εικόνας. Πίσω από ένα όνομα έργου κρύβονται τρεις διαφορετικές ιστορίες εκπαίδευσης, τρία συμβόλαια δειγματοληψίας και τρεις ξεχωριστοί τρόποι να αποτύχει ένα αποτέλεσμα.
Το μοντέλο μαθαίνει ένα πεδίο ταχύτητας ανάμεσα στον θόρυβο και τις λανθάνουσες αναπαραστάσεις της εικόνας. Ένας συμπαγής στόχος εκπαίδευσης είναι ο εξής:
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Το Base ολοκληρώνει μια μακρύτερη διαδρομή. Το Turbo μαθαίνει μια σύντομη προσέγγιση αυτής της διαδρομής, ώστε τα σφάλματά του να μην είναι απλώς μικρότερες εκδοχές των σφαλμάτων του Base. Το Edit προσθέτει μια συνθήκη εικόνας εισόδου και οφείλει να διατηρεί περιεχόμενο που η οδηγία δεν στοχεύει.
Ένα βασικό μοντέλο μαθαίνει πρώτα ένα χρήσιμο πεδίο μεταφοράς. Στη συνέχεια, ένας αποσταγμένος μαθητής συμπιέζει αυτή την τροχιά σε περίπου τέσσερα βήματα. Ο επεξεργαστής απαιτεί ζεύγη οδηγίας και εικόνας μαζί με έναν επιπλέον στόχο διατήρησης. Αυτή η σειρά εξηγεί γιατί τα λιγότερα βήματα δεν σημαίνουν αυτόματα ικανότερο μοντέλο, και γιατί ένας επεξεργαστής μίας εικόνας δεν συνεπάγεται σύνθεση με πολλαπλές αναφορές.
Το Base μπορεί να διατηρεί λεπτή δομή ενώ παράλληλα επαναλαμβάνει τοπικά μοτίβα. Το Turbo ενδέχεται να σκληραίνει τα περιγράμματα, να υπερ-εξομαλύνει την υφή ή να καταστρέφει μικρό κείμενο. Το Edit χρειάζεται τρεις ελέγχους ταυτόχρονα: συμμόρφωση με την οδηγία, ταυτότητα θέματος και απόκλιση εκτός της ζητούμενης περιοχής. Μια δίκαιη σύγκριση κρατά σταθερά το prompt, τον καμβά και τον σπόρο.
Το επίσημο αποθετήριο και οι τρεις κάρτες μοντέλων τεκμηριώνουν ότι τα βάρη Base, Turbo και Edit δημοσιεύτηκαν με διαφορετικές διαδρομές χρήσης. Οι συγκρίσεις prompt του εκδότη περιγράφουν αυτή την κυκλοφορία· δεν συνιστούν καθολική κατάταξη σε αφίσες, πορτρέτα, προϊόντα και πολύγλωσση τυπογραφία.
Το Boogu-Image 0.1 διαθέτει τα Base, Turbo και Edit μαζί, κάτι που τα κάνει να μοιάζουν με απλές προεπιλογές ταχύτητας. Το Base κρατά μια μακρύτερη τροχιά παραγωγής, το Turbo την αποστάζει σε περίπου τέσσερα βήματα, και το Edit προσθέτει μια εικόνα εισόδου στο συμβόλαιο συνθήκευσης. Ένα όνομα έργου κρύβει λοιπόν τρία ξεχωριστά ερωτήματα αποδοχής.
Η ημερομηνία κυκλοφορίας κρύβει επίσης τη σειρά ανάπτυξης. Ένα βασικό μοντέλο μαθαίνει πρώτα ένα χρήσιμο πεδίο ταχύτητας, ένα αποσταγμένο μοντέλο μαθαίνει μια σύντομη προσέγγιση, και ένα checkpoint επεξεργασίας προσθέτει ζεύγη δεδομένων οδηγίας και εικόνας. Χωρίς αυτή την ιστορία, είναι εύκολο να ισχυριστεί κανείς ότι τα λιγότερα βήματα είναι πάντα καλύτερα ή ότι ένας επεξεργαστής μίας εικόνας υποστηρίζει αυτόματα σύνθεση με πολλαπλές αναφορές.
