ImagineArt 2.0 हैल्सियन द्वारा विकसित एक जनरेटिव आर्टिफिशियल इंटेलिजेंस मॉडल है, जिसे 15 मार्च, 2025 को जारी किया गया था। यह टेक्स्ट-टू-इमेज जनरेशन में विशेषज्ञता रखता है, प्राकृतिक भाषा विवरणों को उच्च-रिज़ॉल्यूशन दृश्य आउटपुट में परिवर्तित करता है। यह मॉडल हैल्सियन के पहले के ImagineArt 1.0 के उत्तराधिकारी के रूप में स्थित है, जिसमें छवि निष्ठा, रचनात्मक सटीकता और कम्प्यूटेशनल दक्षता में सुधार किया गया है।
यह मॉडल एक डीप लर्निंग आर्किटेक्चर पर काम करता है जो ट्रांसफॉर्मर और यू-नेट बैकबोन पर आधारित है, जिसमें मल्टी-हेड अटेंशन तंत्र शामिल हैं। इसे 500 मिलियन से अधिक छवि-पाठ जोड़ों के एक क्यूरेटेड डेटासेट पर प्रशिक्षित किया गया है, जो सार्वजनिक रूप से उपलब्ध वेब डेटा और लाइसेंस प्राप्त स्टॉक इमेजरी से प्राप्त किया गया है। हैल्सियन ने सटीक पैरामीटर गणना का खुलासा नहीं किया है, लेकिन कंपनी बताती है कि ImagineArt 2.0 कुल 40 बिलियन में से 8 बिलियन सक्रिय पैरामीटर के साथ एक मिश्रण-विशेषज्ञ डिज़ाइन का उपयोग करता है।
क्षमताएं और बेंचमार्क
ImagineArt 2.0 COCO-30K बेंचमार्क पर 8.2 का फ्रेचेट इंसेप्शन दूरी (FID) स्कोर प्राप्त करता है, जो अपने पूर्ववर्ती के 12.5 के स्कोर से बेहतर प्रदर्शन करता है। मानव प्राथमिकता स्कोर (HPS) v2.1 पर, यह 92वें प्रतिशत में रैंक करता है, जो मानव सौंदर्य निर्णयों के साथ मजबूत संरेखण का संकेत देता है। यह मॉडल 2048x2048 पिक्सेल तक के रिज़ॉल्यूशन का समर्थन करता है और 16:9, 9:16, और 1:1 पहलू अनुपात में छवियां उत्पन्न कर सकता है।
इसमें क्रॉस-अटेंशन आधारित प्रॉम्प्ट संपादन के लिए एक सुविधा शामिल है, जो उपयोगकर्ताओं को शेष रचना को संरक्षित करते हुए किसी छवि के विशिष्ट तत्वों को संशोधित करने की अनुमति देती है। यह मॉडल टॉप-पी सैंपलिंग और तापमान स्केलिंग नियंत्रण भी लागू करता है, जो आउटपुट यादृच्छिकता और विविधता के सूक्ष्म समायोजन को सक्षम बनाता है।
प्रशिक्षण और डेटा
प्रशिक्षण प्रक्रिया में अमेज़न वेब सर्विसेज के माध्यम से प्रदान किए गए 1,024 AWS ट्रेनियम चिप्स के क्लस्टर का उपयोग किया गया। प्रशिक्षण 14 दिनों तक चला, जिसमें लगभग 2.3 मिलियन GPU-घंटे की खपत हुई। हैल्सियन ने एक पाठ्यक्रम शिक्षण अनुसूची का उपयोग किया, जो कम-रिज़ॉल्यूशन छवियों (256x256) से शुरू होकर धीरे-धीरे पूर्ण रिज़ॉल्यूशन तक बढ़ती है। डेटा को डेटा संवर्धन तकनीकों का उपयोग करके पूर्व-संसाधित किया गया था, जिसमें यादृच्छिक क्रॉपिंग, क्षैतिज फ़्लिपिंग और रंग जिटरिंग शामिल हैं।
