Tencent: Hy Image 3.5 Preview

A HY Image 3.5 Preview a Tencent egységes képalkotó és képszerkesztő modellje. Írásos leírást fogad opcionális referenciaképekkel, és támogatja ugyanannak a vizuális feladatnak a folytatását több fordulón keresztül. Az eredmény egy meghatározott jelenetet, kompozíciót vagy módosítást megvalósító kép. A Tencent példái között termékképek, kampányplakátok, felülettervezési vizuálok és anyagkoncepciók szerepelnek. Válassza ki, hogy új képre, referenciák által meghatározott kompozícióra vagy meglévő eredmény célzott módosítására van-e szükség.

A gyártó a kiadást hy-image-v3.5-preview néven azonosítja, és 100K tokenes promptkorlátot dokumentál. A bemenet időrendi beszélgetés szövegekkel és képekkel; az aktuális utasítást az utolsó felhasználói üzenet tartalmazza. A korábbi üzenetek az ismétlődő szerkesztés kontextusát adják. Ez eltér a HY Image 3.0 egyetlen promptot használó munkafolyamatától és annak külön bemeneti korlátaitól. Folyamatos tervezési feladathoz őrizze meg a releváns leírást, a referenciák szerepét és a kiválasztott képet, hogy a következő utasítás a kívánt vizuális állapotra épülhessen.

PNG- vagy JPEG/JPG-formátumú referenciaképeket készítsen elő. A dokumentált munkafolyamatban a referenciabemenet legfeljebb 20 képet tartalmazhat, képenként legfeljebb 20 MB mérettel. A kép hivatkozott vagy kódolt fájlként is megadható. Ha a beszélgetés túl sok képet tartalmaz, a gyártó útmutatója szerint először a régebbi képeket távolítja el. Az aktív referenciakészlet maradjon célzott, ne alapozzon arra, hogy minden korábbi kép a kontextusban marad. A bemeneti átméretezés megőrzi a kisebb képeket, a nagyobbakat pedig arányosan egy célzott pixelterület felé skálázza; az alapértelmezett cél 1 048 576 képpont. Őrizzen meg elegendő látható részletet az eredményt irányító termékből, anyagból vagy elrendezésből.

A kimeneti méret előkészítésére két külön út áll rendelkezésre. Automatikus méretezésnél a generate_max_pixels célterületet állít be: 1 048 576 képpontot az 1K szinthez, 2 359 296-ot az alapértelmezett 1.5K szinthez, vagy 4 194 304-et a 2K szinthez. A gyártó GYIK-je szerint az önmagában megadott célterület-beállítás alapértelmezésben négyzetes arányt eredményez. Ha mindkét méretvezérlőt elhagyja, a modell a leírást és az alapértelmezett 1.5K szintet használja. Ezek a szintek nem hoznak létre automatikus 4K-beállítást. Területszintet akkor használjon, ha négyzetes kép illik a feladathoz. Ha azt szeretné, hogy az alapértelmezett 1.5K szinten a leírás határozza meg az arányokat, hagyja el mindkét méretvezérlőt; ha az elrendezés meghatározott álló vagy széles méretet igényel, kérjen explicit méreteket.

Explicit méreteknél a gyártó pozitív egész oldalméreteket engedélyez 256 és 8192 képpont között, legfeljebb 16 777 216 képpontos teljes területtel. Egy 4096 × 4096 képpontos négyzet megfelel ennek a korlátnak. Az oldalmérettartomány és a területplafon egyszerre érvényes, így a 8192 képpontos él nem tesz lehetővé 8192 × 8192 képpontos képet. Ha a végső elrendezés konkrét méretet kíván, adja meg kifejezetten a szükséges szélességet és magasságot, ne feltételezze, hogy egy célterületi szint ugyanazokat a méreteket határozza meg. A vágásra érzékeny részleteket és a szükséges üres helyet egyértelműen írja le a promptban.

A modell a visszaadott beszélgetési előzményeken keresztül támogatja a többfordulós szerkesztést. A Tencent megkülönbözteti a véglegesen átadott képet a következő szerkesztés kontextusaként használt köztes képtől; a folytatást bemutató példáiban megőrzi az asszisztens érvelését, eszközkérését és generált képi eredményét. Termékkompozíciónál először alakítsa ki a témát és a képkivágást, majd kérjen világításmódosítást vagy új hátteret, megjelölve, minek kell megtartania a megjelenését. A kiválasztott eredményt és előzményeit együtt őrizze meg, hogy a következő forduló ezen a képen dolgozzon, ne egy elvetett változaton. A Tencent dokumentált munkafolyamatában a végső és az előzményként használt képek hivatkozásai is 12 óra után lejárnak, ezért a képfájlokat mentse el, mielőtt későbbi szerkesztéshez támaszkodna rájuk.

A dokumentált vezérlők között szerepel a seed, a legfeljebb 16 karakteres egyéni vízjel-lábjegyzet és az opcionális külső keresési kiegészítés, amely alapértelmezésben ki van kapcsolva. A seed nemnegatív egész szám; nulla vagy elhagyás esetén a gyártó véletlenszerűen választ. Ezek a vezérlők más célt szolgálnak, mint maga a leírás. Referenciaalapú termékvizuálhoz írja le a termék megjelenését, a kamera szögét, a felületet, a világítást és a kívánt elrendezést, majd a referenciával irányítsa az azonosító részleteket. Plakáthoz adja meg a hierarchiát és a pontos szöveget, ne hagyja, hogy az üzenetet a modell találja ki.

A Tencent gyakorlati útmutatója a szöveg és az elrendezés ellenőrzését ajánlja, különösen akkor, ha termékspecifikációk, szervezetnevek vagy más tényszerű megfogalmazások fontosak. A kész képen ellenőrizze a témát, az arányokat, az anyagot, a képkivágást és a feliratokat. A végső fájlt őrizze meg a leírással és a beállításokkal együtt, a következő szerkesztéshez pedig adjon konkrét, látható hibához kötött utasítást.