Model
Boogu-Image 0.1: Podział pracy i ryzyka zniekształceń pomiędzy trzema wagami Base, Turbo i Edit
Anatomia modelu/Generowanie i edycja obrazu
Anatomia modelu/Generowanie i edycja obrazu
ANATOMIA MODELU / GENEROWANIE I EDYCJA
Boogu-Image 0.1 udostępnia generator bazowy, destylowany model szybki oraz edytor pojedynczego obrazu. Pod jedną nazwą projektu kryją się więc trzy historie treningowe, trzy kontrakty próbkowania i trzy odrębne sposoby, na jakie wynik może zawieść.
Model uczy się pola prędkości między szumem a ukrytymi reprezentacjami obrazu. Zwarty zapis celu treningowego:
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Base całkuje dłuższą trajektorię. Turbo uczy się jej krótkiej aproksymacji, więc jego błędy nie są po prostu pomniejszonymi błędami Base. Edit dodaje warunek w postaci obrazu wejściowego i musi zachować treść, której instrukcja nie dotyczy.
Model bazowy najpierw uczy się użytecznego pola transportu. Destylowany uczeń kompresuje następnie tę trajektorię do mniej więcej czterech kroków. Edytor wymaga par instrukcja–obraz oraz dodatkowego celu zachowania treści. Z tej kolejności wynika, dlaczego mniejsza liczba kroków nie oznacza automatycznie zdolniejszego modelu i dlaczego edytor pojedynczego obrazu nie gwarantuje kompozycji z wielu odniesień.
Base potrafi zachować drobną strukturę, a mimo to powtarzać lokalne wzorce. Turbo bywa sztywny w konturach, nadmiernie uregularnia teksturę albo niszczy drobny tekst. Edit trzeba sprawdzać na trzech płaszczyznach naraz: zgodności z instrukcją, tożsamości obiektu i dryfu poza żądanym obszarem. Rzetelne porównanie utrzymuje niezmienny prompt, płótno i seed.
Oficjalne repozytorium i trzy karty modeli potwierdzają, że wagi Base, Turbo i Edit opublikowano z różnymi ścieżkami użycia. Porównania promptów przygotowane przez wydawcę opisują to wydanie; nie tworzą jednak uniwersalnego rankingu obejmującego plakaty, portrety, produkty i wielojęzyczną typografię.
Boogu-Image 0.1 dostarcza Base, Turbo i Edit razem, przez co wyglądają jak proste presety prędkości. Base zachowuje dłuższą trajektorię generowania, Turbo destyluje ją do około czterech kroków, a Edit włącza obraz wejściowy do kontraktu warunkowania. Jedna nazwa projektu skrywa zatem trzy osobne pytania akceptacyjne.
Data premiery zasłania też kolejność prac. Najpierw model bazowy uczy się użytecznego pola prędkości, potem model destylowany przyswaja krótką aproksymację, a checkpoint edycyjny dokłada sparowane dane instrukcja–obraz. Bez tej historii łatwo ogłosić, że mniej kroków jest zawsze lepsze albo że edytor jednego obrazu automatycznie obsługuje kompozycję z wieloma odniesieniami.
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθprzewidywane pole prędkościu_tdocelowa ścieżka transportucwarunek tekstowy lub obrazowyFlow matching trenuje pole prędkości prowadzące od szumu do ukrytych reprezentacji obrazu. Base całkuje dłuższą trajektorię, a Turbo uczy się jej krótkiej aproksymacji, więc zachowania czterokrokowego nie da się wyprowadzić z heurystyk liczby kroków Base.
Edit dodaje warunek w postaci obrazu wejściowego. Akceptacja musi rozdzielać zgodność z instrukcją, zachowanie obiektu i dryf poza żądanym obszarem, zamiast zastępować je oceną ostrości.
Publikację, kod i wagi można śledzić przez Boogu-Image source / Boogu Base weights / Boogu Turbo weights.
To tabela kontraktów w obrębie jednego projektu, a nie uniwersalny ranking zbudowany na wewnętrznym zestawie preferencji.
| Profil | Domyślne wnioskowanie | Główny obszar audytu |
|---|---|---|
| Base | wielokrokowy flow matching | szczegóły, kompozycja i stabilność długiej trajektorii |
| Turbo | około 4 kroków | artefakty destylacji, tekst i drobne obiekty |
| Edit | jeden obraz plus instrukcja | zgodność z instrukcją i zachowanie tła |
Base bywa bogatszy w detale, a mimo to powtarza lokalne wzorce. Turbo jest podatny na sztywne kontury, zbyt wyrównaną teksturę i uszkodzony drobny tekst. Edit należy oceniać pod kątem zgodności z instrukcją, tożsamości obiektu i dryfu poza żądanym obszarem.
Porównanie powinno utrzymywać stały prompt, rozmiar i seed we wszystkich trzech checkpointach. Obraz z wydania pokazuje możliwości, lecz nie dowodzi stabilnego zachowania na plakatach, portretach, produktach, gęstej typografii i złożonych kompozycjach.
Zestaw promptów wydawcy przydaje się do reprodukcji, lecz nie reprezentuje każdego plakatu, osoby, produktu czy wielojęzycznego układu. Porównanie, które da się obronić, wymaga stałego zestawu promptów i ślepej oceny.
Base, Turbo i Edit wymagają osobnych rejestrów próbkowania. Liczba kroków zmienia zarówno koszt, jak i błąd trajektorii, a checkpoint edycyjny potrzebuje dodatkowo obrazu wejściowego, instrukcji i kontroli zachowania poza edytowanym obszarem.
Nazwy modeli, liczby i ograniczenia pochodzą z publikacji, repozytoriów lub kart modeli wymienionych poniżej.