Kurs
ChatGPT'yi Anlamak
1 sa
436.4K
Stability AI, metinden-görüntüye üretken yapay zeka modeli Stable Diffusion 3’ün erken bir ön izlemesini duyurdu. OpenAI’nin geçen haftaki Sora metinden videoya duyurusunun aksine, modelin yeni yeteneklerine dair sınırlı sayıda gösterim vardı, ancak bazı detaylar paylaşıldı. Bu yazıda, duyurunun ne anlama geldiğini, yeni modelin nasıl çalıştığını ve görüntü üretiminin ilerlemesi açısından bazı sonuçlarını inceliyoruz.
Stable Diffusion 3 nedir?
Stable Diffusion, metinden-görüntüye üretken yapay zeka modellerinden oluşan bir seridir. Yani, görmek istediğinizi tanımlayan bir istem yazarsınız ve model bu açıklamaya uyan bir görüntü oluşturur. Yapay zekaya kolay erişim için bir web kullanıcı arayüzü bulunur.
OpenAI’nin rakip görüntü üretim modeli DALL·E’den önemli bir farkı, “açık ağırlıklara” sahip olmasıdır. Yani, modelin hesaplamalarını sağlayan sinir ağının detayları kamuya açıktır. Bu da modelin nasıl çalıştığına dair bir ölçüde şeffaflık sağlar ve araştırmacıların Stability AI’nin çalışmalarını uyarlayıp üzerine inşa etmesine imkân tanır.
Stable Diffusion 3 tek bir model değil, 800 milyon parametreden 8 milyar parametreye kadar değişen boyutlarda bir model ailesidir. Daha fazla parametre, çıktının kalitesini yükseltir; ancak görüntülerin oluşturulmasının daha pahalı ve uzun sürmesi gibi yan etkileri vardır. Daha az parametreli sürümler basit görüntüler oluşturmada daha iyi iken, daha fazla parametreli sürümler daha yüksek kaliteli veya daha karmaşık görüntüler üretmeye daha uygundur.
Stable Diffusion 3 nasıl çalışır?
Stable Diffusion 3, Sora’nın kullandığına benzer bir difüzyon dönüştürücü (diffusion transformer) mimarisi kullanır. Stable Diffusion’ın önceki sürümleri—ve güncel görüntü üretim modellerinin çoğu—bir difüzyon modeli kullanır. Metin üretimi için büyük dil modelleri, örneğin GPT, bir dönüştürücü (transformer) mimarisi kullanır. Bu iki yaklaşımın birleştirilebilmesi yakın dönemdeki bir yeniliktir ve her iki mimarinin en iyi yönlerinden faydalanma vaadi taşır.
Difüzyon modelleri, küçük bölgelerde ayrıntı üretmede başarılıdır ancak bir görüntünün genel yerleşimini oluşturmada zayıftır. Buna karşılık, dönüştürücüler yerleşimde iyidir fakat ayrıntı üretmede zayıf kalır. Bu nedenle, Stable Diffusion’ın genel kompozisyonu düzenlemek için bir dönüştürücü, ardından yamaları üretmek için difüzörler kullanması muhtemeldir.
Bu da Stable Diffusion 3’ün, karmaşık sahneleri düzenlemede seleflerine göre daha iyi performans göstermesini bekleyebileceğimiz anlamına gelir.
Duyuruda ayrıca Stable Diffusion 3’ün flow matching adlı bir teknik kullandığı belirtiliyor. Bu, modelleri eğitmek ve bu modellerden görüntü üretmek için mevcut difüzyon yolu tekniğinden daha hesaplama açısından verimli bir yöntemdir. Bu da yapay zekanın geliştirilmesinin daha ucuz olduğu ve yapay zekayla üretilen görüntülerin de daha düşük maliyetle ortaya çıktığı, dolayısıyla toplam maliyetlerin azaldığı anlamına gelir.
Stable Diffusion 3’ün sınırlamaları neler?
Görüntü üretim yapay zekasının mevcut sınırlamalarından biri, metin oluşturma yeteneğidir. Dikkat çekici biçimde, Stability AI duyurusu modelin adını, “Stable Diffusion 3”ü içeren bir görselle başladı. Metindeki harflerin konumlandırması iyi ama mükemmel değil: Stable kelimesindeki “B” ile “L” arasındaki mesafenin “L” ile “E” arasındaki mesafeden daha geniş olduğuna dikkat edin. Benzer şekilde, Diffusion kelimesindeki iki “F” birbirine fazla yakın. Ancak genel olarak, bu önceki nesil modellere göre belirgin bir iyileşme.
