مدل هوش مصنوعی Krea 3 معرفی شد؛ ویرایش فوق‌سریع تصاویر 2K با ۷۱ درصد هزینه کمتر از رقبا

استارتاپ کریا دسترسی بتای عمومی به Krea 3، مدل پایه و اختصاصی خود برای ویرایش تصاویر را آغاز کرد. طبق اعلام این شرکت، مدل جدید می‌تواند کل فرآیند ویرایش تصاویر با وضوح 2K را در زمانی کمتر از هشت ثانیه به پایان برساند؛ آن هم با قیمتی به‌مراتب پایین‌تر از مدل‌های رقیب گوگل و اوپنای‌آی. کریا همچنین ادعا می‌کند تنها آزمایشگاه مستقلی است که نامش در میان ۱۰ مدل برتر لیدربوردهای عمومی ویرایش تصویر به چشم می‌خورد.

دو حالت Fast و Ultra؛ تعادل میان سرعت پردازش و کیفیت بصری

مدل Krea 3 در دو حالت پاسخ‌دهی (استنتاج) ارائه می‌شود. حالت سریع (Fast) اولویت را به حداقل رساندن زمان پاسخ‌دهی اختصاص می‌دهد و رکورد تبلیغ‌شده ویرایش تصاویر 2K در کمتر از هشت ثانیه به این حالت مربوط است. در سوی دیگر، حالت اولترا (Ultra) توان پردازشی بیشتری را صرف حفظ دقیق جزئیات و کیفیت بصری تصویر می‌کند؛ این نسخه در ارزیابی‌های کریا توانست در رتبه چهارم لیدربوردها و درست پس از سه مدل تصویری اوپنای‌آی قرار گیرد.

کریا در بنچمارک معتبر CPI-Bench شرکت علی‌بابا، به امتیاز ۴٫۸۱ از ۵ دست یافته که Krea 3 را در جایگاه دوم و درست پشت سر GPT Image 2.5 می‌نشاند. البته رتبه‌بندی‌های لیدربورد با افزوده شدن مدل‌های جدید و آرا دائماً تغییر می‌کنند و نتایج اعلام‌شده را باید بازتابی از وضعیت فعلی بازار دانست، نه جایگاهی همیشگی و تثبیت‌شده.

شش سنت برای هر ویرایش تصویر با کیفیت 2K

کریا قیمت نسخه بتا را ۰٫۰۳ دلار برای ویرایش تصاویر با وضوح 1K و ۰٫۰۶ دلار برای وضوح 2K تعیین کرده است. بر اساس مقایسه‌های قیمتی این شرکت، تعرفه نسخه 2K حدود ۵۶ درصد ارزان‌تر از مدل Nano Banana Pro و ۷۱ درصد پایین‌تر از GPT Image 2.5 تمام می‌شود.

کریا دلیل اصلی این کاهش چشمگیر در تأخیر و هزینه‌ها را به رویکرد «پردازش ناحیه‌ای» نسبت می‌دهد. در این روش، مدل به‌جای پردازش مجدد کل تصویر، تمرکز محاسباتی خود را فقط بر بخش انتخابی می‌گذارد و پیکسل‌های سایر نقاط را دست‌نخورده نگه می‌دارد؛ رویکردی که حجم بار کاری مورد نیاز برای تغییرات موضعی را به‌شدت کاهش می‌دهد. با این حال، کریا هنوز جزئیات معماری کافی برای ارزیابی مستقل این ادعا از سوی کارشناسان را منتشر نکرده است.

ویرایش موضعی بدون دستکاری بخش‌های دیگر تصویر

مدل Krea 3 اختصاصاً برای اعمال تغییرات کنترل‌شده روی تصاویر موجود طراحی شده است. کاربر می‌تواند یک کادر انتخابی (Bounding Box) دور بخش دلخواه رسم کند، تغییرات مورد نظرش را شرح دهد و در چند مرحله گفت‌وگو نتیجه را اصلاح کند؛ در تمام این مراحل، مدل تلاش می‌کند چهره‌ها، نورپردازی، ترکیب‌بندی و پس‌زمینه خارج از کادر انتخابی را کاملاً دست‌نخورده نگه دارد.

• ویرایش با کادر انتخابی: اعمال تغییرات درخواستی را دقیقاً به ناحیه مشخص‌شده محدود می‌کند.
• تصاویر مرجع: به گفته کریا، بسته به چرخه کاری از ۶ تا ۸ تصویر مرجع برای هدایت ویرایش پشتیبانی می‌شود.
• ویرایش چندمرحله‌ای: دستورات متوالی را اعمال می‌کند و هم‌زمان تغییرات مراحل قبلی را حفظ می‌نماید.
• پرامپت با کدهای رنگی هگز: امکان تعریف دقیق رنگ اشیا را با استفاده از کدهای رنگی هگزادسیمال فراهم می‌سازد.
• خروجی نیتیو 2K: نتایج را مستقیماً با وضوح 2K تولید می‌کند و نیازی به مرحله مجزای ارتقای کیفیت (Upscaling) ندارد.

پردازش ناحیه‌ای زمانی اهمیت واقعی خود را نشان می‌دهد که جریان کاری نیازمند یک تغییر کنترل‌شده باشد؛ مانند تعویض جنس پارچه یک کت یا تغییر رنگ بسته‌بندی یک محصول، بدون آنکه در هر مرحله کل فریم تصویر از نو بازتولید شود.

