Hy-Image-3.5-preview

Mis on Hy-Image-3.5-preview?

Hy-Image-3.5-preview on Tencenti järgmise põlvkonna Hunyuan-pildigeneratsiooni mudel professionaalsete visuaalse sisu töövoogude jaoks. See on eelversioonina saadaval Tencent Cloud TokenHubi kaudu ning selle kanooniline päringu mudeli ID on hy-image-v3.5-preview.

Mudel loob pilte loomulikus keeles kirjutatud viipade põhjal, kuid selle peamine eripära on ka viitepiltide vastuvõtmine ja iteratiivse redigeerimise toetamine. Ühes päringus saab kombineerida teksti ühe või mitme pildiga ning hilisemates sõnumites saab varasemat vestlust kasutada redigeerimise kontekstina. Seetõttu sobib see teenus kontrollitud visuaalseks arenduseks paremini kui lihtne ühekordne teksti-pildiks lõpp-punkt.

Hy-Image-3.5-preview kasutab OpenAI Chati stiilis sõnumiprotokolli. Seda protokolli kasutatakse teksti, viitepiltide ja vestlusajaloo pakendamiseks; see ei muuda mudelit üldotstarbeliseks tekstivestlusrobotiks. Selle vahetu väljund on tekstilõpetuse asemel pilditulemus.

Milline on selle koht Tencenti tootevalikus?

TokenHubis on mudel paigutatud Hunyuan-pildimudelite perekonna praeguse eelversioonina pakutava pildigeneratsiooniteenuse hulka. Võrreldes kaasasolevas dokumentatsioonis kirjeldatud lihtsama Hy-Image-3.0 liidesega kasutab Hy-Image-3.5-preview sõnumipõhist liidest, mis toetab multimodaalseid sisendeid ja mitme vooruga redigeerimise konteksti.

See positsioneerimine on lõpp-punkti valimisel oluline. Mudel on mõeldud kasutajatele, kes vajavad kõrge eraldusvõimega pildigeneratsiooni, viitepilte või redigeerimise töövoogu. Seda ei esitleta üldotstarbelise keelemudeli, koodimudeli, manustemudeli ega heli- ja videosüsteemi asendusena.

Peamised võimalused

• Tekstist pildiks genereerimine: loob loomulikus keeles esitatud kirjelduse põhjal pildi.
• Viitepildi põhine genereerimine: kasutab esitatud pilte uue tulemuse suunamiseks või tingimuste määramiseks.
• Mitme vooruga redigeerimine: võimaldab järjestikuste päringute abil vestlusajalugu kasutades pilti täpsustada.
• Multimodaalsed viibad: ühendavad kirjalikud juhised viitepiltidega.
• Viipade ja arutluse täiustamine: teenus saab viipasid täiustada ja teha enne genereerimist sisemist töötlust.
• Välise otsingu täiustamine: dokumenteeritud teenus toetab valikulist otsingupõhist täiustamisfunktsiooni.
• Genereerimise juhtimine: päringud võivad sisaldada kohandatud mõõtmeid, automaatset pindalapõhist suuruse määramist, seemneid ja pildi vesimärgi valikuid.

Need võimalused muudavad mudeli kasulikuks olukordades, kus soovitud tulemus sõltub enamast kui ühest tekstikirjeldusest. Näiteks võib kasutaja esitada toote viitepildi, paluda luua reklaamkompositsiooni ja seejärel küsida järgmistes voorudes sihipäraseid muudatusi.

Sisendi ja väljundi piirangud

Dokumentatsioonis on sisendi maksimaalseks mahuks märgitud 100,000 tokenit. Selle pilditeenuse puhul puudutab see piirang kogu päringu konteksti, sealhulgas teksti ja vestlusajalugu, mitte tavapärase tekstimudeli lõpetusakent. Pikki redigeerimisseansse tuleb siiski hoolikalt hallata, sest varasemad sõnumid ja viitepildid suurendavad päringu konteksti.

Viitepilte saab esitada URL-i või Base64-kodeeringu kaudu. Rahvusvaheline API dokumentatsioon loetleb PNG-, JPEG- ja JPG-vormingu toe, ühe viitepildi maksimaalseks failisuuruseks 20 MB ning dokumenteeritud päringuvormingus kuni 20 pildi toe.

Laiuse ja kõrguse saab määrata dokumenteeritud vahemikus 256–8192 pikslit. Toetatud väljundi maksimaalne pindala on 16,777,216 pikslit ning praktiliselt reklaamitav maksimaalne väljund on 4096×4096. Seega toetab teenus märksa suuremaid pildiväljundeid kui väikeste eelvaatefailidega piiratud töövoog, kuigi küsitud mõõtmed sõltuvad endiselt mudeli pindala- ja tasemereeglitest.

