हाल ही में, OpenAI ने एक ध्यान आकर्षित करने वाला संदेश जारी किया: उसके आंतरिक परीक्षण प्रोजेक्ट Sora में, पहले से लॉन्च की गई वीडियो जनरेशन क्षमता के अलावा, छवि जनरेशन क्षमता भी तेजी से विकसित की जा रही है। यह नई सुविधा उपयोगकर्ताओं को वीडियो और छवि जनरेशन के बीच तेजी से स्विच करने की अनुमति देती है, जिससे क्रिएटिविटी की लचीलापन बढ़ता है। आंतरिक सूत्रों के अनुसार, Sora एक छिपा हुआ स्विच बटन जोड़ेगा, जिससे उपयोगकर्ता केवल प्रॉम्प्ट बार में चयन करके दोनों मोड के बीच स्विच कर सकेंगे। जब छवि जनरेशन का चयन किया जाता है, तो सिस्टम यूजर को एक छवि का विवरण देने के लिए स्वचालित रूप से संकेत देगा।

प्रसिद्ध AI चित्रण प्लेटफॉर्म Midjourney ने हाल ही में एक महत्वपूर्ण कल्याण योजना की घोषणा की है - 'Relax Marathon' कार्यक्रम। आज से 2024 के अंत तक, उपयोगकर्ताओं को केवल 10 डॉलर का भुगतान करना होगा, जिससे उन्हें Relax मोड में अनलिमिटेड चित्र生成, जिसमें विभिन्न रूपों का निर्माण और संदर्भ चित्र生成 जैसी बुनियादी सुविधाएं शामिल हैं, को प्राप्त होगा। इसके अलावा, चित्र生成 की गति भी काफी बढ़ा दी गई है, जिससे उन्हें 'तुरंत' प्राप्त करना संभव हो गया है। यह कार्यक्रम अगले वर्ष नए मॉडल के लिए अधिग्रहित की गई बड़ी संख्या में सर्वर संसाधनों का उचित उपयोग करने के लिए है, वर्तमान में ये सर्वर अस्थायी रूप से निष्क्रिय स्थिति में हैं।

18 दिसंबर 2024 को वोल्कन इंजिन FORCE सम्मेलन में, जिमेंग एआई ने अपने नए पोस्टर जनरेशन फ़ीचर की आधिकारिक घोषणा की। इस तकनीक का लॉन्च छवि जनरेशन के क्षेत्र में एक महत्वपूर्ण प्रगति को दर्शाता है। जिमेंग एआई के उत्पाद प्रबंधक ली चाओ के अनुसार, इस पोस्टर जनरेशन फ़ीचर की सबसे बड़ी विशेषता इसकी उपयोगकर्ता के अनुकूलता है। उपयोगकर्ता को केवल एक साधारण विवरण दर्ज करना होता है, और सिस्टम तेजी से रचनात्मक पोस्टर उत्पन्न कर सकता है। यह प्रक्रिया पारंपरिक पोस्टर डिज़ाइन के लिए आवश्यक समय और विशेषज्ञता को काफी कम कर देती है, जिससे अधिक लोग इस प्रक्रिया में आसानी से भाग ले सकते हैं।

Shakker AI ने आज अपने नवीनतम उन्नत छवि जनरेशन मॉडल - Zeno-1 की घोषणा की। यह मॉडल न केवल पूर्ववर्ती FLUX.1 की उत्कृष्टestética और कलात्मकता को अपनाता है, बल्कि आंतरिक सिफारिश प्रणाली के माध्यम से शैली विविधता में एक छलांग भी प्रदान करता है। Zeno-1 का लॉन्च डिजिटल कला निर्माण उपकरणों के लिए एक नए युग का प्रतीक है। यह उपयोगकर्ताओं को अपने डिजिटल कला कार्यों को पहले कभी न देखे गए तरीकों से आकार देने और उन्हें परिष्कृत करने की अनुमति देने के लिए नियंत्रण उपकरणों की एक श्रृंखला प्रदान करता है। Zeno-1 मॉडल की मुख्य विशेषताएँ इस प्रकार हैं: पैलेट नियंत्रण: उपयोग करें

