Microsoft julkaisi 4. syyskuuta MAI-Image-2.6:n kehittäjille Microsoft Foundryssa. Yhtiön mukaan kyseessä on sen vahvin kuvamalli tähän mennessä. Samalla mallisarja laajeni MAI-Image-2.6-Flashilla, joka on rakennettu viiveherkkiin ja suuren läpimenon tuotantokuormiin.
Kuvamalli on Microsoftille myös näyteikkuna. Sen laatua voi arvioida silmällä sekunneissa, toisin kuin päättelymallin, jonka erot paljastuvat vasta pitkissä tehtävissä.
Kuvamallit ovat kehittyneet Microsoftilla nopeasti peräkkäisinä versioina. Yhtiön mukaan uusin sukupolvi tuo enemmän hallintaa, enemmän kontekstia ja useampia tapoja viedä idea valmiiksi kuvaksi kuin sitä edeltäneet mallit.
Kaksi mallia eri käyttötarkoituksiin
Microsoft asettaa kaksi mallia laatu-kustannusakselin eri päihin. MAI-Image-2.6 on tarkoitettu tilanteisiin, joissa tarkkuus ratkaisee ja yksittäinen kuva saa maksaa. Flash-versio tuo yhtiön mukaan vastaavan laatutason kuormiin, joissa viive ja läpimeno painavat enemmän.
Kehittäjä valitsee siis mallin sen mukaan, kumpi rajoite sitoo. Aiemmin sama valinta on jouduttu tekemään eri toimittajien mallien välillä. Se on tarkoittanut erillisiä rajapintoja, erilaista kehotekäyttäytymistä ja usein kahta rinnakkaista integraatiota samassa tuotteessa.
Molemmat mallit jakavat saman ominaisuuspohjan. Microsoftin mukaan kumpikin tukee monikuvaviittausmuokkausta, verkkoankkurointia ja dynaamisia kuvasuhteita. Saman perheen sisällä vaihtaminen ei siis edellytä kehotteiden uudelleenkirjoittamista.
Yhtiö kuvaa tavoitetta laadun ja kustannuksen rintaman työntämisenä eteenpäin. Käytännössä se tarkoittaa, että sama laatutaso pyritään tuottamaan pienemmällä laskennalla sen sijaan että laatua nostettaisiin hinnalla millä hyvänsä.
Monikuvamuokkaus ja verkkoankkurointi
Monikuvaviittausmuokkaus yhdistää ihmisiä, tuotteita, tyylejä ja ympäristöjä useasta eri lähdekuvasta samaan lopputulokseen. Käytännössä tuotekuva, henkilön kasvot ja haluttu miljöö voidaan antaa erillisinä viitteinä saman pyynnön mukana.
Monikuvaviittaus on vastaus siihen, mihin yksittäinen kehote ei taivu. Brändinmukainen kuva syntyy harvoin pelkistä sanoista. Se syntyy siitä, että malli näkee oikean tuotteen, oikean värimaailman ja oikean ympäristön.
Verkkoankkurointi hakee tietoa verkosta kuvan tueksi. Malli voi rakentaa visuaalin, joka nojaa ajantasaiseen tietoon sen sijaan että se tukeutuisi pelkkään koulutusaineistoon. Ero näkyy erityisesti aiheissa, jotka ovat muuttuneet mallin koulutuksen jälkeen.
Kolmas lisäys koskee muotoa. Mallit tukevat aiempaa korkeampia resoluutioita ja dynaamisia kuvasuhteita, ja ne valitsevat sommittelulle sopivan muodon jopa 1,5K-resoluutioon asti. Kuvasuhteen automaattinen valinta vähentää jälkikäsittelyä julkaisuputkessa.
Nopeus ratkaisee tuotantokuormissa
Flash-version myyntiargumentti on mitattu suhteessa kilpailijaan. Microsoftin mukaan MAI-Image-2.6-Flash tuottaa kuvia 2,8 kertaa nopeammin kuin GPT-Image-2-Medium ja on samalla 72 prosenttia tehokkaampi.
Luvut ovat yhtiön omia, eikä riippumatonta vertailua ole vielä saatavilla. Vertailukohdaksi on valittu OpenAI:n keskitason kuvamalli, ei sen tehokkainta versiota. Sekin kannattaa pitää mielessä lukuja arvioidessa.
Tehokkuusluku kertoo eri asian kuin nopeus. Se viittaa siihen, paljonko laskentaa yhden kuvan tuottaminen vaatii. Luku näkyy suoraan sekä hinnassa että siinä, montako pyyntöä palvelu kestää rinnakkain ruuhkahetkellä.
Nopeus merkitsee eniten kuormissa, joissa kuvia syntyy jatkuvasti: verkkokaupan tuotekuvissa, mainosvarianteissa ja käyttöliittymissä, joissa käyttäjä odottaa tulosta ruudulla. Näissä hinta muodostuu volyymista, ei yksittäisestä kuvasta.
Saatavuus ja Microsoftin oma linja
Kuvamallit ovat kokeiltavissa MAI Playgroundissa, ja kehittäjille ne avautuvat Microsoft Foundryn kautta julkisena esikatseluna. Esikatselussa rajapinta ja hinnoittelu voivat vielä muuttua, joten tuotantokäyttö kannattaa suunnitella vaihdettavaksi.
Julkinen esikatselu tarkoittaa käytännössä sitä, että malli on kaikkien Foundry-kehittäjien saatavilla, mutta palvelutasolupauksia ei vielä anneta. Tuotantoon vietävä integraatio kannattaa siksi rakentaa niin, että mallin vaihtaminen onnistuu ilman laajaa uudelleenkirjoitusta.
Julkaisu jatkaa linjaa, jossa Microsoft kasvattaa omaa mallivalikoimaansa kumppanuuksiensa rinnalla. Yhtiö on tarjonnut MAI-malleja edullisempana vaihtoehtona yrityksille, jotka haluavat irrottaa agenttikehyksen yksittäisestä mallitoimittajasta.
Kuvamallit ovat tässä asetelmassa helpompi paikka aloittaa kuin päättelymallit. Kuvan laatu on nopeasti arvioitavissa, ja vaihtokustannus toimittajien välillä on pienempi kuin agenttiputkessa, joka on viritetty yhden mallin käyttäytymiselle.
Yhteenveto
Kilpailu kuvamalleissa on kiristynyt nopeasti. Kärkeä tavoittelee useampi toimittaja kerralla, ja erot syntyvät yhä harvemmin pelkästä kuvan laadusta. Ne syntyvät hinnasta, viiveestä ja siitä, kuinka tarkasti mallia voi ohjata viitekuvilla.
MAI-Image-2.6 ja sen Flash-versio eivät muuta kuvamallien kärkeä yhdessä yössä, mutta ne kaventavat eroa hinnan ja laadun välillä. Microsoftin mukaan kehittäjä voi nyt valita saman mallisarjan sisällä joko tarkkuuden tai tuotantonopeuden.
Todellinen mittari on se, miten mallit pärjäävät riippumattomissa vertailuissa ja oikeissa työkuormissa. Julkisen esikatselun aikana se selviää nopeasti.