OpenAI ने ChatGPT Images 2.5 जारी किया है, जो एक नई स्टेट-ऑफ़-द-आर्ट इमेज मॉडल है जो पिछले संस्करण की तुलना में तेज़ विवरण, अधिक सटीक संपादन क्षमताएं और 50% तक तेज़ जनरेशन प्रदान करती है।
फिल्म निर्माता Liz Garbus और Primordial Soup के सहयोग से, Google DeepMind ने "Love, Rendered" दस्तावेज़ी शॉर्ट के लिए Burt और Ethelle Shatz के बीच एक अफोटोग्राफेड मुलाकात को पुनर्निर्मित करने के लिए जनरेटिव AI मॉडल का उपयोग किया। परियोजना जोड़े के दिमाग में मौजूद विशिष्ट याद को पुनर्निर्मित करके संज्ञानात्मक गिरावट से निपटती है।
Google आने वाली कुछ हफ्तों में सभी Google AI Pro और Ultra सब्सक्राइबर्स और अधिकांश Workspace बिज़नेस ग्राहकों के लिए Nano Banana मॉडल पर बनाई गई इमेज क्रिएशन और एडिटिंग टूल Google Pics को रोल आउट कर रहा है।
शोधकर्ताओं ने AutoRef प्रस्तावित किया, एक विधि जो मॉडलों को फ्रोजन रखते हुए एजेंटिक बहु-संदर्भित छवि जनरेशन के लिए निष्पादन हार्नेस का स्वचालित रूप से अनुकूलन करती है। एक कोडिंग एजेंट विषय की उपेक्षा और असहज संयोजन जैसे चुनौतियों को संबोधित करने के लिए हार्नेस कोड को पुनरावृत्ति से फिर से लिखता है।
वू-एन-यू-एच-सीएम विश्वविद्यालय के सूचना प्रौद्योगिकी विभाग में स्नातकोत्तर छात्र हंग ट्रान ने अपने पेपर "द क्लिपिंग ट्राप: ओवरफिट्ड न्यूरल इमेज कोडेक्स में एक मौन विफलता मोड" के लिए कोड और डेटा प्रकाशित किए हैं। इस कार्य में यह उजागर किया गया है कि कुल-चिक और सी3 जैसे ओवरफिट्ड कोडेक्स विशिष्ट सामग्री प्रकारों पर शून्य डिस्टॉर्शन ग्रेडिएंट के साथ समान रंग की छवियां उत्पन्न कर सकते हैं।
यह अपडेट AI परिदृश्य में कई विकास को कवर करता है, जिसमें मेटा द्वारा अपनी Muse प्लेटफ़ॉर्म को तीसरे पक्ष के डेवलपर्स के लिए खोलना, अपने सेगमेंटेशन मॉडल का नया संस्करण जारी करना और Google के Gemini से जुड़ा एक सुरक्षा घटना शामिल है।
अलibaba की क्वेन टीम ने Qwen-Image-2.1 जारी किया है, जो एकत्रीकृत टेक्स्ट-टू-इमेज जनरेशन और इमेज संपादन मॉडल है जो पिछले अलग-अलग चेकपॉइंट्स को एकल 7B पैरामीटर डिफ्यूजन ट्रांसफॉर्मर में समेटता है।
Qwen ने Qwen-Image-2.1 जारी किया है, जो छवि निर्माण और संपादन दोनों के लिए डिज़ाइन किया गया एक एकीकृत मॉडल है।
बैडरामोनी ने Krea-2-Turbo मॉडल के लिए एक नया एडाप्टर जारी किया है जो अलग-अलग प्रारूपों के सार्वजनिक रियलिज्म पैक को एक ही फ़ाइल में जोड़ता है। यह रिलीज़ उस सीमा को दूर करती है जहाँ मानक मर्जर टूल्स क्लासिक LoRA और LoKR एडाप्टर्स को संयोजित करने में विफल रहते हैं क्योंकि वे समान लो-रैंक प्रारूप साझा नहीं करते।
Diffusers-workflow एक घोषणात्मक इंजन है जो Hugging Face Diffusers पर बनाया गया है, जो बड़े भाषा मॉडल एजेंटों को JSON दस्तावेज़ों का उपयोग करके छवि या वीडियो पाइपलाइन बनाने, सत्यापित, चलाने और निरीक्षण करने की अनुमति देता है, न कि Python स्क्रिप्ट्स के माध्यम से। यह प्राथमिक इंटरफ़ेस के रूप में लगभग 50 टूल्स वाले एक MCP सर्वर को उजागर करता है, जो GPU संसाधनों पर अनादेक्ष एजेंट नियंत्रण सक्षम बनाता है।
ग्रैडियो ने Workflow1111 जारी किया है, एक परियोजना जो gr.Workflow फ्रेमवर्क का उपयोग करके AUTOMATIC1111 के stable-diffusion-webui सुविधा सेट का अधिकांश पुनर्निर्माण करती है। इस एप्लिकेशन में सातानवे नोड्स से बने ग्यारह मीडिया पाइपलाइन वाले एकल कैनवास पर शामिल हैं, जिनमें टेक्स्ट-टू-इमेज, इमेज-टू-वीडियो और विभिन्न प्रीप्रोसेसिंग कार्य शामिल हैं।
एक उपयोगकर्ता ने INT4 क्वांटीकरण का उपयोग करके NVIDIA के 64-अरब पैरामीटर वाले Cosmos3 मॉडल को स्थानीय रूप से चलाने के लिए कोड और वजन प्रकाशित किए हैं। इस कार्यान्वयन में Apple Silicon पर MLX के माध्यम से और CUDA दोनों पर टेक्स्ट-टू-इमेज और इमेज-टू-वीडियो कार्य सहायता प्राप्त है।
OpenAI ने अपनी छवि जनरेट करने वाली मॉडल में अपडेट, ChatGPT Images 2.5 जारी किया है जो कई चरणों में निर्देशों का पालन करने की क्षमता को बढ़ाता है और प्रतिक्रिया गति को तेज करता है। नया संस्करण उपयोगकर्ताओं द्वारा प्रदान किए गए संदर्भ फोटो से विषयों को बनाए रखने में भी बेहतर है।
एक इंजीनियर ने सूर्य नर्रेदी के वायरल प्रोजेक्ट की एक प्रतिलिपि को ओपन-सोर्स किया, जो जावास्क्रिप्ट और रीइन्फोर्सेमेंट लर्निंग का उपयोग करके एक कोडिंग मॉडल को वॉटरकलर पेंट करने के लिए प्रशिक्षित करता है। इस कार्यान्वयन में TRL लाइब्रेरी और OpenEnv का उपयोग Hugging Face पर प्रशिक्षण, स्कोरिंग और इनफरेंस के लिए एक एंड-टू-एंड पाइपलाइन बनाने के लिए किया गया है।