वर्गीकरण के बाद हाल ही में एक अपडेट हुआ है, जिसमें 'AI चित्र' नामक एक नई सुविधा पेश की गई है, जिसका उद्देश्य लेख निर्माताओं के लिए लेख संपादन प्रक्रिया के दौरान चित्र चयन और सम्मिलन के काम को सरल बनाना है। यह नई सुविधा निर्माताओं को चित्र सम्मिलित करते समय, चित्र पुस्तकालय से चयन करने या स्थानीय रूप से अपलोड करने के अलावा, AI प्रौद्योगिकी का उपयोग करके लेख की सामग्री से मेल खाते चित्रों को तेजी से उत्पन्न करने की अनुमति देती है।

कृत्रिम बुद्धिमत्ता द्वारा संचालित छवि जनरेशन और समझ के क्षेत्र में, तेजी से प्रगति के बावजूद, कई महत्वपूर्ण चुनौतियाँ हैं, जो एक निर्बाध, एकीकृत दृष्टिकोण के विकास में बाधा डालती हैं। वर्तमान में, छवि समझ पर ध्यान केंद्रित करने वाले मॉडल अक्सर उच्च गुणवत्ता वाली छवियाँ जनरेट करने में प्रभावी नहीं होते हैं, और इसका विपरीत भी सत्य है। इस तरह की कार्य विभाजन की संरचना न केवल जटिलता को बढ़ाती है, बल्कि दक्षता को भी सीमित कर देती है, जिससे एक साथ समझ और जनरेशन की आवश्यकता वाले कार्यों को संभालना cumbersome बन जाता है। इसके अलावा, कई मौजूदा मॉडल किसी भी कार्य को प्रभावी ढंग से निष्पादित करने में आर्किटेक्चरल संशोधनों या पूर्व-प्रशिक्षित घटकों पर अत्यधिक निर्भर होते हैं, जो प्रदर्शन में व्यापारिक समझौते का कारण बनता है।

अलीबाबा के टोंग यी प्रयोगशाला के नवीनतम शोध से पता चलता है कि मौजूदा टेक्स्ट-टू-इमेज डिफ्यूजन ट्रांसफार्मर मॉडल वास्तव में विशिष्ट संबंध वाली छवियों की एक से अधिक उत्पादन करने की क्षमता रखता है। इसे केवल थोड़ी "संकेत" देने की आवश्यकता है जिससे यह "समग्रता" में बदल सकता है और उच्च गुणवत्ता वाले मल्टी-इमेज संग्रह उत्पन्न कर सकता है। पारंपरिक डिफ्यूजन मॉडल अधिकतर "याददाश्त में खोया हुआ" छात्रों की तरह होता है, जिसे उच्च गुणवत्ता वाली छवियों को उत्पन्न करने के लिए विशाल डेटा के साथ प्रशिक्षित किया जाना चाहिए। जबकि IC-LoRA के सहयोग से, यह "संबंधित विषयों का गहन ज्ञान" रखने वाले छात्र में बदल जाता है।

Google Gemini ने हाल ही में अपने आधिकारिक ट्विटर खाते पर घोषणा की कि बहुप्रतीक्षित Imagen 3 छवि जनरेशन सुविधा अब वैश्विक स्तर पर सभी Gemini उपयोगकर्ताओं के लिए उपलब्ध है। यह महत्वपूर्ण अपडेट Google के लिए कृत्रिम बुद्धिमत्ता छवि जनरेशन के क्षेत्र में एक महत्वपूर्ण कदम है, जो उपयोगकर्ताओं को अधिक शक्तिशाली और लचीले रचनात्मक उपकरण प्रदान करता है। Imagen 3, Imagen श्रृंखला का नवीनतम संस्करण, अपने पूर्ववर्ती Imagen 2 की तुलना में कई महत्वपूर्ण सुधार लाता है। Google के आधिकारिक विवरण के अनुसार, ये सुधार मुख्य रूप से इस प्रकार हैं।

हाल ही में, जर्मनी की आर्टिफिशियल इंटेलिजेंस स्टार्टअप ब्लैक फॉरेस्ट लेबोरेटरीज (Black Forest Labs) ने नए छवि जनरेशन मॉडल Flux 1.1 Pro की घोषणा की। इस नए मॉडल की गति अविश्वसनीय है, ब्लैक फॉरेस्ट लेबोरेटरीज का दावा है: यह पिछले संस्करण Flux 1Pro की तुलना में छह गुना तेज है, साथ ही चित्र गुणवत्ता में भी काफी सुधार हुआ है। Flux 1.1 Pro के अलावा, ब्लैक फॉरेस्ट लेबोरेटरीज ने अपने BFL API के बीटा संस्करण को भी जारी किया है, जिससे डेवलपर्स फ्लक्स को एकीकृत कर सकते हैं।