بنچمارک‌ها از برتری کریا در سرعت و قیمت حکایت دارند

داده‌های این جدول بر پایه محاسبات و نرخ‌های رسمی منتشرشده توسط کریا تنظیم شده‌اند. در کاربردهای واقعی، میزان تأخیر پردازش به سربار ارائه‌دهنده سرویس، صف پردازش سرورها، موقعیت جغرافیایی، درخواست‌های هم‌زمان، ابعاد تصویر ورودی و حالت انتخابی استنتاج بستگی خواهد داشت. کریا هنوز متدولوژی کامل و تکرارپذیری که شرایط سخت‌افزاری و محیطی کاملاً یکسان برای تمام مدل‌ها را اثبات کند، ارائه نکرده است.

APIهای ابری، پلاگین‌های طراحی و امکان خرید لایسنس وزن‌ها

دسترسی به سرویس‌های ابری این مدل از طریق پلتفرم خود کریا و ارائه‌دهندگان زیرساخت استنتاج نظیر fal، Together AI، Baseten و سایر شرکا فراهم شده است. البته محدودیت‌های اختصاصی هر ارائه‌دهنده، کیت‌های توسعه نرم‌افزار (SDK)، روش‌های احراز هویت، محدودیت نرخ درخواست و شرایط پرداخت در میان این شرکت‌ها متفاوت است.

کریا همچنین از یکپارچه‌سازی مدل خود با نرم‌افزارهای محبوب فتوشاپ، افتر افکتس، پریمیر پرو، داوینچی ریزالو، بلندر و چت‌بات ChatGPT خبر داده است. این افزونه‌ها امکان ویرایش موضعی را مستقیماً به محیط‌های استاندارد طراحی، تدوین ویدیو و شبیه‌سازی سه‌بعدی اضافه می‌کنند.

سازمان‌ها و شرکت‌های بزرگ می‌توانند با دریافت لایسنس تجاری وزن‌های مدل، آن را روی سرورهای اختصاصی خود مستقر کنند، مدل را بر اساس داده‌های شرکتی فاین‌تیون نمایند یا الزامات قانونی حفظ داده‌ها در محل را رعایت کنند. وزن‌های Krea 3 به‌صورت متن‌باز یا عمومی منتشر نشده‌اند و کریا نیز هنوز قیمت‌های رسمی لایسنس یا حداقل سخت‌افزار مورد نیاز را اعلام نکرده است.

بهترین گزینه برای فرآیندهای تجاری و تولید محتوا

مدل Krea 3 بیشترین کاربرد را در جریان‌های کاری دارد که نیازمند حفظ بخش عمده تصویر و دستکاری صرفاً یک المان خاص هستند. از مهم‌ترین کاربردهای این فناوری می‌توان به ساخت تنوع برای محصولات فروشگاه‌های اینترنتی، طراحی ماکت‌های بسته‌بندی، متناسب‌سازی تصاویر کمپین‌های تبلیغاتی، نورپردازی مجدد پلان‌های سینمایی، اصلاحات موضعی و تغییر ظاهر کاراکترها در طول یک سکانس اشاره کرد.

باید توجه داشت که Krea 3 تصویری را از صفر و صرفاً بر اساس متن خلق نمی‌کند؛ مدل قبلی این شرکت یعنی Krea 2 همچنان به‌عنوان مدل تبدیل متن به تصویر و با وزن‌های باز در دسترس است، در حالی که Krea 3 یک مدل تجاری و اختصاصی ویرایش تصویر به حساب می‌آید که تنها از طریق سرویس‌های ابری یا خرید مجوز تجاری وزن‌ها در اختیار کاربران قرار می‌گیرد.

کریا اعلام کرده است که سریع‌ترین پیکربندی این مدل می‌تواند ویرایش‌ها را در مدت تقریبی چهار تا پنج ثانیه بازگرداند، هرچند ادعای رسمی زمان رونمایی، پردازش کامل در کمتر از هشت ثانیه است. این شرکت مدل کنونی را سیستمی بی‌درنگ (Real-time) توصیف نمی‌کند؛ موضوعی که استفاده از آن را برای پردازش تعاملی ویدیو یا ویرایش زنده فریم‌به‌فریم محدود می‌سازد.

فاین‌تیون اختصاصی در نقشه راه آینده

کریا آموزش به روش لورا (LoRA) و پشتیبانی گسترده‌تر از سبک‌های مرجع را جزو برنامه‌های آتی خود اعلام کرده است و این قابلیت‌ها در نسخه بتای فعلی حضور ندارند. لورا روشی کارآمد و سبک برای فاین‌تیون است که با افزودن تعداد محدودی پارامتر، مدل را با نیازهای جدید منطبق می‌سازد؛ این قابلیت می‌تواند به تیم‌های طراحی کمک کند تا محصولات تجاری، چهره اشخاص و سبک‌های بصری مشخص را با ثبات و یکدستی بیشتری بازتولید نمایند.

با این حال، سنجش کارایی واقعی این مدل در مقیاس صنعتی نیازمند جزئیاتی است که کریا در زمان عرضه ارائه نکرده است؛ از جمله تضمین‌های سطح خدمات (SLA)، توان عملیاتی در زمان هجوم درخواست‌های هم‌زمان، سیاست‌های ممیزی محتوا، شرایط نگهداری داده‌ها، فرمت‌های ورودی پشتیبانی‌شده و جزئیات قراردادهای تجاری. این عوامل مشخص خواهند کرد که آیا مزیت‌های ادعاشده در بنچمارک‌ها، در محیط‌های عملیاتی و واقعی نیز پابرجا خواهند ماند یا خیر.