A Meta Superintelligence Labs bemutatta a Muse Image nevű képgeneráló modelljét, és előzetes betekintést adott a Muse Video nevű videógeneráló megoldásba. A vállalat szerint a két modell az első olyan médiageneráló rendszerek közé tartozik, amelyek ügynöki (agentikus) képességeket használnak: képesek eszközöket hívni, keresni, kódot futtatni és önmagukat finomítani a jobb eredmény érdekében.
Muse Image: elérhetőség és főbb képességek
Muse Image a Meta szerint a legfejlettebb képgeneráló modellük: pontosan követi az utasításokat, finom szerkesztéseket végez, több referencia képből komponál, és használja az Instagramhoz kötődő közösségi kontextust. A modell agentikus eszközhasználatot támogat, és integrálva van a Muse Sparkkal, amely lehetővé teszi a modellek közös tervezését és eszközmegosztást.
Elérhetőség:
- Muse Image már elérhető a Meta AI alkalmazásban és a meta.ai webes felületen.
- Instagram Stories-ban az Egyesült Államokban érhető el.
- WhatsAppon korlátozott országokban használható.
- Hamarosan érkezik Facebookra.
Ügynöki eszközök: kódolás, keresés és önfinomítás
A Muse Image nem egyszerűen bemeneteket képekké alakít; ügynökként működik: szükség esetén keresést és kódírást hív meg, hogy növelje a generált képek pontosságát, és saját maga finomítja a kimenetet. A Meta részletei szerint:
-
Kódolás: a modell megerősítéses tanulás során megtanul kódot írni és futtatni, amely pontos ábrákat (például grafikonok) vagy QR-kódokat állít elő, majd a renderelt ábrákra kondicionálva javítja a képgenerálás pontosságát. A Muse Sparkkal együttműködve a kód + média kombináció animált GIF-ek, weboldalak beágyazott képekkel és interaktív vizuális játékok létrehozását is lehetővé teszi.
-
Keresés: a modell webes keresést használ, hogy generációit tényszerű és valós idejű információkkal vagy vizuális referenciákkal alátámassza. A keresés aktiválása javítja a tényalapú pontosságot, különösen aktuális eseményekkel és valós világbeli tényekkel kapcsolatos kéréseknél.
-
Önfinomítás: a modell láncolatos gondolkodása (chain-of-thought) során visszatekint és javítja saját munkáját. Ez megjelenhet kisebb lokális szerkesztésként, teljes újragenerálásként vagy eszközhasználat beiktatásaként, ha az jobb eredményt hoz. A Meta hangsúlyozza, hogy ezt a viselkedést nem kézzel tervezték: a megerősítéses tanulás során jelentkezett, mert a finomítás magasabb jutalmat eredményezett.
Tesztidő-számítás és skálázás
A Muse Image teljesítménye javul, ha a modell több számítási erőforrást fordít a következtetésre (test-time compute). Több gondolkodási lépés, több eszközmeghívás és további önfinomítási iterációk fokozzák az emberi preferenciákon alapuló Elo-pontszámokat; a Meta szerint a javulás körülbelül log-lineáris skálázódást mutat. A token-költség felhasználása is számít: az egyszerre több variánst előállító Best-of-N (BoN) stratégia korai javulást hoz, de gyorsan telítődik, míg a számítás koncentrált gondolkodásra fordítása jobb hosszú távú skálázódást eredményez. Különösen hatékony a kombinált stratégia: a gondolkodás és az eszközhasználat együttesen tovább növeli a minőséget.
Szerkesztés, kompozíció és koherencia
Muse Image pontos szerkesztéseket képes végrehajtani: a felhasználói utasításoknak megfelelően módosítja a képeket. Támogatja az iteratív finomítást és megőrzi az állapotkoherenciát több szerkesztési forduló között. A modell képes több bemeneti referenciaelemet (személyek, tárgyak, ruházat, stílusok, környezet) kombinálni, és a promptban szöveg és képek váltogatása is lehetséges összetett kompozíciók létrehozásához.
A Meta közlése szerint a Muse Image a szerkesztés és szövegből-képbe teljesítmény alapján jelenleg az Arena rangsorában a 2. helyen áll a humán preferencia Elo-mutatók szerint (a cikk írásakor).
Muse Video: előzetes és korlátozások
A Muse Video ugyanazon előtréning alapokra épül, és a Meta szerint kiváló vizuális részletességet és beépített hang támogatást nyújt. A vállalat kiemelte, hogy további fejlesztésekre fókuszálnak olyan területeken, ahol jelenleg teljesítménybeli hiányosságok tapasztalhatók, például a hang–videó szinkronizációban és a fizikailag pontos gyors mozgásokban. Muse Video előnézete hamarosan elérhető lesz a tartalomkészítőknek és a Meta AI felhasználóknak. Az Arena rangsorában Muse Video a cikk írásakor a 3. helyen áll text-to-video feladatban emberi preferenciák alapján.
Tartalomazonosság és biztonság: Content Seal és láthatatlan vízjel
A Meta beépített láthatatlan vízjelzési megoldást, a Content Seal-t alkalmaz a Muse Image által generált képeken. A Meta AI alkalmazásban és a meta.ai felületen készült képek rejtett provenance-jelet viselnek, amely a Meta szerint megmarad még akkor is, ha a képet kivágják, tömörítik, átméretezik vagy képernyőképet készítenek róla. A vállalat tervezi, hogy a Content Seal-t később videóra is kiterjeszti. Emellett előzetes detekciós eszközt mutatnak be, amellyel ellenőrizni lehet, hogy egy kép tartalmaz-e Content Seal vízjelet, ezzel segítve a felhasználókat annak megítélésében, hogy egy kép Meta AI-val készült-e.
Integráció a Meta ökoszisztémával és felhasználási forgatókönyvek
A Muse Image szoros integrációt kínál a Meta termékekkel: a Meta AI közösségi eszközeivel együtt a felhasználók barátokkal közösen hozhatnak létre képeket, vagy újraértelmezhetik Instagram-fotóikat. A Meta említ példákat marketinganyagokra kisvállalkozások számára, personalizált előbeállításokra az Instagramon és a Meta AI-t használó dinamikus tartalomkészítés további lehetőségeire.
Záró megjegyzés
A Meta kiemeli, hogy Muse Image ügynöki képességei — a kódolás, keresés és önfinomítás kombinációja — kulcsfontosságúak a pontosság és a rugalmasság növelésében. Muse Video előnézete pedig a videós tartalomgenerálás irányába tett további lépésnek tekinthető; mindkét technológia tovább bővíthető és integrálható a Meta termékekbe a későbbi kiadások során.
