هوش مصنوعی امروز: FLUX 3 Image و ویرایش داخل کادر

در هر تصویرِ تبلیغاتی یک چیز هست که هیچ‌کس حق ندارد به سلیقهٔ خودش عوضش کند: بسته‌بندی. FLUX 3 Image که ۹ مهر آمد، می‌گذارد دورِ یک بخش کادر بکشی، فقط همان را ویرایش کنی و بقیه را دست نزنی. اگر روی بسته‌بندیِ واقعی جواب بدهد، ساختنِ نسخه‌ها و اندازه‌های مختلف عوض می‌شود.

FLUX 3 Image: ویرایش با مختصات، بقیه سرِ جایش

Black Forest Labs روز ۹ مهر FLUX 3 Image را عرضه کرد. یک مدل هم می‌سازد هم ویرایش می‌کند: با کادر (bounding box) عنصری را می‌گذاری یا رنگ و جا و اندازه‌اش را عوض می‌کنی و تا ده تصویرِ مرجع را با هم ترکیب می‌کنی. خروجی از پیش‌نمایشِ ۷۶۸ پیکسلی تا 4K است، حدودِ ۱۶ مگاپیکسل. قیمتِ API برای هر تصویر: ۷۶۸ پیکسل ۰٫۰۴۱ دلار، 1K ۰٫۰۴۸، 2K ۰٫۱۰ و 4K ۰٫۶۰۷ دلار (یادداشتِ انتشارِ BFL، ۹ مهر). صفحهٔ مدل بوم را شبکه‌ای ۰ تا ۱۰۰۰ در هر دو محور توصیف می‌کند و وعدهٔ «چند ویرایش هم‌زمان بی‌آن‌که چیزِ دیگری عوض شود» را می‌دهد. شرکت‌ها می‌توانند وزن‌های تجاری را بخرند و مدل را روی سرورِ خودشان اجرا کنند (صفحهٔ مدل). API تا ۱۶ مهر نصف‌قیمت است و نسخهٔ متن‌باز «در هفته‌های آینده» می‌آید (The Decoder، ۱۰ مهر).

برداشت من: در کراکس — روز جهانی سیب‌زمینی چیپس‌ها آخرِ یک حرکتِ پیوسته در بسته فرود می‌آیند و نورِ طلاییِ صبح باید از مزرعه تا پک‌شات یکی بماند. پک‌شات همان جایی است که کارِ هوش مصنوعی معمولاً خراب می‌شود: لوگو نرم می‌شود، رنگ یک درجه جابه‌جا می‌شود و آخرش بسته‌بندیِ واقعی را دستی رویش می‌گذاری. کادرِ قفل‌شده فکرِ درستی است. کاربردِ دیگرش رنگ‌بندیِ فیلم است: در ویفر هیت دو طعمِ روی بسته، پرتقال و موز، رنگ‌های فیلم را تعیین می‌کنند. عوض‌کردنِ یک طعم با دیگری داخلِ کادر، و دست‌نزدن به هیچ چیزِ دیگر، دقیقاً همین کار است. برای ما دو نکتهٔ دیگر هم هست. پرداخت دلاری و تصویری است، نه اشتراکِ ماهانه؛ یک تستِ ۲۰ تصویری در 2K حدودِ دو دلار درمی‌آید. و از ۹ مهر داخلِ Higgsfield هم هست (تغییراتِ Higgsfield)، برای کسی که آن‌جا اعتبار دارد. محدودیت: 4K شش برابرِ 2K قیمت دارد، و ادعای «نوشتنِ متن به چند زبان» هنوز با حروفِ فارسی امتحان نشده.

Tavus Griffin: ۲۶ نفر از ۵۴ نفر فکر کردند آدم است

Tavus روز ۹ مهر Griffin را معرفی کرد، مدلی که مثلِ یک چهره در تماسِ تصویری زنده می‌بیند، می‌شنود و جواب می‌دهد. در آزمونش به شرکت‌کننده‌ها گفته بودند با یک شرکت‌کنندهٔ دیگر دربارهٔ برنامهٔ سالشان تماسِ تصویری می‌گیرند. بعد از یک دقیقه، ۲۶ نفر از ۵۴ نفر باور کردند Griffin آدمِ واقعی است؛ مدلِ قبلی، Phoenix-4.5، فقط ۱ نفر از ۴۱ نفر را. Griffin-Lite فعلاً پیش‌نمایشِ پژوهشی برای چند آزمایشگرِ منتخب است، روی پلتفرمِ Tavus نیست و شرکت می‌گوید «روی قابلیت‌های افشای امن کار می‌کند» (Tavus، ۹ مهر).

