A Microsoft AI bemutatta a MAI-Image-1 nevű saját fejlesztésű képalkotó modelljét, amely az LMArena ranglistáján rögtön a top 10 szöveg-kép generáló modell közé került.

A MAI-Image-1-t úgy fejlesztették, hogy valós értéket nyújtson a kreatív felhasználóknak, elkerülje a sablonos vagy ismétlődő képeket, és kiemelt hangsúlyt kapott a minőségi adatválogatás, valamint szakmai visszajelzések figyelembevétele. A modell alkalmas fotórealisztikus képek létrehozására, különösen jól kezeli a fényhatásokat, tájképeket, és gyorsan, jó minőségben dolgozik, így lehetővé teszi az ötletek gyors megvalósítását és további szerkesztését más eszközökkel.

A Microsoft elkötelezett a felelős fejlesztés mellett, ezért a modellt az LMArena oldalán tesztelik, hogy visszajelzéseket gyűjtsenek a felhasználóktól. Hamarosan elérhető lesz a Copilotban és a Bing Image Creatorban is. A vállalat invitálja az ambiciózus, alázatos szakembereket is a csapatukba, akik hasonló jövőformáló projektekben szeretnének részt venni.

forrás: Microsoft

A Microsoft folyamatosan teszi elérhetővé a programot, egyelőre sem az EU-ban, sem Magyarországon nem elérhető.

A névválasztás egyébként kísértetiesen hasonlít az OpenAI féle képgenerátorra. Talán véletlen lenne, vagy vagy áthallás…?

Te mit szólsz hozzá, hogy ők is beálltak a képgenerátorok sorába?

Hirdetés:

Amióta az AI (mesterséges intelligencia) egyre inkább tőr be a mindennnapjainkba, úgy jönnek létre a “visszaélések” is.

A jövő kiskapuja a nagyoknak az “AI betanítás”. Ezt jobb, ha megtanulod, de ami fontosabb, hogy mielőtt bármi felületet elkezdesz használni (különösen azokat, ahol valamilyen adatot, tartalmat, fájlt osztasz meg) szánj időt az ÁSZF / vagy Terms of Service rész átolvasására.

A Wetransfer (és gondolom hamarosan a többi konkurens is követni fogja), ami egy fájlmegosztó felület, eddig – legalábbis nyíltan nem tudtunk róla – nem csinált semmit a feltöltött fájlokkal. Most viszont az AI háta mögé bújva, sunyi módon, / nem tudok mást írni erre / mindenféle egyéb juttatás, vagy védelem nélkül, csak azért mert használod a felületét jogot formál magának arra, hogy a feltöltött fájljaidat szabadon felhasználhassa AI modelljének tanításához. Sőt akár a közösségben elérhetővé tegye mások számára is (gondolom/remélem név nélkül “csak” az adatokat). Ez már bőven túlmutat a személyes adatok védelmén.

Ez olyannyira valós szituáció, hogy már benne is van a saját Terms of Service listájukban, ami elméletileg 2025. augusztus 8-tól lép életbe.

Részlet az említett pontból (eredeti angol nyelven, majd magyar fordításban):

“6.3. License to WeTransfer. In order to allow us to operate, provide you with, and improve the Service and our technologies, we must obtain from you certain rights related to Content that is covered by intellectual property rights. You hereby grant us a royalty-free license to use your Content for the purposes of operating, developing, and improving the Service, all in accordance with our Privacy & Cookie Policy.

6.4. License to Others. You hereby grant other users a license to access, view, and use your Content, as enabled by one or more features of the Service.”

***

“6.3. Licenc a WeTransfer számára. Annak érdekében, hogy működtethessük, biztosíthassuk és fejleszthessük a Szolgáltatást és technológiáinkat, bizonyos jogokat kell kapnunk tőled a szellemi tulajdonjog által védett Tartalomhoz kapcsolódóan. Ezennel jogdíjmentes licencet adsz számunkra, hogy a Tartalmat a Szolgáltatás működtetése, fejlesztése és javítása céljára felhasználjuk, mindezt az Adatvédelmi és Süti Szabályzatunknak megfelelően.
6.4. Licenc mások számára. Ezennel licencet adsz más felhasználóknak, hogy hozzáférjenek, megtekinthessék és használhassák a Tartalmadat, ahogyan azt a Szolgáltatás egy vagy több funkciója lehetővé teszi.”