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθπροβλεπόμενο πεδίο ταχύτηταςu_tδιαδρομή μεταφοράς-στόχοςcσυνθήκη κειμένου ή εικόναςΤο flow matching εκπαιδεύει ένα πεδίο ταχύτητας από τον θόρυβο προς τις λανθάνουσες αναπαραστάσεις της εικόνας. Το Base ολοκληρώνει μια μακρύτερη διαδρομή· το Turbo μαθαίνει μια σύντομη προσέγγιση, ώστε η συμπεριφορά των τεσσάρων βημάτων δεν προκύπτει από εμπειρικούς κανόνες πλήθους βημάτων του Base.
Το Edit προσθέτει μια συνθήκη εικόνας εισόδου. Η αποδοχή πρέπει να διαχωρίζει τη συμμόρφωση με την οδηγία, τη διατήρηση του θέματος και την απόκλιση εκτός της ζητούμενης περιοχής, αντί να τα αντικαθιστά με ευκρίνεια.
Η δημοσίευση, ο κώδικας και τα βάρη μπορούν να ακολουθηθούν μέσω των Boogu-Image source / Boogu Base weights / Boogu Turbo weights.
Ο πίνακας αποτυπώνει τα συμβόλαια εντός του ίδιου έργου και δεν αποτελεί καθολική κατάταξη βασισμένη σε ένα εσωτερικό σύνολο προτιμήσεων.
| Προφίλ | Προεπιλεγμένος συμπερασμός | Κύριος έλεγχος |
|---|---|---|
| Base | flow matching πολλαπλών βημάτων | λεπτομέρεια, σύνθεση και σταθερότητα μακράς διαδρομής |
| Turbo | περίπου 4 βήματα | τεχνουργήματα απόσταξης, κείμενο και μικρά αντικείμενα |
| Edit | μία εικόνα συν οδηγία | συμμόρφωση με την οδηγία και διατήρηση φόντου |
Το Base μπορεί να διατηρεί περισσότερη λεπτομέρεια, χωρίς να παύει να επαναλαμβάνει τοπικά μοτίβα. Το Turbo είναι ευάλωτο σε άκαμπτα περιγράμματα, υπερβολικά οικεία υφή και σπασμένο μικρό κείμενο. Το Edit κρίνεται στη συμμόρφωση με την οδηγία, την ταυτότητα του θέματος και την απόκλιση εκτός της ζητούμενης περιοχής.
Μια σύγκριση οφείλει να κρατά σταθερά το prompt, το μέγεθος και τον σπόρο και στα τρία checkpoints. Μια εικόνα κυκλοφορίας δείχνει ικανότητα, αλλά δεν τεκμηριώνει σταθερή συμπεριφορά σε αφίσες, πορτρέτα, προϊόντα, πυκνή τυπογραφία και σύνθετες συνθέσεις.
Το σύνολο prompt του εκδότη είναι χρήσιμο για αναπαραγωγή, αλλά δεν μπορεί να αντιπροσωπεύσει κάθε αφίσα, πρόσωπο, προϊόν ή πολύγλωσση διάταξη. Μια υπερασπίσιμη σύγκριση χρειάζεται μια σταθερή σουίτα prompt και τυφλή αξιολόγηση.
Τα Base, Turbo και Edit απαιτούν ξεχωριστές καταγραφές δειγματοληψίας. Ο αριθμός βημάτων αλλάζει τόσο το κόστος όσο και το σφάλμα τροχιάς, ενώ το checkpoint επεξεργασίας χρειάζεται επιπλέον την εικόνα εισόδου, την οδηγία και τη διατήρηση εκτός της επεξεργασμένης περιοχής.
Τα ονόματα μοντέλων, οι αριθμοί και οι περιορισμοί ανάγονται στις δημοσιεύσεις, τα αποθετήρια ή τις κάρτες μοντέλων που ακολουθούν.