Meta-ն ներկայացրել է Muse Image նեյրոցանցը․ այն մինչև պատկերի ստեղծումը մտածում է, որոնում համացանցում և նույնիսկ կոդ է գրում
Meta-ն ներկայացրել է Muse Image-ը՝ Meta Superintelligence Labs-ի կողմից մշակված պատկերների գեներացման առաջին մոդելը։ Սա լաբորատորիայի երկրորդ խոշոր թողարկումն է Ալեքսանդր Վանգի ղեկավարությամբ՝ ապրիլին ներկայացված Muse Spark լեզվային մոդելից հետո, որը փոխարինել էր Llama մոդելների ընտանիքին։ Նոր մոդելն արդեն հասանելի է Meta AI հավելվածում և meta.ai կայքում, իսկ ընկերության ներսում նախագիծը հայտնի էր Mango կոդային անվամբ։
Muse Image-ի գլխավոր առանձնահատկությունն այն է, որ այն տեքստային հրահանգը անմիջապես չի վերածում պատկերի, այլ գործում է որպես ինքնավար գործակալ։ Muse Spark-ի հետ համատեղ այն նախ վերլուծում է օգտատիրոջ հարցումը, համացանցում որոնում է անհրաժեշտ տեղեկատվություն և տեսողական հղումներ, իսկ ճշգրիտ տարրերի՝ օրինակ QR կոդերի կամ գրաֆիկների համար, ինքնուրույն գրում և գործարկում է կոդ, ապա ստացված արդյունքի հիման վրա ձևավորում պատկերը։ Meta-ի տվյալներով՝ վեբ որոնումը զգալիորեն բարձրացնում է այն հարցումների ճշգրտությունը, որոնք հիմնված են իրական փաստերի կամ ընթացիկ իրադարձությունների վրա։
Ամենահետաքրքիր առանձնահատկություններից մեկը self-refinement («ինքնակատարելագործում») մեխանիզմն է։ Մոդելը գնահատում է սեփական միջանկյալ տարբերակները հենց մտածողության գործընթացում և որոշում, թե ինչ քայլ անել հաջորդիվ։ Եթե սխալը վերաբերում է միայն մանր դետալի, այն ուղղում է տվյալ հատվածը, իսկ եթե ամբողջ պատկերը չի բավարարում, այն ստեղծում է զրոյից։ Եթե անհրաժեշտ տեղեկատվությունը բավարար չէ, մոդելը դիմում է լրացուցիչ գործիքների։ Meta-ում ընդգծում են, որ այս վարքագիծը ծրագրավորողների կողմից նախապես նախատեսված չի եղել. այն ինքնաբերաբար ձևավորվել է ամրապնդմամբ ուսուցման (Reinforcement Learning, RL) ընթացքում, քանի որ ինքնաստուգումն ապահովում էր ավելի որակյալ պատկերներ և, համապատասխանաբար, ավելի բարձր գնահատական` ուսուցման գործընթացում։
Arena.ai-ի վարկանիշային աղյուսակում Muse Image-ը զբաղեցնում է երկրորդ տեղը միանգամից երեք անվանակարգերում՝ text-to-image, մեկ պատկերի խմբագրում և մի քանի պատկերների խմբագրում։ Այն զիջում է միայն OpenAI-ի GPT Image 2 մոդելին, իսկ Google-ի Nano Banana 2-ին գերազանցում է։
Գործնական հնարավորություններից առանձնանում է բազմահղումային կոմպոզիցիայի (multi-reference composition) աջակցությունը։ Օգտատերը կարող է նույն հարցման մեջ համատեղել տեքստ և տարբեր պատկերներ՝ մեկ տեսարանում միավորելով մարդկանց, առարկաներ, հագուստ և ոճեր տարբեր աղբյուրներից, այնուհետև փուլ առ փուլ խմբագրել արդյունքը՝ չկորցնելով ընդհանուր պատկերի ամբողջականությունն ու տրամաբանությունը։
Ներկայացվել է նաև մի գործառույթ, որն արդեն լայն քննարկումների առիթ է դարձել։ Օգտատերը կարող է հարցման մեջ @ նշումով հիշատակել Instagram-ի հանրային հաշիվ, և մոդելը կստեղծի այդ օգտատիրոջ պատկերը՝ հիմնվելով հանրությանը հասանելի լուսանկարների վրա։ Այս հնարավորությունը լռելյայն միացված է, իսկ սեփական պատկերների օգտագործումն այլոց գեներացիաներում արգելելու համար անհրաժեշտ է այն ձեռքով անջատել կարգավորումներում։
Muse Image-ի ստեղծած բոլոր պատկերները ստանում են անտեսանելի Content Seal թվային նշում, որը, Meta-ի հավաստմամբ, պահպանվում է նույնիսկ պատկերի կտրումից, սեղմումից կամ էկրանի նկարից (screenshot) հետո։ Այդ նշման առկայությունը հնարավոր կլինի ստուգել հատուկ հայտնաբերման գործիքի միջոցով։
Տեխնոլոգիական հրապարակումներն իրականացվում են Իդրամի աջակցությամբ։