Egyértelmű, nem is kell magyarázni, viszont az nem derült ki, hogy ez csak a free usereknél (az ingyeneseknél általában a saját adataiddal “fizetsz”), vagy az előfizetéses csomagoknál is érvényes lesz- e, mert a csomagáraknál erről egy árva szó sem esik.

Ahogy arról sem, hogy ezek “csak” azokra a fájlokra érvényes, amit egyesével töltesz fel, vagy a becsomagolt .zip / -rar, stb. fájlkiterjesztésekre is, amit ugye a rendszernek még ki kell csomagolni ahhoz, hogy hozzáférjen.

Ez a lépés azért is aggályos, mert sok esetben olyan bizalmas adatokat, fájlokat küldesz a másik félnek, amit nem szeretnél, hogy mások lássanak és felhasználjanak. Ebből is jól látszik, hogy a jogi szabályozás bár nagy léptekben halad előre, még nem tudja lefedni ezeket a kiskapukat, és ezt ki is használják, amíg lehet.

Hirdetés:

Szakmai berkekben már hetek óta beszélnek arról, hogy a ChatGPT legújabb verziója mikorra érkezhet. Sam Altman az OpenAI (chatgpt cége) fő embere nagyon szegényesen tolja a marketinget a legújabb, korábban egekig magasztalt új hiperokos modelljükkel kapcsolatban, és ez felveti azt a kérdést is, hogy akkor ezek szerint még vannak bőven fejlesztésre szoruló részek, és érthetően addig nem akarják kiengedni a szellemet a palackból, amíg nem adnak megnyugtató eredményt a tesztek.

Szakértők szerint ez a modell már nagyon közel lesz az emberi agy szimulációjához, de szerencsénkre azért még van időnk, amíg ez a rendszer élesbe kifut.

Ebben a cikkben egy rövid áttekintést olvashatsz a ChatGPT5 beépített képgenerátorával kapcsolatban.

A GPT-5 beépített képgenerátoráról jelenleg a következő részletek ismertek:

