ByteDance Seed टीम ने छवियों के निर्माण के लिए अपना नवीनतम मल्टीमॉडल मॉडल Seedream 5.0 Pro जारी किया है। यह रिलीज़ 8 जुलाई को हुई, जो प्रीव्यू संस्करण के लगभग पांच महीने बाद आई, और इसमें जटिल जानकारी का विज़ुअलाइज़ेशन, सटीक संपादन, वास्तविक फोटो की गुणवत्ता और 17 परीक्षण परिदृश्यों के भीतर विभिन्न भाषाओं में मूल पीढ़ी शामिल है।
नए मॉडल संस्करण में टेक्स्ट और इमेज की संगतता, संरचनात्मक सुसंगतता, टेक्स्ट डिस्प्ले और दृश्य सौंदर्यशास्त्र जैसी बुनियादी सुविधाओं को बढ़ाया गया है। इसके अलावा, चार प्रमुख क्षमताओं को जोड़ा गया है: जटिल जानकारी का विज़ुअलाइज़ेशन करने की क्षमता, इंटरैक्टिव सटीक संपादन, यथार्थवादी इमेजिंग और पोर्ट्रेट गुणवत्ता, साथ ही मूल भाषाओं में इनपुट और जनरेशन का समर्थन।
उपयोग की लागत इनपुट और आउटपुट छवियों के आकार पर निर्भर करती है। 2.36 मेगापिक्सेल तक के परिणामों के लिए पहली इनपुट छवि मुफ़्त है, जबकि बाद की इनपुट छवियों की कीमत $0.003 और आउटपुट छवियों की कीमत $0.041 है। बड़े परिणामों के लिए कीमतें तदनुसार बढ़ जाती हैं। मॉडल अब Volcengine Ark एक्सपीरियंस सेंटर में उपलब्ध है और Doubao तथा Jimeng प्लेटफॉर्म पर लागू किया जाएगा।
17 परिदृश्यों में व्यापक परीक्षण के दौरान, Seedream 5.0 Pro ने वाणिज्यिक पोस्टरों, यथार्थवादी फोटोग्राफी, स्थानीयकृत सटीक संपादन और बहुभाषी पोस्टर निर्माण में उच्च दक्षता प्रदर्शित की। मॉडल जटिल इन्फोग्राफिक्स, जिनमें तीन-कॉलम लेआउट, रोबोट लागत ब्रेकडाउन विज़ुअलाइज़ेशन और AI HBM चिप आर्किटेक्चर की व्याख्या करने वाले विज्ञान लोकप्रियकरण योजनाएं शामिल हैं, के साथ काम कर सकता है।
ध्यान देने योग्य सुधारों में ग्रिड गाइड के साथ लेआउट शामिल हैं, जो कार्ड प्रारूप में आठ एआई मॉडल श्रेणियों को प्रदर्शित करते हैं, विंटेज चर्मपत्र शैली में विज्ञापन शीतकालीन पोस्टर और ई-कॉमर्स उपयोगकर्ता इंटरफ़ेस लेआउट। मॉडल स्टाइलिंग प्रॉम्प्ट निर्दिष्ट करते समय एक समान दृश्य शैली बनाए रखता है और वाणिज्यिक पोस्टरों के डिजाइन में विशेष शक्ति दिखाता है, जहां टेक्स्ट डिस्प्ले, पदानुक्रम और सजावटी तत्वों की स्थिति विश्वसनीय रूप से काम करते हैं।
सटीक संपादन सुविधाएँ विशिष्ट क्षेत्रों में स्थानीय सामग्री को बदलने की अनुमति देती हैं, जबकि मूल परिप्रेक्ष्य, छाया और आसपास की रोशनी को बनाए रखती हैं। मॉडल लेयर विभाजन, स्केच ड्राइंग और कई भाषाओं में टेक्स्ट जनरेशन का समर्थन करता है, जिसमें चीनी टेक्स्ट डिस्प्ले प्रीव्यू संस्करण की तुलना में काफी बेहतर है, हालांकि घने इन्फोग्राफिक्स में अभी भी चीनी अक्षरों में कुछ जटिल त्रुटियां होती हैं।
Seedream 5.0 Pro AI के माध्यम से छवि जनरेशन के तेजी से विकसित हो रहे परिदृश्य में ByteDance का एक प्रतिस्पर्धी जवाब है, जो ChatGPT Images 2.0 जैसे मॉडलों के साथ प्रतिस्पर्धा करता है। मॉडल का उद्देश्य सूचना डिजाइन, वाणिज्यिक ग्राफिक्स और फोटो-यथार्थवादी आउटपुट में रचनात्मक पेशेवरों की जरूरतों के बीच के अंतर को दूर करना है। सीड टीम जटिल टेक्स्ट डिस्प्ले और विभिन्न जनरेशनों में वर्ण सुसंगतता से जुड़ी शेष समस्याओं को दूर करने पर काम करना जारी रखे हुए है।
वर्ष 2026 की पहली छमाही कृत्रिम बुद्धिमत्ता के लिए एक परिवर्तन का दौर साबित हुई जो छवियों और वीडियो को उत्पन्न करती है। वैश्विक और चीनी डेवलपर्स दोनों ने बड़े रिलीज़ पेश किए, जिससे प्रतिस्पर्धात्मक माहौल बदल गया। उद्योग सामग्री बनाने से हटकर कार्यप्रवाहों के लिए व्यापक समाधान विकसित करने की ओर बढ़ गया, जिसका उदाहरण बाइटडांस का सीडेंस 2.0 मॉडल और मिडजर्नी का एनिमे के लिए विशेष मॉडल है।
