گوگل مدل Nano Banana 2.1 را معرفی کرد؛ جهش در ویرایش تصویر و حفظ سوژه
به گزارش کشتی کروز، گوگل از جدیدترین مدل پردازش و فراوری تصویر خود با نام Nano Banana 2.1 رونمایی کرد. این سیستم ارتقایافته که بر پایه جمینای 3.6 فلش پیشرفته است، با هدف برطرف چالش های متداول در فراوری بصری، وضوح خروجی را تا سطح 4K ارتقا می دهد و در عین حال هزینه های پردازش را به نصف می رساند. انتشار این ابزار به صورت تدریجی در اپلیکیشن جمینای، موتور جستجوی گوگل، گوگل ادز و پلتفرم های تخصصی توسعه دهندگان شروع شده است.
یکی از دستاوردهای محوری در هوش مصنوعی نانو بنانا گوگل، حل معضل ناهمگونی سوژه ها هنگام تغییر زاویه یا پس زمینه است. این مدل با اتکا به الگوریتم های پیشرفته حفظ ثبات سوژه (Subject Consistency)، امکان دریافت همزمان حداکثر 14 تصویر مرجع را دارد و می تواند فرم چهره 4 شخصیت و ساختار 10 شیء مجزا را در خلال پرامپت های متوالی ثابت نگه دارد. طراحان بعلاوه به وسیله قابلیت ویرایش مبتنی بر ماسک می توانند بخش های مشخصی از تصویر را بدون دست خوردن سایر بخش ها اصلاح نمایند.
از نظر توان محاسباتی، مدل Nano Banana 2.1 ظرفیت پردازش پرامپت ها و داده های سنگین را تا سقف 1 میلیون توکن در پنجره زمینه ارائه می دهد. این توان پردازشی، خلق تصاویر در وضوح 1K و 2K تا کیفیت بسیار شفاف 4K را در نسبت های ابعادی گوناگون مانند کادرهای عریض پانوراما میسر ساخته است. کاربران برای ویرایش می توانند تصاویری تا حجم 7 مگابایت را به صورت مستقیم و تا 30 مگابایت را از فضای ابری آپلود نمایند، در حالی که تحلیل هر تصویر ورودی تنها حدود 1,120 توکن مصرف می نماید. علاوه بر این، امکان تنظیم سطح تفکر تحلیلی و اتصال به جستجوی گوگل برای اعتبارسنجی جزئیات واقعی در این نسخه پیاده سازی شده است.
در بعد مالی، گوگل تعرفه استفاده از توکن های تصویر را با تخفیف 50 درصدی، از 60.00 دلار به 30.00 دلار به ازای هر 1 میلیون توکن کاهش داد. نرخ ورودی و خروجی متنی نیز به ترتیب 1.50 دلار و 7.50 دلار معین شده است. بر همین اساس، هزینه فراوری هر تصویر 1K به 0.0336 دلار، وضوح 2K به 0.0504 دلار و کیفیت 4K به 0.0756 دلار می رسد که برای پردازش های دسته ای تا 0.0168 دلار کاهش می یابد. دسترسی به قابلیت های مدل Nano Banana 2.1 در پلتفرم هایی نظیر استودیو هوش مصنوعی گوگل (Google AI Studio)، فلو (Flow) و استیچ (Stitch) همراه با فناوری ردیابی اصالت اثر فراهم شده است؛ هرچند ایجاد چهره افراد واقعی روی پلتفرم سازمانی آن مجاز نخواهد بود.
منبع: دیجیکالا مگ