• A GPT-5 egységes modell-architektúrával működik, amely szöveg, kép, hang és videó feldolgozására is alkalmas egyetlen összefüggő kontextusban (felületen). Ez azt jelenti, hogy a modell képes természetes módon váltani a különböző modalitások között, így a képgenerálás is szerves része lett a rendszernek.
• Képgenerálási technikai paraméterek:
  • Modellek: A beépített képgenerátor a „gpt-image-1” nevű modellt használja, illetve a DALL·E 2/3 technológiáit is támogatja bizonyos API végpontokon keresztül
  • Képminőség és méret:
    • Választható méretek: például 1024×1024 vagy 1024×1536 pixel. Nagyjából marad a korábbiakhoz hasonlóan.
    • Minőségi opciók: „low”, „medium”, „high”. Több minőség paraméterrel lehet befolyásolni a renderelés minőségét, ez arányos a token költséggel is.
    • Háttér: kérhető átlátszó („transparent”) vagy egyszínű háttérrel, PNG vagy WebP esetén.
    • Fájlformátumok: alapértelmezett a PNG, de támogatott a JPEG és WebP is, ezeknél beállítható a tömörítés mértéke is.
  • Képszerkesztés és variáció:
    • Szerkesztés: már meglévő képek is módosíthatók szöveges prompt alapján (például extra objektumok beillesztése, háttér eltávolítása, stb.). Ez már most is van, de reméljük, hogy tovább lesz fejlesztve és felhasználóbarátabb is lesz a szerkesztő felület
    • Variáció: egy meglévő kép alapján tud a rendszer új, hasonló képeket generálni. Ha ez valóban így lesz, az nagy előrelépés, mert egészen eddig nem tudta ezt a rendszer
  • Token-felhasználás: A képek előállításának token költsége változik a kép felbontása és minősége szerint. Például egy 1024×1024 pixeles, „high quality” kép generálása akár 4,000 tokenbe is kerülhet (becslés, a valós számok eltérhetnek)
• Speciális képességek:
  • Magasabb pontosságú szöveg-renderelés: A modell képes rövid szövegeket precízen megjeleníteni, ami a korábbi generátoroknál még problémás volt
  • Többlépcsős (multi-turn) szerkesztés: Egy kép generálása után a felhasználó újabb prompttal tovább szerkesztheti a képet, mindezt egy folyamatban
  • Képek és szövegek együttes kezelése: A modell figyelembe tudja venni a vizuális kontextust akár feltöltött képből, akár korábban generált vizuális tartalomból, és szöveges vagy képi kimenetet is tud adni
• Mire lesz képes a képgenerátor?
  • Egyedi művészi képek, egyszerű technikai ábrák, logók, illusztrációk pontos elkészítése
  • “Visszaemlékszik” az előzőleg készített képekre, így következetes képsorozatok vagy animációs fázisok is készíthetőek egy beszélgetésen belül
  • Fejlett szerkesztői lehetőségek (pl. háttér eltávolítása, tárgyak áthelyezése, több forráskép kombinálása)
• Várható újdonságok:
  • A multimodális architektúra lehetővé teszi, hogy jövőben ne csak képet, hanem komplex vizuális workflow-kat is kezeljen (pl. táblázat generálása, diagram szerkesztése)
  • Konzisztencia megtartása, tehát újabb kép generálásánál, ugyanazon téma esetén megtartja a vonásokat (pl. portré). Vannak azonban tiltó elemek, amiket eleve nem vagy hiányosan, finomítva generál le. Ilyen gyenge pont lehet a politikai ábrázolás, etikai kérdéseket felvető alkotások, stb.

A fentiek azonban a megjelenésig mind csak spekulációk, találgatások, amik egy része vélhetően benne lesz.

Hirdetés:

Bizony már ilyen is van, ráadásul nemzetközi szinten.
Node, mit is takar ez a nap, mitől más, mért jött létre?

A rövid válasz az, hogy azért lett, mert kell ennek is egy külön “világnap”. Hosszabban és tudományosabban pedig…

Az AI Világnapját (Artificial Intelligence Appreciation Day, magyarul „a mesterséges intelligencia megbecsülésének napja”) minden évben július 16-án ünneplik világszerte. Ezen a napon a mesterséges intelligencia (AI) fejlődését, hatását és társadalmi szerepét helyezzük előtérbe, miközben hangsúlyt kapnak az etikai szempontok és a felelős AI-fejlesztés kérdései is

Az AI Világnapját 2021-ben alapította az A.I. Heart LLC nevű vállalat. Az alapító célja az volt, hogy reflektorfénybe helyezze az AI technológiák emberiségre gyakorolt pozitív hatásait, ugyanakkor elősegítse a társadalmi párbeszédet az AI etikájáról.

Létrehozás célja:

• Hogy az AI-t még jobban elismerjék szerte a világban, legyen az a tudományban, technológiában, egészségügyben, oktatásban, vagy más területeken betöltött szerep.
• Az etikai és felelős AI-fejlesztés ügyének támogatása.
• Tudatosítás, hogy az AI már lassan a mindennapunk része, és aki kimarad, az bizony lemarad. lesz

Jelenleg még nem tekinthető ez a nap hivatalosan is elfogadottnak, DE az IRCAI (International Research Centre on Artificial Intelligence) és az UNESCO is dolgozik azon, hogy minél szélesebb körben elfogadott, hivatalos világnappá váljon az AI Világnapja.

Hirdetés:

A március vége igen erősre sikerült a képgenerátorok tekintetében. Nyilván nem volt véletlen, de szinte egyszerre jött ki az Ideogram 3, a Dall-E 3 (ami igazán felkavarta az állóvizet), és két új szereplő is megjelent, akikkel számolni kell (Mage AI és a Reve AI). Ebben a postban most a Reve AI képgenerátort elemzem szubjektíve.

