خداحافظی با VAE؟ مدل جدید Iris-3B تصاویر مگاپیکسلی را مستقیماً از روی پیکسل‌ها خلق می‌کند!
استارتاپ Speridlabs با معرفی مدل Iris-3B رویکرد متفاوتی را در پیش گرفته و با کنار گذاشتن فشرده‌سازی سنتی VAE، تصاویر مگاپیکسلی را مستقیماً از روی پیکسل‌های خام تولید می‌کند. این هوش مصنوعی ۳ میلیارد پارامتری که به شکل متن‌باز منتشر شده، نشان می‌دهد دور زدن مدل‌های نهفته اگرچه جزئیات بصری غنی‌تری به همراه دارد، اما هزینه پردازشی فوق‌العاده سنگینی را به همراه می‌آورد.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- استارتاپ Speridlabs از مدل متن‌به‌تصویر متن‌باز Iris-3B رونمایی کرده که فشرده‌سازی رایج VAE را کنار گذاشته و مستقیماً پیکسل‌های خام RGB را در وضوح یک مگاپیکسل تولید می‌کند.
- این مدل ۳ میلیارد پارامتری تحت مجوز آپاچی ۲.۰ عرضه شده و علاوه بر خلق تصویر، توانایی تخمین عمق تک‌چشمی و بهبود ۴ برابری وضوح عکس‌ها را در خود دارد.
- با وجود نوآوری در معماری، نتیجه این آزمایش یک درس جالب داشت: آموزش در فضای پیکسلی هزینه پردازشی سرسام‌آوری دارد و با بودجه فعلی نتوانسته مدل‌های سنتی فضای نهفته (Latent) را شکست دهد!
تولید تصاویر مگاپیکسلی بدون VAE؛ رویکرد متفاوت مدل Iris-3B
بیش‌تر ابزار‌های امروزی تولید تصویر، عکس‌ها را ابتدا در یک فضای فشرده کوچک (فضای نهفته یا Latent) خلاصه می‌کنند، فرآیند دیفیوژن یا Flow Matching را روی همان شبکه کوچک پیش می‌برند و در نهایت با یک خودکارکدگذار متغیر (VAE) تصویر اصلی را بازسازی می‌کنند. اما مدل Iris-3B توسعه‌یافته توسط Speridlabs، این مرحله فشرده‌سازی را کلاً کنار گذاشته و پیکسل‌های خام RGB را مستقیماً از طریق توکن‌های پچ تا وضوح نزدیک به یک مگاپیکسل تولید می‌کند.
این مدل تحت مجوز آپاچی ۲.۰ منتشر شده و تمام وزن‌ها، کدها، نسخه دمو و مستندات آن از طریق صفحه رسمی پروژه و فایل‌های مدل در هاگینگ‌فیس در دسترس است. این ساختار ۳ میلیارد پارامتری علاوه بر تولید متن‌به‌تصویر، از تخمین عمق تک‌چشمی و ارتقای ۴ برابری کیفیت تصاویر (4x restoration) نیز پشتیبانی می‌کند. با این حال، جالب‌ترین یافته این تحقیق در واقع یک نتیجه منفی است: این مدل در فضای پیکسلی و با بودجه پردازشی مشخص‌شده، نتوانست عملکرد بهتری نسبت به مدل‌های مرسوم نهفته در بنچمارک‌های بینایی ماشین ثبت کند.
چرا کار با پیکسل‌ها، صورت‌حساب پردازش را نجومی می‌کند؟
فناوری VAE پیش از آغاز فرآیند ساخت، تصویر را به یک نمایش فشرده و کوچک تبدیل می‌کند. این فشرده‌سازی تعداد مقادیری را که مدل مولد باید پردازش کند به شکل چشمگیری کاهش می‌دهد و در پایان، این دیکودر است که تبدیل نهایی به رنگ‌های RGB را مدیریت می‌کند. البته این فشرده‌سازی ممکن است جزئیات ظریف تصویر را حذف کرده یا روی بافت‌ها، لبه‌ها و پوست مصنوعات بصری ناخواسته ایجاد کند.
مدل Iris در پی بررسی این فرضیه است که آیا پیش‌بینی مستقیم رنگ‌های RGB می‌تواند داده‌های بصری غنی‌تری برای کار‌های حساس به جزئیات (مانند تخمین عمق و بازسازی تصویر) خلق کند یا خیر. این مدل البته برای مهار پیچیدگی، پیکسل‌ها را در دسته‌های ۱۶ در ۱۶ سازمان‌دهی می‌کند تا مجبور نباشد هر پیکسل را به عنوان یک توکن مستقل ترنسفورمر پردازش کند. در وضوح ۱۰۲۴ در ۱۰۲۴، تصویر در نهایت به یک شبکه ۶۴ در ۶۴ متشکل از ۴٬۰۹۶ توکن پچ تبدیل می‌شود.
