Модель
Boogu-Image 0.1: Розподіл праці та ризик спотворення між трьома вагами Base, Turbo та Edit
Анатомія моделі/Створення та редагування зображень
Анатомія моделі/Створення та редагування зображень
АНАТОМІЯ МОДЕЛІ / ГЕНЕРАЦІЯ ТА РЕДАГУВАННЯ
Boogu-Image 0.1 випускає базовий генератор, дистильовану швидку модель і редактор одного зображення. Отже, одна назва проєкту охоплює три історії навчання, три контракти семплування та три різні способи, якими результат може зазнати невдачі.
Модель засвоює поле швидкостей між шумом і латентами зображення. Компактна ціль навчання виглядає так:
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Base інтегрує довший шлях. Turbo вчить коротке наближення цього шляху, тож його помилки — не просто зменшені версії помилок Base. Edit додає умову у вигляді вхідного зображення й має зберігати вміст, на який інструкція не була спрямована.
Базова модель спершу засвоює придатне транспортне поле. Дистильований учень потім стискає цю траєкторію приблизно до чотирьох кроків. Редактор потребує парних прикладів інструкція–зображення та додаткової цілі збереження. Така послідовність пояснює, чому менша кількість кроків не означає автоматично здатнішої моделі, а редактор одного зображення не передбачає багатореференсної композиції.
Base може зберігати дрібну структуру, водночас повторюючи локальні патерни. Turbo здатен загартовувати контури, надмірно регуляризувати текстуру або псувати дрібний текст. Edit потребує трьох перевірок одночасно: дотримання інструкції, ідентичності об'єкта та дрейфу поза запитаною областю. Чесне порівняння фіксує промпт, полотно й сід.
Офіційний репозиторій і три картки моделей засвідчують, що ваги Base, Turbo й Edit опубліковані з різними шляхами використання. Порівняння промптів від видавця описують цей реліз; вони не створюють універсальну таблицю лідерів для постерів, портретів, продуктів і багатомовної типографіки.
Boogu-Image 0.1 постачає Base, Turbo й Edit разом, через що вони виглядають як прості пресети швидкості. Base зберігає довшу траєкторію генерації, Turbo дистилює цю траєкторію приблизно до чотирьох кроків, а Edit додає вхідне зображення до контракту кондиціювання. Отже, одна назва проєкту приховує три окремі питання приймання.
Дата випуску теж приховує порядок розробки. Базова модель спершу засвоює придатне поле швидкостей, дистильована модель вчить коротке наближення, а контрольна точка редагування додає парні дані інструкція–зображення. Без цієї історії легко заявити, ніби менша кількість кроків універсально краща або що редактор одного зображення автоматично підтримує багатореференсну композицію.
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθпередбачене поле швидкостейu_tцільовий транспортний шляхcтекстова або зображувальна умоваПотокове узгодження навчає поле швидкостей від шуму до латентів зображення. Base інтегрує довший шлях; Turbo вчить коротке наближення, тож поведінку на чотирьох кроках не можна вивести з евристик кількості кроків Base.
Edit додає умову вхідного зображення. Приймання має розділяти дотримання інструкції, збереження об'єкта та дрейф поза запитаною областю, а не підміняти їх різкістю.
Працю, код і ваги можна простежити через Boogu-Image source / Boogu Base weights / Boogu Turbo weights.
Це таблиця внутрішньопроєктних контрактів, а не універсальна таблиця лідерів, зібрана з внутрішнього набору уподобань.
| Профіль | Типовий інференс | Основний аудит |
|---|---|---|
| Base | багатокрокове потокове узгодження | деталізація, композиція та стабільність довгого шляху |
| Turbo | близько 4 кроків | артефакти дистиляції, текст і дрібні об'єкти |
| Edit | одне зображення плюс інструкція | дотримання інструкції та збереження фону |
Base може зберігати більше деталей, але все одно повторювати локальні патерни. Turbo вразливий до жорстких контурів, надто знайомої текстури та зламаного дрібного тексту. Edit слід оцінювати за дотриманням інструкції, ідентичністю об'єкта й дрейфом поза запитаною областю.
Порівняння повинно фіксувати промпт, розмір і сід для всіх трьох контрольних точок. Зображення з релізу демонструє можливість, але не доводить стабільної поведінки на постерах, портретах, продуктах, щільній типографіці та складних композиціях.
Набір промптів видавця корисний для відтворення, але не може представляти кожен постер, людину, продукт чи багатомовний макет. Відстоюване порівняння потребує фіксованого набору промптів і сліпого оцінювання.
Base, Turbo й Edit потребують окремих записів семплування. Кількість кроків змінює і вартість, і помилку траєкторії, а контрольна точка редагування додатково потребує вхідного зображення, інструкції та збереження поза відредагованою областю.
Назви моделей, числа й обмеження простежуються до наведених нижче праць, репозиторіїв або карток моделей.