Elöljáróban annyit, hogy számomra nem hozta azt a bizsergető érzést, mint amit sokan emlegetnek, és azt sem nagyon tudom hova tenni, hogy mi ez a nagy hype mögötte, mégis vitatlahatlan, hogy egy picike kaliforniai startuphoz viszonyítva a végeredményt nézve ott van a nagyok sarkában.

Viszont azt is tudni kell, hogy mivel itt nincs sok beállítási lehetőség, ezért a promptba kell ezt részletesen megírnunk, ami kezdőknek talán nehézséget fog okozni. Ám aggodalomra semmi ok, már egy egyszerűbb leírással is elboldogul (természetesen angolul). Amúgy a Dall-E 3-nál sincs ilyen lehetőség, szóval ott is hasonló a helyzet.

Ami pozitívumként ért, hogy az alul lévő kis boxba ki tudjuk választani, hogy mennyi képet generáljon le, a képarányt, az enhance-t (legyen ON-ban és felturbózza a promptodat), és a seed-et is (ezt hagyd auto módban). Majd ha megvan a generált kép, és majdnem tökéletes, akkor az EDIT PROMPT résznél tudsz rajta finomítani.

A lenti 3 tesztképeknél azonos promptot használtam, különös figyelmet szentelve az ujjakra, a testtartásra, a tekintetre, az arcra, no és arra, hogy egy képre rakjon 4 változatot (ez pl a Mage-nek nem sikerült).

A mini tesztben szoros versenyben volt a Dall-E 3 generátorral. Az arcot tartotta mind a 4 változatnál, az ujjak is rendben vannak, nincs észrevehető extra torzítás, ami egyből szemet szúrna. A Dall-E hasonlóan jól szerepelt, a kettő között nekem az utóbbinál természetesebb a bőrszín, és a realisztikusabb modell (semmi diszkrimináció) tolta pozitív irányba a tesztet.

Azt meg kell hagyni, hogy a nyilván kisebb adatbázis ellenére amiből dolgozik, ez az eredmény dícsérendő.

Alap esetben napi 20 képet engedélyez freeben, de vásárolhatsz 5 dodóért 500 creditet, ami a többi generátorhoz képest aprópénz (MJ, Leonardo, stb. )

Próbáld ki és oszd meg velünk tapasztalatodat itt kommentben, vagy csatlakozz AI közösségünkhoz.

Ez is érdekelhet:

Hirdetés:

A Google nemrég bemutatta a Gemini 2.5 Pro modellt, amely jelentős előrelépést hozott a mesterséges intelligencia terén. Ez a modell kiemelkedő képességekkel rendelkezik a képgenerálásban, lehetővé téve a felhasználók számára, hogy részletes és valósághű képeket hozzanak létre különböző stílusokban és témákban. A Gemini 2.5 Pro multimodális működése révén képes egyszerre több információforrást, például szöveget, képet és videót feldolgozni, így a képgenerálási folyamat még pontosabb és kreatívabb eredményeket nyújt.

A modell hosszú kontextusablakának köszönhetően akár 1 millió tokennyi információt is képes kezelni, ami lehetővé teszi összetett és részletes képek létrehozását. Ez különösen előnyös a kreatív iparágakban dolgozók számára, akik nagy mennyiségű adat alapján szeretnének egyedi vizuális tartalmakat előállítani. ​

A Gemini 2.5 Pro fejlesztése során a Google nagy hangsúlyt fektetett a modell hatékonyságára és gyorsaságára, így a felhasználók rövidebb idő alatt érhetnek el kiváló minőségű eredményeket. Ez a fejlesztés új távlatokat nyit a digitális művészet, a reklám és a dizájn területén, lehetővé téve a szakemberek számára, hogy még kreatívabb és lenyűgözőbb vizuális élményeket hozzanak létre.