जनवरी में मिडजर्नी निजी 7 का लॉन्च हुआ, जिसने एनीमे शैली की विस्तृतता और संगति में सुधार किया, हालांकि पाठ रेंडरिंग अभी भी एक कमजोर पक्ष बना रहा। गूगल ने वीओ 3.1 को 'इंग्रेडिएंट्स टू वीडियो' सुविधा के साथ अपडेट किया, जो वस्तुओं, बनावटों, पृष्ठभूमि और पात्रों को नियंत्रित करने के लिए संदर्भ छवियों का उपयोग करने की अनुमति देता है, साथ ही 4K तक देशी ऊर्ध्वाधर आउटपुट का समर्थन करता है। ज़िपू एआई ने जीएलएम-इमेज का ओपन-सोर्स कोड जारी किया - 16 बिलियन पैरामीटर वाला एक हाइब्रिड आर्किटेक्चर जो टेक्स्ट रेंडरिंग की गुणवत्ता में सुधार के लिए 9बी और 7बी के ऑटोरेग्रेसिव और डिफ्यूजन घटकों को जोड़ता है। इसके अलावा, लूमा एआई ने रे 3.14 जारी किया, जो चार गुना जनरेशन त्वरण और तीन गुना लागत में कमी के साथ 1080पी में देशी आउटपुट प्रदान करता है। टेंसेंट ने इंस्ट्रक्ट और डिस्टिल संस्करणों में हुन्यानइमेज-3.0 प्रस्तुत किया; डिस्टिल संस्करण सैंपलिंग चरणों को कम करके अधिक कुशल परिनियोजन के लिए अनुकूलित है, हालांकि इसके लिए महत्वपूर्ण मेमोरी की आवश्यकता होती है।
फरवरी में चीनी कंपनियों की सक्रियता देखी गई। क्वैशौ ने क्लिंग एआई 3.0 लॉन्च किया, जो 2के और 4के रिज़ॉल्यूशन में छवि निर्माण का समर्थन करता है, साथ ही वीडियो में कथा नियंत्रण और देशी ऑडियो के साथ मल्टीफ्रेम संगति में सुधार करता है। अलीबाबा ने क्यूवेन-इमेज-2.0 प्रस्तुत किया, जो 1000 टोकन तक निर्देशों को संसाधित करने में सक्षम है, जो इन्फोग्राफिक्स, पोस्टरों और प्रस्तुतियों जैसी पाठ-सघन सामग्री बनाने पर केंद्रित है, जिसमें मजबूत बहुभाषी पाठ रेंडरिंग है। बाइटडांस की सीड टीम ने सीडेंस 2.0 प्रस्तुत किया - ऑडियो-वीडियो जनरेशन के लिए एक एकीकृत मल्टीमॉडल आर्किटेक्चर जो टेक्स्ट, छवि, ऑडियो और वीडियो इनपुट लेता है, 15 सेकंड तक की अवधि वाले मल्टीफ्रेम ऑडियोविज़ुअल कंटेंट बनाने के लिए 9 संदर्भ छवियों, 3 वीडियो क्लिप और 3 ऑडियो क्लिप का उपयोग करता है। इस मॉडल ने सिनेमाई भाषा और गति भौतिकी के क्षेत्र में उत्कृष्ट क्षमता प्रदर्शित की, हालांकि इसने तुरंत कॉपीराइट और बौद्धिक संपदा के संबंध में चर्चाएँ शुरू कर दीं।
मार्च से जून की अवधि प्रौद्योगिकी के आगे के विकास की विशेषता थी। बाइटडांस ने सीड्रीम 5.0 लाइट जारी किया, जिसने वास्तविक समय खोज के माध्यम से सुधार सहित पीढ़ी की सटीकता बढ़ाने के लिए गहन विचार पर ध्यान केंद्रित किया। गूगल ने नैनो बनाना 2 प्रस्तुत किया, इसे प्रो संस्करण का एक तेज़ और अधिक किफायती विकल्प बताते हुए। कुनलुन के स्काईरील्स-वी4 मॉडल ने ऑडियो को छोड़कर टेक्स्ट-टू-वीडियो कार्यों में वैश्विक रैंकिंग में दूसरा स्थान हासिल किया। बाइटडांस ने सीडेंस आरएल भी प्रस्तुत किया, जो कार्रवाई की गुणवत्ता में सुधार के लिए सुदृढीकरण शिक्षण का उपयोग करने वाला एक तर्क तत्वों वाला वीडियो मॉडल है। शियाओमी ने एआई कॉमिक्स बनाने के लिए मियाओमी लॉन्च किया। एंथ्रोपिक ने क्लॉड मिथोस 5 के साथ सिनेमाई जनरेशन की प्रभावशाली क्षमताओं का प्रदर्शन किया, जो दृश्यों के बीच चरित्र स्थिरता सुनिश्चित करता है। क्लिंग एआई ने अपना एपीआई मार्केटप्लेस खोला। अलीबाबा क्लाउड ने हैप्पी हॉर्स 1.1 जारी किया, जिसका लक्ष्य छोटी नाटकीय कहानियों और विज्ञापनों के लिए उपयुक्त गुणवत्ता है। कुल मिलाकर, उद्योग ने एक स्पष्ट प्रवृत्ति दिखाई: मॉडल स्वायत्त जनरेशन उपकरणों से एकीकृत कार्यप्रवाह प्लेटफार्मों में बदल रहे हैं जो सामग्री उत्पादन के हर चरण में मल्टी-संदर्भ इनपुट, देशी ध्वनि और सटीक गति नियंत्रण का समर्थन करते हैं।
