Black Forest Labs مدل Flux 3 Image را با ویرایش چندمرحله‌ای منتشر کرد

مدل Flux 3 با انتشار Flux 3 Image وارد حوزه تولید و ویرایش تصویر شده است؛ Black Forest Labs می‌گوید این مدل امکان انجام چند مرحله ویرایش را فراهم می‌کند، بی‌آنکه بخش‌های دیگر تصویر تغییر کنند. این مدل که بخش تصویری خانواده Flux 3 است، از تولید تصویر بر پایه متن، تبدیل تصویر به تصویر، نمایش متن در تصویر و تولید تصاویر واقع‌گرایانه پشتیبانی می‌کند. عرضه آن می‌تواند برای کاربرانی اهمیت داشته باشد که می‌خواهند یک تصویر را در چند مرحله تغییر دهند، اما اجزای خارج از محدوده ویرایش را حفظ کنند.

ویرایش مرحله‌ای بدون تغییر ناخواسته در تصویر

ویژگی محوری اعلام‌شده برای Flux 3 Image، پشتیبانی از ویرایش چندمرحله‌ای است. به گفته Black Forest Labs، کاربر می‌تواند تغییرهای پیاپی روی تصویر انجام دهد و مدل بخش‌هایی را که قرار نیست تغییر کنند، دست‌نخورده نگه دارد. این شرکت درباره این قابلیت توضیح داده، اما در اطلاعات منتشرشده جزئیاتی درباره نحوه ارزیابی آن یا میزان دقت مدل در حفظ همه اجزای تصویر ارائه نشده است.

در ابزارهای ویرایش تصویر مبتنی بر هوش مصنوعی، درخواست برای تغییر یک عنصر ممکن است با تغییر ناخواسته در بخش‌های دیگر همراه شود. قابلیت اعلام‌شده Flux 3 Image قرار است این مسئله را در ویرایش‌های چندمرحله‌ای هدف بگیرد: کاربر می‌تواند تغییرها را یکی‌یکی درخواست کند و در هر نوبت، باقی تصویر ثابت بماند. این توصیف، ادعای شرکت درباره عملکرد مدل است و به‌تنهایی تضمین نمی‌کند که همه ویرایش‌ها در هر تصویری بدون تغییر جانبی انجام شوند.

این مدل همچنین امکان ترکیب صحنه‌ها با استفاده از کادرهای مشخص‌کننده محدوده را دارد. «کادر محدودکننده» یا bounding box، چارچوبی است که جای یک عنصر یا ناحیه را در تصویر مشخص می‌کند. چنین ورودی‌ای می‌تواند به کاربر کمک کند محل تقریبی قرارگیری اجزا را تعیین کند؛ بااین‌حال، Black Forest Labs در متن معرفی منتشرشده جزئیات بیشتری از کنترل‌های موجود یا شیوه کار با این کادرها بیان نکرده است.

تولید تصویر، متن و استفاده از تصاویر مرجع

Flux 3 Image مجموعه‌ای از کاربردهای تصویری را در یک مدل کنار هم قرار می‌دهد. در تولید متن‌به‌تصویر، کاربر توصیفی نوشتاری وارد می‌کند و مدل بر پایه آن تصویر می‌سازد. قابلیت تصویر‌به‌تصویر نیز به کاربر امکان می‌دهد تصویری را به‌عنوان ورودی به مدل بدهد و از آن برای تولید یا تغییر خروجی استفاده کند. این دو شیوه در کنار ابزارهای ویرایش چندمرحله‌ای قرار گرفته‌اند.

از دیگر قابلیت‌های اعلام‌شده، تولید متن درون تصویر است؛ یعنی ساخت تصویری که در آن نوشته‌ها نیز بخشی از خروجی باشند. Black Forest Labs همچنین از پشتیبانی مدل از فوتورئالیسم، یا ظاهر نزدیک به عکس واقعی، نام برده است. این موارد، فهرست قابلیت‌های اعلام‌شده‌اند و اطلاعات منتشرشده مقایسه‌ای از کیفیت آن‌ها با مدل‌های دیگر یا نتیجه آزمون‌های مستقل ارائه نمی‌کند.

کاربران می‌توانند حداکثر ۱۰ تصویر مرجع را به مدل بدهند. تصویر مرجع، نمونه‌ای تصویری است که برای هدایت تولید یا ویرایش در اختیار مدل قرار می‌گیرد. تعداد بالای ورودی‌های مرجع در معرفی شرکت به‌عنوان یکی از امکانات مدل ذکر شده است؛ اما درباره اینکه این تصاویر دقیقاً چگونه در هر نوع درخواست ترکیب می‌شوند یا چه محدودیت‌هایی دارند، توضیح بیشتری منتشر نشده است.

خروجی Flux 3 Image می‌تواند تا وضوح 4K باشد. وضوح 4K به سطح بالایی از جزئیات و ابعاد تصویر اشاره دارد، اما اعلام این سقف به‌تنهایی درباره سرعت تولید، کیفیت خروجی در همه سناریوها یا هزینه پردازش اطلاعاتی نمی‌دهد. شرکت همچنین در معرفی خود به یک نسخه نمایشی رایگان اشاره کرده است که امکان تجربه مدل را فراهم می‌کند.

