دنیای مدلهای چندوجهی (Multimodal) هر روز داغتر میشود! محققان به تازگی از مدل جدیدی به نام Boogu-Image-0.1 رونمایی کردهاند که ترکیبی فوقالعاده از درک متن و تولید تصویر است.
نکات برجسته این مدل:
✅ عملکرد خیرهکننده: با وجود بودجه آموزشی بسیار پایین (حدود ۴۰۰ هزار دلار)، توانسته رقبای متنباز را کنار بزند و به گرد پای مدلهای بستهای مثل GPT-Image-2 برسد.
✅ تنوع بالا: در نسخههای مختلف (Base, Turbo, Edit) عرضه شده که برای ویرایش تصاویر و رندر متن (انگلیسی و چینی) بهینهسازی شدهاند.
✅ دسترسی آزاد: تمامی کدها، وزنهای مدل و دستورالعملهای آن تحت مجوز Apache 2.0 منتشر شده تا جامعه تحقیق و توسعه هوش مصنوعی از آن بهره ببرند.
این مدل نشان میدهد که با دادههای باکیفیت و استراتژیهای هوشمندانه، حتی با منابع محدود هم میتوان به نتایج پیشرو دست یافت.
منبع: arXiv AI