İstem: Geceleri bir dağın tepesinde duran bir büyücünün, karanlık gökyüzüne “Stable Diffusion 3” yazan kozmik bir büyü yapmasını betimleyen destansı anime illüstrasyonu; yazı renkli enerjiden oluşuyor
Modellerle ilgili bir diğer sorun da difüzörlerin görüntünün yamalarını ayrı ayrı üretmesi nedeniyle görüntü bölgeleri arasında tutarsızlıkların oluşabilmesidir. Bu, özellikle gerçekçi görüntüler üretmeye çalışırken daha büyük bir problemdir. Duyuru gönderisinde çok fazla gerçekçi örnek yer almadı, ancak şehir caddesinde bir otobüs görseli bu sorunların birkaç örneğini ortaya koyuyor. Otobüsün altındaki gölge, ışığın otobüsün arkasından geldiğini düşündürürken, caddedeki bir binanın gölgesi ışığın görüntünün solundan geldiğini gösteriyor. Benzer şekilde, görüntünün sağ üst köşesindeki binanın pencerelerinin konumlandırması, binanın farklı bölgelerinde biraz tutarsız. Ayrıca otobüsün şoförü yok; gerçi bu, daha dikkatli bir istemle düzeltilebilir.
Stable Diffusion 3’e nasıl erişebilirim?
Stable Diffusion 3 şu anda “erken ön izleme” aşamasında. Bu, yalnızca araştırmacıların test amaçlı erişimine açık olduğu anlamına gelir. Ön izleme süreci, modelin performansı ve güvenliği hakkında geri bildirim toplanmasına ve halka açılmadan önce değerlendirilmesine olanak tanımak içindir.
Yapay zekaya erişim için bekleme listesine buradan katılabilirsiniz.
Stable Diffusion 3’ün kullanım alanları neler?
Görüntü üretim modelleri, illüstrasyonlardan grafik tasarıma, pazarlama materyallerine kadar pek çok kullanım alanı buldu. Stable Diffusion da benzer biçimde kullanılabilir olmayı vaat ediyor; buna ek olarak, daha karmaşık yerleşimlere sahip görüntüler üretebilmesi olası bir avantaj.
Stable Diffusion 3’ün riskleri neler?
Stable Diffusion’ın eğitildiği veri kümesi, telif haklı bazı görselleri içeriyordu ve bu durum halen sonuçlanmamış birkaç davaya yol açtı. Bu davaların sonucunun ne olacağı belirsiz, ancak teorik olarak Stable Diffusion ile oluşturulan herhangi bir görselin de telif hakkı ihlali sayılması mümkün.
Henüz Neleri Bilmiyoruz?
Stable Diffusion 3’ün tam teknik detayları henüz paylaşılmış değil ve özellikle yapay zekanın performansını test etmenin bir yolu yok. Model kamuya sunulup kıyaslamalar yerleştikten sonra, yapay zekanın önceki modellere göre ne kadar ilerleme sağladığı anlaşılabilecek. Ayrıca, bir görüntü üretmenin süre ve maliyet gibi diğer faktörleri de netleşecek.
OpenAI’nin DALL·E 3 makalesinde güçlü şekilde savunduğu, ancak Stability AI duyurusunda bahsedilmeyen bir teknik gelişme de yeniden altyazılama (recaptioning) idi. Bu, kullanıcının yazdığı metnin otomatik olarak yeniden yapılandırılıp modele daha net talimatlar vermek üzere ayrıntılandırıldığı bir tür otomatik istem mühendisliğidir. Stable Diffusion 3’ün bu teknikten yararlanıp yararlanmadığı bilinmiyor.
Kapanış düşünceleri
Stable Diffusion 3, metinden-görüntüye üretken yapay zekada bir ileri adım olma vaadi taşıyor. Yapay zeka kamuya açıldıktan sonra daha kapsamlı şekilde test edip yeni kullanım alanları keşfedebileceğiz. Üretken yapay zeka dünyasına adım atmak için sabırsızlanıyorsanız, AI Fundamentals beceri yolumuz makine öğrenmesi, derin öğrenme, NLP, üretken modeller ve daha fazlasına hızla hâkim olmanıza yardımcı olacaktır.
Yapay zeka dünyasındaki en güncel kaynaklar için aşağıdaki listeye göz atın:
Konular