برداشت من: این اول سؤالِ صداقت با مخاطب است، بعد سؤالِ تولید. در چالش تاینی زبانِ ویدیوی کاربرساز را عمداً قرض گرفتم: گوشی روی سه‌پایه، کلاس، نورِ پنجره. این یک سبک است داخلِ یک فیلم. چهره‌ای که زنده جوابت را می‌دهد و نصفِ آدم‌های یک آزمون آن را آدم می‌پندارند، قراردادِ دیگری با مخاطب است. اندازهٔ آزمون را هم ببین: ۵۴ نفر، یک دقیقه، آزمونِ خودِ Tavus. برندی که چنین چهره‌ای را در پشتیبانی می‌گذارد، باید ثانیهٔ اول بگوید. کاراکترهای من کاراکتر می‌مانند؛ یکی از دلایلی که ماسکات می‌سازم همین است.

Ads Studio در Higgsfield: یک لینک می‌دهی، ۲۰ آگهی ثابت برای هر محصول

Higgsfield روز ۸ مهر Ads Studio را عرضه کرد. لینکِ سایت را می‌دهی؛ لوگو، رنگ‌ها، لحن، مخاطب و نقاطِ قوتِ فروش را یک بار تنظیم می‌کنی، محصول را از سایت انتخاب می‌کنی و آگهیِ ثابت در دسته‌های تا ۲۰ تایی برای هر محصول می‌گیری؛ با یک چت هم می‌شود بیشتر خواست. در این یادداشت قیمت یا پلنی ذکر نشده (تغییراتِ Higgsfield، ۸ مهر).

برداشت من: سایت می‌تواند لوگو و رنگ و نقاطِ قوت را به ابزار بدهد. ایده را نمی‌تواند. در سی‌سی — هر رؤیای بزرگی از یک شروع کوچک کیک قهرمان نیست؛ ثابتِ یک خاطره است که در مدارِ زمین تمام می‌شود. هیچ لینکی این را ندارد. پس جای این ابزار سرِ حجم است: وقتی ایده و تصویرِ اصلی تأیید شد، ۲۰ نسخهٔ ثابت برای هر محصول، برای اندازه‌ها و تستِ A/B. سؤالِ ما ساده‌تر است: سایتی که فقط فارسی است را درست می‌خواند؟ قبل از هر چیز همین را با یک محصول امتحان کن. و بسته‌بندی را در هر ۲۰ نسخه چک کن؛ طعمِ اشتباه یا بستهٔ قدیمی دقیقاً در کارِ دسته‌ای رد می‌شود.

امروز چه کنم؟

یک پک‌شاتِ تأییدشده بردار. در FLUX 3 Image با کیفیتِ 2K دورِ بسته کادر بکش و بعد پس‌زمینه، نور و یک شیء کنارش را عوض کن. تا ۱۶ مهر که API نصف‌قیمت است این کار را بکن. نتیجه را روی فایلِ اصلی بینداز و بسته را با بزرگنماییِ ۱۰۰ درصد نگاه کن. اگر لوگو و رنگ ماند، برای نسخه‌های اندازه‌های مختلف به کار می‌آید. اگر نه، فعلاً بستهٔ واقعی را دستی بگذار. اگر می‌خواهی ببینی بقیهٔ خطِ تولید را چطور می‌چینم، این‌جا توضیح داده‌ام.

منابع

• Black Forest Labs — یادداشتِ انتشار: FLUX 3 Image، ۹ مهر ۱۴۰۵ — docs.bfl.ai
• Black Forest Labs — صفحهٔ مدلِ FLUX 3 Image، دیده‌شده ۱۱ مهر ۱۴۰۵ — bfl.ai
• The Decoder — عرضهٔ Flux 3 Image، ۱۰ مهر ۱۴۰۵ — the-decoder.com
• Tavus — Griffin، ۹ مهر ۱۴۰۵ — tavus.io
• Higgsfield — فهرستِ تغییرات: Ads Studio و FLUX 3 Image، ۸ و ۹ مهر ۱۴۰۵ — higgsfield.ai