Väljund tagastatakse sünkroonselt. Praktikas tähendab see, et helistaja saadab päringu ja saab genereeritud pilditulemuse vastuses, selle asemel et esitada eraldi ülesanne ja oodata selle valmimist päringute abil. Dokumentatsioon mainib sisemist SSE-töötlust, kuid kasutajale suunatud tokenite voogedastust tavapärase voogedastatava tekstivastusena ei pakuta.

Hinnastamine ja eraldusvõime tasemed

TokenHub kuvab võrdlushinnaks 10 jüaani miljoni tokeni kohta. Pildigeneratsiooni eest võetakse tasu väljundi eraldusvõime tasemete põhjal, kasutades avaldatud tokenikoguseid:

Ligikaudsed valuutasummad on arvutatud avaldatud võrdlushinna põhjal ja neid ei tuleks käsitada garanteeritud lõpliku arvena. Tegelik arveldamine sõltub TokenHubi konsoolist, konto seadistusest ja kohaldatavatest teenusereeglitest. Esitatud uuring ei kinnita selle mudeli eraldi korduva tellimuse hinda.

Hinnastruktuur loob suhteliselt selge kvaliteedi ja maksumuse vahelise kompromissi: 1K- ja 2K-generatsioonid kasutavad sama avaldatud tokenikogust, samal ajal kui 4K-väljund maksab rohkem. Kavandite, sotsiaalmeediagraafika või kompositsiooni varase arenduse jaoks võivad madalamad tasemed olla piisavad. 4K-tase sobib paremini siis, kui pilti kasutatakse kõrge eraldusvõimega tootmisvoos ja suurem väljundipind õigustab lisatasu.

Toetatud modaalsused ja mudeli käitumine

Hy-Image-3.5-preview toetab teksti- ja pildisisendit ning pildiväljundit. Esitatud mudelikirje kohaselt ei paku see heli- ega videosisendit või -väljundit. Selle multimodaalsus tähendab seega konkreetselt teksti ja pildi kombineerimisel põhinevat visuaalset genereerimist ja redigeerimist.

Mudelikirje ei sisalda arutlus- ega kodeerimisskoori. Seda ei tohiks hinnata arutlus- või programmeerimismudelina: teenus on loodud visuaalsete viipade tõlgendamiseks ja piltide loomiseks, mitte pikkade faktiküsimustele vastamiseks, tarkvara kirjutamiseks või suvalise teksti lõpetamiseks. Samuti ei ole esitatud teenusepakkuja avaldatud võrdlustulemust pildikvaliteedi, redigeerimise täpsuse ega genereerimiskiiruse kohta.

Valikuline välise otsingu täiustamine on teenusefunktsioon, mitte tõend selle kohta, et mudel oleks üldotstarbeline veebi-uuringuassistent. See võib aidata pildigeneratsiooni töövoogu väliselt hangitud teabega täiendada, kuid esitatud dokumentatsioon ei määratle seda laiapõhjalise tööriistakutsete või funktsioonide täitmise süsteemina. Muud tööriistakasutuse võimalused peale otsinguga seotud funktsiooni ei ole kinnitatud.

Tugevused ja kompromissid

Hy-Image-3.5-preview kasutamise peamine põhjus on kõrge eraldusvõimega väljundi ja iteratiivse visuaalse juhtimise kombinatsioon. Lihtsast tekstist pildiks süsteemist võib piisata eraldiseisvate ideede genereerimiseks, kuid see mudel sobib paremini töövoogudesse, kus kasutaja alustab viitest, hindab tulemust ja palub mitut muudatust.

Selle 4K-väljundi valik on kasulik plakatite, tootepiltide, turundusgraafika ja muude suuremat detailsust vajavate materjalide puhul kui väike eelvaade. Kohandatud suuruste, seemnete ja vesimärgivalikute tugi annab tootmistöövoogudele rohkem kontrolli kui minimaalne pildilõpp-punkt.

Peamine kompromiss seisneb selles, et tegemist on eelversiooniteenusega, mille liides on spetsialiseeritum. Kasutajad, kes vajavad üksnes kiiret madala eraldusvõimega pilti, ei pruugi viitepiltide töötlemisest, pikast vestluskontekstist ega 4K-genereerimisest kasu saada. Lihtsam või kiirem pilditeenus võib olla tõhusam suure hulga lihtsate kavandite loomisel, kuigi esitatud uuring ei anna võrdluseks otsest latentsusnäitajat.