​blog.google

Ez is érdekelhet:

Hirdetés:

Egy washingtoni bíróság precedensértékű döntésében kimondta, hogy az emberi beavatkozás nélkül, teljes egészében mesterséges intelligencia (MI) által készített művészeti alkotásokat nem védi a szerzői jog. A pert Stephen Thaler programozó indította, mivel a hivatalok nem voltak hajlandóak szabadalmat vagy szerzői jogi védelmet biztosítani MI által generált alkotásaira az Egyesült Államokban, valamint Nagy-Britanniában, Dél-Afrikában, Szaúd-Arábiában és Ausztráliában is elutasították kérelmét.

A döntés kihangsúlyozza, hogy a szerzői jogi védelemhez emberi alkotótevékenység szükséges. Azonban nyitva maradt a kérdés, hogy milyen mértékű emberi beavatkozás elegendő a védelemhez, mivel nehéz meghatározni, mi számít akkora emberi hozzájárulásnak, amely már művészi, alkotótársi teljesítménynek minősül.

Ezzel párhuzamosan felmerülnek jogi problémák az MI-k tanításához használt emberi alkotásokkal kapcsolatban is, különösen, hogy az MI-k inspirálódnak-e ezekből, vagy esetleg plagizálják azokat. Ezek az aggályok különösen fontosak a zene generáló MI platformok és programok tekintetében. A jelenlegi bírósági ítéletek inkább az emberi művészek javára döntenek a gépi alkotókkal szemben.

Hirdetés:

Az elmúlt egy hétben számos izgalmas fejlemény történt a mesterséges intelligencia (AI) világában. Az alábbiakban összegyűjtöttük a legfontosabb híreket, amelyek bemutatják a technológia fejlődését és hatását.

1. OpenAI Sora Videógeneráló modell elérhetősége

Az OpenAI bejelentette, hogy a Sora videókészítő mostantól elérhető az EU-ban és az Egyesült Királyságban. Ez a modell lehetővé teszi a felhasználók számára, hogy egyszerű utasításokkal videókat készítsenek, így forradalmasítva a tartalomgyártást. A Sora célja, hogy a kreatív folyamatokat még hozzáférhetőbbé és egyszerűbbé tegye. A SORA már elérhető a PLUS előfizetők részére is, korlátozott funkciókkal, és hamarosan Magyarországon is.

2. GPT-4.5 kiadása

Az OpenAI bemutatta a GPT-4.5-öt, amely a legújabb generációs nyelvi modell. A GPT-4.5 természetesebb kommunikációt és fejlettebb érzelmi intelligenciát ígér, míg a kontextusablaka 128 ezer token hosszú, ami lehetővé teszi a mélyebb és összetettebb párbeszédeket.

3. Claude 3.7 Sonnet modell bevezetése

Az Anthropic új hibrid gondolkodású modellje, a Claude 3.7 Sonnet, mostantól elérhető. Ez a modell azonnali és részletes válaszokat tud adni, így ideális választás a felhasználók számára, akik gyors és pontos információkat keresnek.

4. Google Gemini Code Assist ingyenes verziója

A Google bejelentette, hogy a Gemini Code Assist mostantól ingyenesen elérhető. A szolgáltatás havi 180 000 kód-kiegészítést kínál, amely segíti a fejlesztőket a hatékonyabb munkavégzésben és a kódolási folyamatok felgyorsításában.

5. Kínai AI modellek nyílt forráskódúvá tétele

A Baidu bejelentette, hogy az Ernie 4.5-öt nyílt forráskódúvá teszi. Ez a fejlesztés lehetővé teszi a globális közösség számára, hogy hozzáférjen a fejlettebb multimodális képességekkel rendelkező modellhez, amely új lehetőségeket nyit meg a kutatás és a fejlesztés terén.

6. AI Biztonsági kutatások

Egy kutatócsoport felfedezte, hogy a finomhangolt AI modellek más területeken is veszélyes viselkedést mutathatnak, ha szándékosan veszélyes kód írására hangolják őket. Ez a felfedezés rávilágít arra, hogy a mesterséges intelligencia biztonsági kérdései egyre fontosabbá válnak.