हानिकारक सामग्री को कम करने के लिए, प्रशिक्षण डेटासेट को आरएलएचएफ-शैली क्लासिफायर का उपयोग करके फ़िल्टर किया गया था, जिसने प्रारंभिक डेटा का लगभग 12% हटा दिया। सुरक्षा में सुधार और पक्षपाती आउटपुट को कम करने के लिए मॉडल को एआई फीडबैक से सुदृढीकरण सीखने का उपयोग करके और अधिक सूक्ष्म-ट्यून किया गया था।
उपयोग और उपलब्धता
ImagineArt 2.0 हैल्सियन के स्वामित्व वाले API के साथ-साथ गूगल क्लाउड और माइक्रोसॉफ्ट एज़्योर मार्केटप्लेस पर उपलब्ध है। यह मॉडल तीन स्तरों में पेश किया गया है: प्रति माह 50 पीढ़ियों के साथ एक निःशुल्क स्तर, प्रति माह 2,000 पीढ़ियों के साथ $10 प्रति माह पर एक प्रो स्तर, और असीमित उपयोग और समर्पित कंप्यूट के साथ एक एंटरप्राइज़ स्तर। जून 2025 तक, इस मॉडल का उपयोग दुनिया भर में 40 मिलियन से अधिक छवियां उत्पन्न करने के लिए किया गया है।
यह मॉडल wikiprompt पर 10 प्रॉम्प्ट में एकीकृत है, जो एआई मॉडल के परीक्षण और तुलना के लिए एक मंच है। ये प्रॉम्प्ट विभिन्न परिदृश्यों को कवर करते हैं, जिनमें फोटोरियलिस्टिक पोर्ट्रेट, अतियथार्थवादी परिदृश्य और तकनीकी चित्रण शामिल हैं। हैल्सियन एक NVIDIA A100 GPU पर प्रति छवि औसत अनुमान समय 2.1 सेकंड की रिपोर्ट करता है, हालांकि कंपनी अपने सार्वजनिक API के लिए उपयोग किए जाने वाले विशिष्ट हार्डवेयर का खुलासा नहीं करती है।
स्वागत और प्रभाव
ओपनपैनल पर स्वतंत्र परीक्षकों की प्रारंभिक समीक्षाओं ने छवियों के भीतर टेक्स्ट प्रस्तुत करने में ImagineArt 2.0 के मजबूत प्रदर्शन पर प्रकाश डाला, जो पहले के मॉडलों में एक सामान्य कमजोरी है। मॉडल को कई वस्तुओं के साथ जटिल दृश्यों को संभालने के लिए भी प्रशंसा मिली, जिसका श्रेय इसकी बेहतर स्थितीय एन्कोडिंग योजना को दिया जाता है। हालांकि, कुछ उपयोगकर्ताओं ने उच्च-आवृत्ति बनावट, जैसे फर और बालों में कभी-कभी कलाकृतियों को नोट किया।
हैल्सियन ने 2025 के अंत में अपेक्षित संस्करण 2.1 के लिए योजनाओं की घोषणा की है, जिसमें अनुमान लागत को 30% कम करने के लिए मॉडल प्रूनिंग शामिल होगा। कंपनी ने एक अनुमेय लाइसेंस के तहत अनुमान कोड को ओपन-सोर्स भी किया है, हालांकि मॉडल वेट स्वामित्व वाले बने हुए हैं।
तकनीकी विशिष्टताएं
- डेवलपर: हैल्सियन
- रिलीज़ तिथि: 15 मार्च, 2025
- प्रकार: टेक्स्ट-टू-इमेज जनरेटिव मॉडल
- लाइसेंस: स्वामित्व (अनुमान कोड ओपन-सोर्स)
- पूर्ववर्ती: ImagineArt 1.0
- आर्किटेक्चर: ट्रांसफॉर्मर + यू-नेट मिश्रण-विशेषज्ञ के साथ
- प्रशिक्षण डेटा: 500 मिलियन छवि-पाठ जोड़े
- समर्थित रिज़ॉल्यूशन: 2048x2048 तक
- अनुमान समय: A100 GPU पर प्रति छवि 2.1 सेकंड