Microsoft AI: MAI-Image-2.5

A Microsoft AI MAI-Image-2.5 a 2.5 képcsalád általános generálásra és irányított szerkesztésre szánt kiadása. Modellkártyája flow matchinget használó diffúziós modellt ír le 20 milliárd nem embedding paraméterrel, szöveges és képi bemenettel és 32K tokenes kontextussal. Képkimenetet készít koncepciókhoz, portrékhoz, termékképekhez, illusztrációkhoz és meglévő dizájnok módosításához. Hasznos kiinduló döntés, hogy új kompozícióra van-e szükség, vagy olyan anyag konkrét változtatására, amely már tartalmazza a kívánt témát.

Generáláshoz írd le a fő témát, vizuális stílust, fényt, nézőpontot és elrendezést. A gyártó részletes, összefüggő képeket, szövegmegjelenítést, termékképeket és promptkövetést emel ki. Prezentációillusztráció gyakorlati leírása megadhatja a téma szerepét, kívánt vizuális hangsúlyát és a körülötte lévő tér mennyiségét. Termékkoncepció tartalmazhat anyagot, léptéket és felületkidolgozást. A leírás legyen összefüggő, hogy a tárgyak egy közös jelenetben, egységes világítással jelenjenek meg, több össze nem illő vizuális megoldás keverése helyett.

E kiadás vizuális következtetése a jelenetszerkezetre, világításra, léptékre és térbeli kapcsolatokra vonatkozik. A gyártó szerkesztési példája megfelelő perspektívájú és árnyékú tárgy hozzáadása. Műhely szerkesztésekor helyezz kis sámlit a munkapad mellé, a meglévő nézőpont és fény megtartásával. Ellenőrzéskor hasonlítsd össze a sámli méretét, padlóval való érintkezését és azt, hogy árnyéka követi-e a többi tárgyét. A helyileg meggyőző tárgynak is illeszkednie kell a teljes forráskép geometriájához.

Az irányított szerkesztés tárgyeltávolítást vagy -cserét, tulajdonságváltoztatást, inpaintinget, elrendezés-adaptációt, szövegfrissítést és például mozgási elmosódás okozta hibák csökkentését tartalmazza. Add meg a forrásképet, és nevezd meg a javítást és megtartandó részleteket is. Célzott fotószerkesztés eltávolíthat zavaró háttértárgyat, miközben megmarad a személy, kivágás és előtéri elrendezés. Dizájnmódosítás rövid szövegsort frissíthet a kompozíció megtartásával. A teljes eredményt vesd össze a forrással, ne csak a szerkesztett területet értékeld.

A Microsoft a szerkesztések közötti arcbeli azonosság következetességét is hangsúlyozza, póz-, arckifejezés- vagy nézőpontváltozásnál is. A hasonlósághoz használj tiszta referenciát, a kívánt változást pedig az azonosító jellemzők megőrzésével add meg. A gyártó jelenlegi szerkesztési útmutatója legfeljebb öt JPEG vagy PNG képet fogad, így külön referenciák azonosíthatják a személyt, tárgyat, jelenetet vagy stílust. E szerepeket nevezd meg a promptban. Portrémódosításnál az arcot is vizsgáld meg a megváltozott ruházat vagy háttér mellett, mielőtt késznek tekinted a képet.

A pontos modellkártya összesen 1 048 576 pixelre korlátozza a kimenetet, ami 1024×1024-es négyzetnek felel meg, és engedi, hogy az egyik oldal meghaladja az 1024-et, ha az összterület ezen belül marad. A kiszolgálási útmutató emellett mindkét mérethez legalább 768 pixelt igényel. Például az 1344×768-as téglalap 1 032 192 pixeles, és megfelel e dokumentált terület- és minimálisméret-szabályoknak. A hasznos korlát a szélesség és magasság szorzata, ezért fekvő vagy álló kompozíció kérése előtt készítsd elő a célformát.

A gyártó kiszolgálási felületén a generálás és szerkesztés PNG képadatot ad vissza. A natív modellkártya 32K tokenes kontextust jelent, a felület pedig legfeljebb 32 000 tokenes promptkontextust ír elő. A katalógus külön 4 096 kimeneti tokenje tokenkeret, nem kimeneti méret. Részletes prompt és kész kép rendezésekor őrizd meg e közölt hatóköröket. A forrásanyagok, megtartott jellemzők, kért szerkesztések és célméret a PNG mellett hasznos módosítási nyilvántartást alkotnak.

A modell alkotói tartománya fotórealisztikus és filmszerű képekre, portrékra, termék- vagy márkakoncepciókra, szöveges dizájnokra és más vizuális stílusokra terjed. Címkéhez vagy táblához add meg a pontos szöveget, és a végső megjelenítési méretben ellenőrizd helyesírását. A felismerhető fotografikus felület is tartalmazhat kitalált részletet, következetlen tükröződést vagy pontatlan feliratot. A gyakorlati ellenőrzés a dizájn követelményeit követi: tárgyazonosság, olvashatóság, térbeli kapcsolatok és megtartott jelenet mind számítanak. A konkrét javítást különítsd el a már sikerült változásoktól.

A 2.5 családon belül a Pro a zsúfolt jelenetek magasabb hűségét és stabil kapcsolatait hangsúlyozza, a Flash pedig gyors reakciójú gyártást szolgál. A 2.6 család nagyobb dokumentált pixelterület-keretet, opcionális webes megalapozást és modell által irányított oldalarány-választást vezet be. A normál 2.5 e későbbi vezérlők nélkül tartja meg saját generálási és szerkesztési munkafolyamatát. A kiadást a tényleges képfeladat nehéz része alapján válaszd, és a kész eredményt ehhez a leíráshoz mérd.