7. Elon Musk AI Stratégiája

Elon Musk elárulta, hogy a mesterséges intelligencia versenyében milyen nagy téteket kell fizetni. A milliárdok befektetése csak a kezdet, és Musk hangsúlyozta, hogy a jövőbeni fejlesztések kulcsfontosságúak lesznek a technológiai versenyben.

Hirdetés:

A kínai DeepSeek AI által fejlesztett DeepSeek-V3 jelentős áttörést hozott a nyílt forráskódú mesterséges intelligencia világában. A modell 671 milliárd paraméterével és innovatív Mixture-of-Experts (MoE) architektúrájával új szintre emeli a nyelvi modellek teljesítményét.

A rendszer különlegessége, hogy bár hatalmas paraméterkészlettel rendelkezik, működése során csak 37 milliárd paramétert aktivál egyszerre, ami jelentősen növeli hatékonyságát. Ez a “szakértői rendszer” megközelítés lehetővé teszi, hogy minden feladathoz csak a legmegfelelőbb neurális hálózatokat használja.

A DeepSeek-V3 kiemelkedően teljesít szövegalkotásban, fordításban és programozásban, több esetben felvéve a versenyt olyan zárt forráskódú modellekkel is, mint a GPT-4. A Hugging Face platformon szabadon elérhető, és használható. Ez persze biztonsági aggályokat is felvet jogosan.

Azonban a modellnek vannak korlátai is: csak szöveges tartalmakkal dolgozik, és időnként előfordul, hogy tévesen azonosítja magát más AI rendszerekként. Ennek ellenére a DeepSeek-V3 megjelenése jelentős lépés az AI technológia fejlődésében és hozzáférhetőségében.

A DeepSeek-V3 összehasonlítása más LLM rendszerekkel:

Bizonyos források szerint (ismeretlen) az OpneAI kb. 100 millió, míg a Deepseek mindössze 10.000 GPU-val biztosítja a kiszolgálást a userek felé, amit mondanom se kell, hogy környezetszennyező hatását tekintve is jelentős – OpenAI kárára. Szóval ez is jól mutatja, hogy bizony az új kor, új technológiája bizony szennyezőbb a saját környezetünkre nézve, mint például a villanyautók előállításához szükséges gyárak…

* Magyarázat:

Multimodális AI:

• Olyan AI rendszer, amely több különböző típusú adatot (modalitást) képes egyszerre feldolgozni és integrálni
• Főbb modalitások: szöveg, kép, hang, videó és egyéb érzékelési adatok
• A különböző adattípusokat együttesen elemzi és használja fel a pontosabb megértéshez és válaszadáshoz
• Például egy multimodális chatbot képes szöveget és képet is értelmezni egyszerre

Kontextus ablak (Context window):

• Az a maximális tokenszám/szövegmennyiség, amit az AI modell egyszerre képes feldolgozni és figyelembe venni
• Meghatározza, hogy mennyi korábbi információt tud a modell egyszerre kezelni és felhasználni a válaszadáshoz
• Nagyobb kontextus ablak = több előzményt tud figyelembe venni, pontosabb válaszok

Hasznos infók:

DeepSeek-V3:

• Legerősebb területei: kódolás, fordítás, szövegalkotás
• Kiemelkedően költséghatékony (5.5M USD fejlesztési költség)
• 671B paraméterrel rendelkezik, de egyszerre csak 37B-t használ (MoE architektúra)
• Nyílt forráskódú, szabadon használható
• Háromszor gyorsabb, mint elődje (V2)
• Korlátja: csak szöveges tartalmakat kezel

GPT-4:

• Általános AI feladatokban kiemelkedő
• Multimodális képességek (szöveg, kép, hang feldolgozás)
• Rendkívül pontos válaszadás
• Nagy méretű kontextus ablak
• Magas fejlesztési költség (100M+ USD)
• Zárt forráskódú, csak API-n keresztül elérhető

Llama 3.1:

• 405B paraméterrel működik
• Meta által fejlesztett nyílt forráskódú modell
• Jó általános teljesítmény
• Kisebb kontextus ablak mint versenytársai
• Magas képzési költség (~500M USD)
• Közösségi fejlesztésre optimalizált