FLUX.1-dev-LoRA एक अभिनव छवि जनरेशन मॉडल है, जो वास्तविकता और चित्रण तत्वों को मिलाकर अनूठी दृश्य प्रभाव उत्पन्न करने में विशेषज्ञ है। FLUX.1-dev पर प्रशिक्षित, यह अग्रभूमि के पात्रों को चित्रण शैली में चित्रित करता है, जबकि पृष्ठभूमि को वास्तविकता में बनाए रखता है, और यह सामाजिक मंचों पर रचनात्मक छवियों के उत्पादन के लिए उपयुक्त है। उपयोगकर्ता दृश्य वर्णन और पात्रों की क्रिया के संकेत प्रदान करके अपनी आवश्यकताओं के अनुरूप छवियाँ उत्पन्न कर सकते हैं। आधिकारिक संकेत शब्द उदाहरण यह प्रदर्शित करते हैं कि विशेष कला शैली एकीकरण को प्राप्त करने के लिए किस प्रकार विवरण दिया जाना चाहिए। ऑनलाइन अनुभव और मॉडल डाउनलोड लिंक उपलब्ध हैं।

गूगल ने अपने नवीनतम छवि जनरेशन उपकरण इमेजन 3 को प्रस्तुत किया, जो वर्टेक्स प्लेटफॉर्म के माध्यम से अमेरिका के उपयोगकर्ताओं के लिए उपलब्ध है। यह उपकरण अधिक बारीक, बेहतर प्रकाश और छाया प्रभाव के साथ-साथ कम अवरोध परिकल्पनाएँ उत्पन्न करने में सक्षम है, उपयोग करना आसान है, जहाँ उपयोगकर्ता केवल विवरण प्रस्तुत करके छवि उत्पन्न कर सकते हैं। इमेजन 3 के छवि उत्पन्न करने में कुछ प्रतिबंध हैं, जैसे सार्वजनिक व्यक्तियों, हथियारों या विशेष कॉपीराइट पात्रों की छवियाँ उत्पन्न नहीं कर सकती, लेकिन इन प्रतिबंधों से बचने के लिए वर्णनात्मक भाषा का उपयोग किया जा सकता है। उपयोगकर्ताओं की प्रतिक्रिया के अनुसार, इमेजन 3 प्रसिद्ध पात्रों और ब्रांड लोगो के समान छवियाँ उत्पन्न कर सकता है, जिसका परिणाम उत्कृष्ट है।

FLUX.1, एक ओपन-सोर्स बड़े मॉडल प्लेटफ़ॉर्म है जिसे एआई छवि जनरेशन क्षेत्र के विशेषज्ञ रॉबिन रॉमबाक द्वारा पेश किया गया है, जो 120 अरब पैरामीटर वाले विज़न ट्रांसफार्मर आर्किटेक्चर का उपयोग करता है। इसमें प्रक्रिया मिलान प्रशिक्षण विधि और घूर्णन स्थिति सम्मिलन जैसी तकनीकों का उपयोग किया गया है, जिसने DALL·E3, Midjourney V6 जैसे बंद-स्रोत मॉडलों और SD3 श्रृंखला को व्यापक रूप से पीछे छोड़ दिया है। प्रदर्शन के मामले में, FLUX.1 पाठ अर्थ पुनर्स्थापना, छवि गुणवत्ता, क्रिया निरंतरता, संगतता और विविधता के संदर्भ में उत्कृष्ट है, यहां तक कि पाठ जनरेशन में भी।

Stable Diffusion 3 एक सबसे मजबूत टेक्स्ट से छवि मॉडल है। Stable Diffusion 3 MMDiT आर्किटेक्चर को अपनाता है, जो मौजूदा टेक्स्ट से छवि जनरेशन सिस्टम की प्रदर्शन को बढ़ाता है। Stable Diffusion 3 दृश्य सौंदर्य, टेक्स्ट पालन और टाइपोग्राफी में अन्य उन्नत मॉडलों से आगे है। MMDiT आर्किटेक्चर DiT और आयताकार प्रवाह रूपों को जोड़ता है, जो छवि और भाषा प्रस्तुतियों को स्वतंत्र वजन सेट के साथ संसाधित करता है। Stable Diffusion 3 में लचीलापन है।