FLUX 3 Image Klein néven új, nyílt súlyú képgeneráló és képszerkesztő modellt adott ki a Black Forest Labs. Az 5,6 milliárd paraméteres generatív mesterséges intelligencia natív 4K felbontást, akár tíz referenciakép együttes kezelését és saját hardveren történő futtatást is támogat.
A Black Forest Labs október 15-én tette elérhetővé a FLUX 3 Image Klein modell súlyait és programozói hozzáférését. A rendszer ugyanazzal a modellel képes szövegből új képet készíteni, meglévő képet szerkeszteni és több referencia alapján új kompozíciót létrehozni. Külön alapváltozat készült finomhangoláshoz és LoRA-tanításhoz, valamint egy lépésszám-csökkentett, úgynevezett desztillált kiadás a gyorsabb generáláshoz.
A modell egyik legerősebb képessége a több referencia egyidejű használata: egy feladathoz legfeljebb tíz képet kaphat. Emellett koordinátákkal megadott határolódobozokat is értelmez, amelyek segítségével a felhasználó meghatározhatja, hová kerüljön egy adott szereplő vagy tárgy, illetve mely területen szeretne módosítást. A határolódoboz nem kemény maszkként működik, hanem a kompozíció, az elhelyezés és a méret irányításában segíti a modellt.
Az 5,6 milliárdos paraméterszám kizárólag a képi transzformátorra vonatkozik, a szöveges utasításokat értelmező komponens külön modell. A Black Forest Labs a Kleinből FP8, INT8 és NVFP4 változatot is kiadott. A vállalat szerint az INT8-változat akár 8 GB videomemóriával rendelkező GeForce RTX GPU-n is működtethető, miközben a szolgáltatott API-ban egy 1K felbontású kép generálása 0,009 dollártól indul. A tényleges helyi memóriaigény a választott konfigurációtól és a kiegészítő komponensektől is függ.
Olvasd el: Új szintre lépett a Google képgeneráló generatív mesterséges intelligencia modellje
Mennyire alakíthatja át a képgenerálási piacot, ha már egy 4K-képes modell is elfuthat a professzionális adatközpontoknál jóval kisebb hardveren?
A kisebb erőforrásigény azért lehet különösen érdekes, mert a képgenerálás egy része így kikerülhet a kizárólag felhőalapú szolgáltatásokból. Egy kreatív csapat vagy fejlesztő saját infrastruktúrán is kialakíthat olyan munkafolyamatokat, ahol az érzékeny termékképek, ügyfélanyagok vagy még nem publikált kampányok nem feltétlenül kerülnek külső rendszerbe. A finomhangolható alapmodell pedig lehetőséget ad arra, hogy egy vállalkozás saját vizuális stílusára vagy speciális képi feladatára igazítsa a rendszert.
A „nyílt súlyú” megjelölés azonban nem jelent korlátlan felhasználási szabadságot. A FLUX 3 Image Klein a FLUX Kommunity License alatt jelenik meg, amely meghatározza a kereskedelmi felhasználás feltételeit, és a nagyobb vállalatok számára külön licencelésre lehet szükség. A Black Forest Labs saját minőségi összehasonlításai szintén gyártói mérések, ezért a képminőségre vonatkozó általános következtetéshez független tesztekre is szükség van.
A FLUX 3 Image Klein jelentősége így nem pusztán abban rejlik, hogy újabb képgenerátor érkezett. A generatív mesterséges intelligencia vizuális modelljei egyre kisebb hardveren kínálnak olyan funkciókat, amelyekhez korábban jóval nagyobb infrastruktúra kellett: 4K kimenetet, többreferenciás szerkesztést és térbeli kontrollt. Ha ez a tendencia folytatódik, a képgenerálás következő versenyét már nemcsak a képminőség, hanem a helyi futtathatóság, a testre szabhatóság és a használati költség is meghatározhatja.
Olvasd el ezt is: Valódi kódbázisokon tanult dolgozni a JetBrains új generatív mesterséges intelligencia modellje
Források: Black Forest Labs, Hugging Face, VentureBeat
CS.SZ.