Claude 3.5:

• Anthropic fejlesztése
• Kiemelkedő érvelési és elemzési képességek
• Magas pontosságú válaszadás
• Etikus AI működésre tervezve
• Részletes dokumentum-elemzési képességek
• Zárt forráskódú, vállalati felhasználásra optimalizált

Qwen 2.5:

• Alibaba fejlesztése
• 72B paraméterrel működik
• Kiváló kínai nyelvi képességek
• 18 trillió tokenen tanítva
• 128K tokenes kontextus ablak
• Specializált verziók matematikához és kódoláshoz
• 29 nyelv támogatása
• Költséghatékony működés
• Nyílt forráskódú

Te melyiket használod?

Csatlakozz díjmentesen az első magyar AI közösséghez!
Kattints IDE

Hirdetés:

2 perc olvasási idő.

A Google sem szeretne lemaradni a képgenerálós versenyből, és bár még csak egy apró és vékony szeletkéje van, de igyekszik. Láthatóan erősítenek ezen a vonalon és vannak próbálkozások. Azért nevezem próbálkozásnak, mert a többi versenytárssal összevetve azért valljuk be van még mit csiszolni a technikán.

Az Imagen 3 a Google saját kis AI képgenerátora, amit (mint mindenki más a konkurensek közül) finomítgat, fejlesztget, adatbázist bővítget, tanítgat. Most egy olyan feature-t mutatott be nekünk a keresőóriás (hopp ez a kifejezés is véges már), aminek segítségével kép(ek) feltöltésével tudsz generáltatni vele egy új képet. Amolyan modell betanítás feeling, csak ők másképp nevezték el, de lényegében erről van szó (a szerk.). Ez pedig a Google Whisk (nincs magyar fordítása).

Ez egyelőre természetesen még csak az USA-ban érhető el, a Google Labs oldalán keresztül, szóval mi ne is próbálkozzunk vele egyelőre.

A Whisk a Google fejlett Imagen 3 képgeneráló modelljét használja képek létrehozására, amelyet az eszköz megjelenésével nagyjából egyidejűleg jelentettek be. A generálási folyamat úgy zajlik, hogy a felhasználó egy vagy több képet tölt fel vizuális mintaként, opcionálisan szöveges leírásokkal kiegészítve. Ezután a Whisk elemzi ezeket a bemeneteket, hogy megértse a kívánt témákat, jeleneteket és stílusokat, és egy promptot hoz létre, amely irányítja a képgenerálási folyamatot.

Az eszköz több variációt generál a vizuális és szöveges bemenetek alapján, és a felhasználók számára egy válogatást kínál az AI által generált képekből, mindegyikhez tartozó szöveges promptokkal együtt. A felhasználók ezután finomíthatják eredményeiket az alapvető promptok szerkesztésével vagy különböző bemeneti képkombinációkkal való kísérletezéssel, elősegítve egy iteratív és felfedező jellegű kreatív folyamatot. Az eszköz felületén található egy praktikus dobókocka ikon, amely véletlenszerű képi javaslatokat generál azok számára, akik nem rendelkeznek forrásképekkel. A végeredményt berakhatod kedvencekbe, letöltheted, a promptot kimásolhatod, újat generálhatsz.

Az nem derült ki, hogy maga a rendszer milyen alapon működik (esetleg ingyenes a bevezető időszakban), az sem derült ki, hogy a generált képeket miképpen exportálhatom, és az sem, hogy nagyítható -e AI segítségével. Az sem világos, hogy ha egy kép majdnem tetszik, akkor hogyan tudok rajta finomítani anélkül, hogy az egészet újra kezdené.

Továbbá az sem világos (nekem), hogy ez tulajdonképpen mire jó? Miért jobb ez a képes megközelítés, mint a promtp generálású változat?

Te ki fogod próbálni? Írd meg kommentben.

_{Forrás: https://petapixel.com/2024/12/17/googles-new-ai-image-tool-whisk-lets-you-use-photos-as-prompts/}

Hirdetés: