باور می‌کنید این تصویر را هوش مصنوعی ساخته است؟

به گزارش – به نقل از دیجیاتو، محققان انویدیا، دانشگاه MIT و دانشگاه Tsinghua چین مدل جدیدی را برای هوش مصنوعی ابداع کرده اند. سانا پیش بینی کرده است که می تواند در چند ثانیه تصاویری با وضوح 4096 در 4096 پیکسل تولید کند.

محققان در صفحه گیت هاب سانا توضیح می دهند که برخلاف مدل های قدیمی هوش مصنوعی که تصاویر را 8 برابر فشرده می کردند، سانا می تواند تصاویر را تا 32 برابر فشرده کند و تعداد کدهای مورد نیاز را کاهش دهد.

علاوه بر این، سانا از مدل زبان Gemma به جای رمزگذار متن خود برای بهبود عملکرد درک و استدلال سریع استفاده می کند. محققان همچنین از مکانیزمی به نام «Flow-DPM-Solver» برای کاهش مراحل نمونه‌گیری استفاده کردند و اساساً تعداد مراحل نمونه‌برداری را از 50-28 به 20-14 کاهش دادند.

تصاویر زیر توسط هوش مصنوعی سانا ایجاد شده است:

عملکرد Sanaa در برابر سایر مدل های هوش مصنوعی

آنها ادعا می کنند که مدل Sana-0.6B می تواند با مدل های غول پیکر مدرن مانند Flux-12B رقابت کند، زیرا 20 برابر کوچکتر و بیش از 100 برابر سریعتر در اندازه گیری است. Sana-0.6B همچنین می تواند بر روی یک پردازنده گرافیکی لپ تاپ 16 گیگابایتی اجرا شود.

نمودار زیر زمان تولید تصویر توسط مدل سانا را با سایر مدل ها مقایسه می کند. طبق این نمودار، به عنوان مثال، یک مدل SANA-1.6B با 1.6 میلیارد پارامتر می تواند در 1.2 ثانیه تصویری با وضوح 1024×1024 پیکسل تولید کند.

اکنون می‌توانید نسخه اولیه Sana را در GitHub آزمایش کنید و محققان قول می‌دهند به زودی کد منبع آن را منتشر کنند.

227323