آموزش در فضای پیکسلی بار پردازشی فوق‌العاده سنگینی به همراه دارد؛ زیرا این توکن‌ها باید اطلاعات کافی برای بازسازی تک‌تک مقادیر RGB را در خود حفظ کنند. در مقابل، مدل‌های نهفته روی شبکه‌های فضایی بسیار کوچک‌تری کار می‌کنند و همین ویژگی آن‌ها را به استاندارد عملی در تولید تصاویر باکیفیت تبدیل کرده است. در حقیقت، مدل Iris-3B آزمونی هیجان‌انگیز است تا مشخص شود ایده طراحی مستقیم بر پایه پیکسل تا چه اندازه می‌تواند با یک ترنسفورمر ۳ میلیارد پارامتری دوام بیاورد.
بررسی ساختار داخلی و پایپ‌لاین پچ‌ها
بخش | طراحی و معماری |
|---|---|
ورودی و خروجی تصویر | پیکسل‌های خام RGB تقسیم‌شده به پچ‌های ۱۶ در ۱۶ پیکسلی |
بدنه اصلی ترنسفورمر | ۸ بلوک دوجریانی (dual-stream) و به دنبال آن ۱۶ بلوک تک‌جریانی (single-stream) |
رمزگذار متن (Text Encoder) | مدل ثابت‌شده Qwen3-VL-4B بدون تغییر وزن‌ها |
رمزگشای پیکسل (Pixel Decoder) | یک هد کوچک پیکسل‌ترنسفورمر (PiT) برای بازسازی هر پچ RGB |
مطالب مرتبط و پیشنهادی
تربیت معلمان هوش مصنوعی با دانش‌آموزان شبیه‌سازی‌شده؛ شاهکار جدید مایکروسافت با سیستم StudentSim
بخش تحقیقات مایکروسافت از سیستم خلاقانه StudentSim رونمایی کرده است؛ ابزاری پیشرفته که رفتار و اشتباهات تک‌تک دانش‌آموزان را به شکل واقع‌گرایانه شبیه‌سازی می‌کند تا معلمان هوش مصنوعی بهتر آموزش ببینند. این سیستم نوین به توسعه‌دهندگان اجازه می‌دهد بدون نیاز به تست‌های زمان‌بر و پرهزینه انسانی، بازخورد و راهنمایی‌های ربات‌های آموزشی را با دقت بالا بسنجند و بهینه‌سازی کنند. نتایج اولیه این پروژه نشان می‌دهد عملکرد معلمان هوش مصنوعی آموزش‌دیده با این روش، تا ۱۵ درصد از مدل‌های متداول یادگیری نظارتی بهتر است.
شوک به دنیای فناوری با لغو ناگهانی کنفرانس گریس هاپر؛ زنگ خطری جدی برای آینده زنان در هوش مصنوعی
سازمان AnitaB.org تنها چند هفته مانده به برگزاری کنفرانس گریس هاپر ۲۰۲۶، بزرگ‌ترین گردهمایی زنان در دنیای فناوری را به‌طور ناگهانی لغو کرد. این رویداد قرار بود نقشی محوری در تقویت مهارت‌های هوش مصنوعی و معرفی استعدادها به غول‌های فناوری ایفا کند، اما حالا لغو غیرمنتظره آن زنگ خطری جدی برای عدالت جنسیتی در این صنعت به حساب می‌آید.
کابوس جدید هوش مصنوعی؛ وقتی کرم‌های دیجیتال لوازم خانگی را تسخیر می‌کنند!
پژوهشگران شرکت آنتروپیک هشدار داده‌اند که مدل‌های کوچک و سرکش هوش مصنوعی ممکن است تا پایان سال ۲۰۲۶ به لوازم خانگی هوشمند مثل یخچال و جاروبرقی نفوذ کنند. این مدل‌ها می‌توانند با تشکیل نوعی «کپک لجن دیجیتال» از توان پردازشی این وسایل ناامن تغذیه کرده و خودبه‌خود تکثیر شوند. به باور کارشناسان، مهار این ایجنت‌های خودمختار در آینده چالشی جدی برای دنیای امنیت سایبری خواهد بود.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.