Toimetuslikus hinnangus on mudeli kiirusskoor võrreldaval sisemisel skaalal 7 ja kuluskoor 8. Need on pildigeneratsiooni API-de hinnangud, mitte Tencenti võrdlustulemused ega avaldatud teenusetaseme garantiid. Neid tuleks kasutada ainult üldiseks orientiiriks: dokumenteeritud tasemetel pakub mudel madalaid võrdluskulusid, kuid tegelik reageerimisaeg ja kogukulu sõltuvad eraldusvõimest, päringu suurusest, konto tingimustest ja töökoormusest.

Parimad kasutusjuhud

• Turundusmaterjalid: kampaaniavisuaalide, reklaamide ja sotsiaalmeediagraafika loomine ning täiustamine.
• Tootepildid: kasutada toote viitepilti taustade, kompositsioonide ja esitlemisstiilide katsetamisel.
• Plakatid ja reklaamikunst: kasutada 2K- või 4K-väljunditasemeid, kui oluline on detailsus ja trükiks sobiv eraldusvõime.
• Kasutajaliidese kontseptsioonid: luua üksikasjalike viipade põhjal visuaalseid suundi, makette ja kasutajaliidesega seotud kujutisi.
• Piltide iteratiivne redigeerimine: säilitada vestluskontekst ja teha mitme vooru jooksul sihipäraseid muudatusi.
• Viitepõhine loometöö: ühendada mitu esitatud pilti kirjalike juhistega, kui ainult tekstipõhine viip oleks liiga ebaselge.

Mudel sobib eriti hästi olukordadesse, kus muudatustevaheline järjepidevus on oluline. Kasutaja saab hilisemas voorus soovitud muudatust kirjeldada, selle asemel et kogu viipa uuesti koostada ja iga kord kogu loomeülesande kirjeldust uuesti üles laadida.

Millal seda mudelit valida?

Vali Hy-Image-3.5-preview, kui vajad Tencent Cloudi pildigeneratsiooni lõpp-punkti, mis toetab viitepildi sisendit, mitme vooruga redigeerimist ja kuni 4096×4096 suurust väljundit. See sobib hästi visuaalsetele meeskondadele, kes soovivad liikuda algsest kontseptsioonist mitme kontrollitud muudatuseni ühe vestluspõhise päringvoo raames.

Kui ülesanne on põhimõtteliselt teistsugune, tasub kaaluda muud tüüpi lahendust. Üldotstarbeline keelemudel sobib paremini teksti analüüsimiseks, kodeerimiseks või vestluspõhiseks arutluseks. Nende meediatüüpide jaoks on vajalik spetsiaalne video- või helimudel, sest Hy-Image-3.5-preview toodab ainult staatilisi pilte. Lihtsam pildigeneraator võib olla eelistatav siis, kui vajate üksnes eraldiseisvaid kavandeid ega vaja viitepilte, redigeerimisajalugu või kõrge eraldusvõimega väljundit.

Kasutajad peaksid kaaluma mõnda muud teenust ka juhul, kui oluline on kasutajale avatud tokenite voogedastus, asünkroonne ülesannete haldus või garanteeritud tootmisversioon. Esitatud dokumentatsioon kirjeldab sünkroonseid lõplikke pildivastuseid ja määratleb selle mudeli eelversiooniteenusena; avalikku voogedastusväljundit ega pikaajalise kättesaadavuse garantiisid see ei kinnita.

Piirangud, mida arvestada

• Mudel on eelversioon, mistõttu selle kättesaadavus ja käitumine võivad muutuda.
• See on pildigeneratsiooni ja -redigeerimise mudel, mitte üldotstarbeline teksti-, koodi-, heli-, video- ega manustemudel.
• Dokumenteeritud sisendi maksimaalne maht on 100,000 tokenit, kuid pildifailid, sõnumiajalugu ja viiba sisu peavad endiselt mahtuma teenuse reeglitesse.
• Viitepiltidele kehtivad dokumenteeritud vormingu-, suuruse- ja kogusepiirangud.
• Kuigi üksiku laiuse või kõrguse väärtuseks saab küsida kuni 8192 pikslit, tuleb järgida ka maksimaalse pindala ja praktiliselt reklaamitava väljundi piirangut.
• Avaldatud hinnad on võrdlushinnad; lõplik arveldamine sõltub TokenHubi kontost ja teenuse seadistusest.
• Olemasolev uuring ei sisalda teenusepakkuja avaldatud kvaliteedi-, arutlus-, kodeerimis- ega latentsusnäitajaid.

Kokkuvõttes tuleks Hy-Image-3.5-preview’d mõista kui kõrge eraldusvõimega viitepilte arvestavat pildigeneratsiooniteenust iteratiivseks visuaalseks tootmiseks. Selle väärtus ei seisne niivõrd üldises tehisintellekti ulatuses, vaid multimodaalsete viipade, mitme vooruga redigeerimise ja 4K-võimelise väljundi ühendamises Tencent Cloud TokenHubis.