دسترسی از راه API و برنامه انتشار وزن‌ها

Black Forest Labs دسترسی به مدل از طریق API را نیز عرضه کرده است. API راهی برای استفاده نرم‌افزارها و سرویس‌های دیگر از قابلیت‌های یک مدل است؛ در نتیجه، توسعه‌دهندگان می‌توانند به‌جای استفاده صرفاً از یک رابط کاربری، قابلیت‌های مدل را در ابزارهای خود به کار بگیرند. طبق اعلام شرکت، استفاده از API تا ۸ اکتبر با ۵۰ درصد تخفیف همراه است. اطلاعات منتشرشده در این باره به بازه تخفیف اشاره می‌کند، اما جزئیات قیمت پایه یا شرایط دقیق استفاده را بیان نمی‌کند.

شرکت‌ها می‌توانند برای استفاده تجاری، مجوز وزن‌های مدل را دریافت کنند تا آن را روی زیرساخت خود اجرا و تنظیم دقیق کنند. «وزن‌ها» پارامترهایی هستند که آموخته‌های مدل را در قالبی قابل‌اجرا نگه می‌دارند. تنظیم دقیق یا fine-tuning نیز به فرایند سازگار کردن مدل با نیازها یا داده‌های مشخص گفته می‌شود. اجرای مدل در زیرساخت خود شرکت، بر اساس اعلام Black Forest Labs، یکی از مسیرهای تجاری دسترسی به Flux 3 Image است.

در کنار این گزینه، Black Forest Labs گفته است نسخه‌ای با وزن‌های قابل‌دسترسی قرار است در هفته‌های آینده منتشر شود. در این مدل انتشار، کاربران می‌توانند به وزن‌های مدل دسترسی پیدا کنند؛ بااین‌حال، اطلاعات موجود زمان دقیق انتشار یا شرایط مجوز این نسخه را مشخص نمی‌کند. بنابراین، در حال حاضر باید میان دسترسی API، مجوز تجاری برای اجرای داخلی و نسخه‌ای که قرار است بعداً با وزن‌های قابل‌دسترسی عرضه شود، تفاوت گذاشت.

رقابت در ابزارهای ویرایش تصویر

عرضه Flux 3 Image در زمانی انجام شده که ابزارهای تولید تصویر به‌تدریج قابلیت‌های ویرایشی بیشتری ارائه می‌کنند. به گزارش The Decoder، اندکی پیش از این عرضه، Ideogram مدل ویرایش‌محور خود را با نسخه ۴.۵ معرفی کرده بود و آن مدل نیز قرار است به‌زودی با وزن‌های قابل‌دسترسی عرضه شود. اطلاعات منتشرشده، مقایسه‌ای فنی میان Flux 3 Image و Ideogram 4.5 ارائه نمی‌کند؛ اما هر دو خبر بر اهمیت ویرایش تصویر و برنامه عرضه وزن‌های مدل تأکید دارند.

برای سنجش اهمیت Flux 3 Image، باید میان گستره قابلیت‌ها و کیفیت اثبات‌شده آن تمایز گذاشت. معرفی Black Forest Labs از ویرایش چندمرحله‌ای، استفاده از تصویر مرجع، کادرهای مکانی و خروجی تا 4K خبر می‌دهد، اما داده‌ای درباره عملکرد مدل در آزمون‌های مستقل یا مقایسه مستقیم با رقبا در دست نیست. در نتیجه، جزئیات اعلام‌شده بیشتر تصویری از امکانات و مسیرهای دسترسی می‌دهند تا ارزیابی قطعی از برتری مدل.

مدل اکنون از طریق دموی رایگان و API قابل‌دسترسی معرفی شده و شرکت‌ها نیز می‌توانند مجوز تجاری برای اجرای آن روی زیرساخت خود بگیرند. نسخه با وزن‌های قابل‌دسترسی هنوز در آینده قرار دارد. انتشار آن می‌تواند امکان بررسی و استفاده گسترده‌تر از مدل را فراهم کند، اما زمان دقیق و شرایط آن در اطلاعیه موجود مشخص نشده است.

این خبر برای چه کسانی اهمیت دارد

Flux 3 Image برای طراحان، تولیدکنندگان محتوا و کاربرانی که می‌خواهند تصویر را در چند مرحله ویرایش کنند، از این جهت قابل‌توجه است که شرکت سازنده بر حفظ بخش‌های دست‌نخورده تصویر تأکید دارد. امکان وارد کردن تا ۱۰ تصویر مرجع و مشخص کردن محدوده‌ها با کادر نیز گزینه‌های بیشتری برای هدایت خروجی فراهم می‌کند، هرچند کیفیت عملی این امکانات باید در استفاده واقعی سنجیده شود.

توسعه‌دهندگان و کسب‌وکارها هم به‌دلیل ارائه API و امکان دریافت مجوز برای اجرای مدل روی زیرساخت داخلی، مخاطب این عرضه هستند. برای پژوهشگران و شرکت‌هایی که به دسترسی مستقیم به مدل نیاز دارند، نسخه‌ای که قرار است در هفته‌های آینده با وزن‌های قابل‌دسترسی منتشر شود اهمیت دارد. در حال حاضر، اطلاعات رسمی درباره زمان دقیق انتشار آن و شرایط مجوزش در دسترس نیست.