Microsoft AI: MAI-Image-2.6 Flash

Microsoft AI: MAI-Image-2.6 Flash to model generowania obrazów od Microsoftu, część rodziny MAI-Image-2.6. W obrębie tej rodziny jest pozycjonowany jako członek o niższym opóźnieniu i niższym koszcie, zbudowany dla produkcji o wysokiej przepustowości i wrażliwej na opóźnienia. Jest skierowany do zespołów, które potrzebują generowania i edycji obrazów na skalę, a nie pojedynczych, starannie dostrojonych wyników.

Model przyjmuje dane wejściowe tekstowe i obrazowe, a jako jedyne wyjście produkuje obrazy. Jego okno kontekstu wynosi 4096 tokenów, a maksymalne wyjście to 1024. Generowanie jest kontrolowane przez niewielki zestaw parametrów obrazu: aspect_ratio, który przyjmuje 1:1, 4:3, 3:4, 16:9, 9:16, 3:2, 2:3 lub auto; n, który jest ustalony na 1 obraz na żądanie; oraz input_references, który przyjmuje od 0 do 5 obrazów referencyjnych. Obok nich model obsługuje max_completion_tokens, max_tokens i temperature.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Ponieważ przyjmuje dane wejściowe obrazowe, a także tekstowe, pasuje do edycji i generowania opartego na referencjach, gdzie dostarczasz do pięciu obrazów i opisujesz zmianę lub pożądany wynik. Opcje proporcji obejmują formaty kwadratowe, poziome i pionowe, więc ten sam model może obsługiwać układy dla mediów społecznościowych, stron internetowych i druku bez osobnego potoku. Połączenie wejścia obrazowego i wyjścia obrazowego pasuje również do przepływów wsadowych, takich jak generowanie wariantów ze zdjęcia produktu, zmiana stylu zasobów lub tworzenie obrazów zastępczych i roboczych w zautomatyzowanym procesie budowania. Pozycjonowanie Flash sugeruje, że jest to właściwy wybór, gdy przepustowość i czas odpowiedzi mają większe znaczenie niż ostatni przyrost precyzji.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "microsoft/mai-image-2.6-flash". Żądania mają ten sam kształt co inne wywołania uzupełnień czatu zgodne z OpenAI, z twoim promptem tekstowym i dowolnymi obrazami referencyjnymi na wejściu oraz wygenerowanym obrazem zwracanym w odpowiedzi. Obsługiwane parametry żądania to max_completion_tokens, max_tokens i temperature, a także parametry obrazu aspect_ratio, n i input_references. Ustaw n na 1, wybierz proporcję lub pozostaw ją jako auto, i przekaż do pięciu obrazów referencyjnych, gdy chcesz, aby wynik był oparty na istniejących materiałach wizualnych.

Warto pamiętać o kilku ograniczeniach. Okno kontekstu wynosi 4096 tokenów, co jest umiarkowane, więc bardzo długie prompty lub wiele dużych obrazów referencyjnych może wymagać przycięcia. Na żądanie zwracany jest tylko jeden obraz, więc wygenerowanie zestawu wariantów oznacza wiele wywołań. Jeśli twoja praca zależy od maksymalnej precyzji, a nie od opóźnienia i przepustowości, bardziej naturalnym wyborem jest poziom precyzji z tej samej rodziny.