Modell
Boogu-Bilde 0.1: Arbeidsdeling og forvrengningsrisiko mellom de tre vektene Base, Turbo og Edit
Modelanatomi/bildegenerering og redigering
Modelanatomi/bildegenerering og redigering
MODELL-ANATOMI / GENERERING OG REDIGERING
Boogu-Image 0.1 slipper en grunngenerator, en destillert hurtigmodell og en redigeringsmodell for enkeltbilder. Ett prosjektnavn dekker dermed tre treningshistorier, tre samplingskontrakter og tre ulike måter et resultat kan gå galt på.
Modellen lærer et hastighetsfelt mellom støy og bilde-latenter. Et kompakt treningsmål er:
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Base integrerer en lengre bane. Turbo lærer en kort tilnærming av denne banen, så feilene dens er ikke bare mindre versjoner av Base-feilene. Edit legger til et inngangsbilde som betingelse og må bevare innhold som instruksjonen ikke var rettet mot.
En basismodell lærer først et brukbart transportfelt. En destillert student komprimerer deretter denne trajektorien til omtrent fire steg. Redigeringsmodellen krever parede instruksjon–bilde-eksempler og et ekstra bevaringsmål. Denne rekkefølgen forklarer hvorfor færre steg ikke automatisk betyr en mer kapabel modell, og hvorfor en redigeringsmodell for enkeltbilder ikke innebærer sammensetting med flere referanser.
Base kan bevare finstruktur samtidig som den gjentar lokale mønstre. Turbo kan forherde konturer, overregularisere tekstur eller skade liten tekst. Edit krever tre kontroller samtidig: instruksjonsetterlevelse, motividentitet og drift utenfor det ønskede området. En rettferdig sammenligning holder prompt, lerret og seed fast.
Det offisielle repositoriet og de tre modellkortene fastslår at vektene for Base, Turbo og Edit ble publisert med ulike bruksveier. Utgiverens prompt-sammenligninger beskriver denne utgivelsen; de skaper ikke en universell rangering på tvers av plakater, portretter, produkter og flerspråklig typografi.
Boogu-Image 0.1 leverer Base, Turbo og Edit samlet, noe som får dem til å se ut som enkle hastighetsforhåndsinnstillinger. Base beholder en lengre genereringstrajektorie, Turbo destillerer denne trajektorien ned til omtrent fire steg, og Edit legger et inngangsbilde til i betingelseskontrakten. Ett prosjektnavn skjuler dermed tre ulike akseptansespørsmål.
Utgivelsesdatoen skjuler også utviklingsrekkefølgen. En basismodell lærer først et brukbart hastighetsfelt, en destillert modell lærer en kort tilnærming, og et redigeringssjekkpunkt legger til parede instruksjon–bilde-data. Uten denne historien er det lett å hevde at færre steg alltid er bedre, eller at en enkeltbilde-redigerer automatisk støtter sammensetting med flere referanser.
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθpredikert hastighetsfeltu_tmål-transportbanectekst- eller bildebetingelseFlow matching trener et hastighetsfelt fra støy til bilde-latenter. Base integrerer en lengre bane; Turbo lærer en kort tilnærming, så firestegsoppførsel kan ikke utledes fra trinnantall-heuristikker for Base.
Edit legger til et inngangsbilde som betingelse. Akseptanse må skille instruksjonsetterlevelse, motivbevaring og drift utenfor det ønskede området, i stedet for å erstatte det med skarphet.
Artikkel, kode og vekter kan følges gjennom Boogu-Image-kilden / Boogu Base-vektene / Boogu Turbo-vektene.
Dette er en kontraktstabell innad i prosjektet, ikke en universell rangering bygd på et internt preferansesett.
| Profil | Standard inferens | Hovedgranskning |
|---|---|---|
| Base | flerstegs flow matching | detaljer, komposisjon og stabilitet på lange baner |
| Turbo | omtrent 4 steg | destillasjonsartefakter, tekst og små objekter |
| Edit | ett bilde pluss instruksjon | instruksjonsetterlevelse og bakgrunnsbevaring |
Base kan bevare flere detaljer samtidig som den fremdeles gjentar lokale mønstre. Turbo er sårbar for rigide konturer, overforutsigbar tekstur og ødelagt liten tekst. Edit må bedømmes på instruksjonsetterlevelse, motividentitet og drift utenfor det ønskede området.
En sammenligning bør holde prompt, størrelse og seed fast på tvers av de tre sjekkpunktene. Et utgivelsesbilde demonstrerer kapasitet, men etablerer ikke stabil oppførsel på tvers av plakater, portretter, produkter, tett typografi og komplekse komposisjoner.
Utgiverens prompt-sett er nyttig for reproduksjon, men kan ikke representere hver plakat, hver person, hvert produkt eller hver flerspråklige layout. En forsvarbar sammenligning krever et fast prompt-batteri og blind gjennomgang.
Base, Turbo og Edit krever separate samplingsopptegnelser. Trinnantallet endrer både kostnad og trajektoriefeil, mens redigeringssjekkpunktet i tillegg trenger inngangsbildet, instruksjonen og bevaring utenfor det redigerte området.
Modellnavn, tall og begrensninger kan spores til artiklene, repositoriene eller modellkortene nedenfor.