مدل Kromoss با کاهش گام‌های تولید تصویر از ۵۰ به ۸، سرعت MOSS-Image را متحول کرد
توسعه‌دهندگان با معرفی مدل Kromoss و ادغام آداپتورهای توربو با مدل تصویری ۵ میلیارد پارامتری MOSS-Image، تعداد گام‌های لازم برای تولید تصویر را از ۵۰ به ۸ گام کاهش دادند. این بهینه‌سازی بدون نیاز به تغییر در معماری پایپلاین، سرعت پردازش را بهشکل چشمگیری ارتقا می‌دهد.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل Kromoss با افزودن آداپتورهای تقطیرشده LoRA، مسیر پیش‌فرض نمونه‌برداری مدل MOSS-Image را از ۵۰ گام به تنها ۸ گام کاهش می‌دهد.
- این نسخه سازگاری کاملی با پایپلاین قبلی دارد و از انکودر متنی Qwen3.5-9B، دیکودر FLUX.2 و ساختار گراف ComfyUI پشتیبانی می‌کند.
- به‌دلیل بارگذاری هم‌زمان انکودر متنی ۹ میلیاردی و دیکودر VAE، میزان حافظه گرافیکی مورد نیاز فراتر از حجم ترنسفورمر ۵ میلیاردی است.
Kromoss، چک‌پوینت جدید جامعه کاربری از تیم لوداستونز (lodestones)، پس از ادغام دو آداپتور تقطیرشده توربو با مدل تصویری ۵ میلیارد پارامتری OpenMOSS، به‌سرعت به صدر جدول ترندهای هاگینگ فیس راه یافته است. این نسخه در واقع یک فاین‌تیون تمام‌پارامتر از مدل MOSS-Image-Base محسوب می‌شود که به کمک آداپتورهای LoRA، مسیر پیش‌فرض نمونه‌برداری (سمپلینگ) را از ۵۰ گام به تنها ۸ گام کاهش می‌دهد.
توسعه‌دهندگانی که پیش‌تر از کد MOSS-Image استفاده می‌کردند، می‌توانند بدون نیاز به تغییر معماری پایپلاین، چک‌پوینت SFT را جایگزین کنند. Kromoss همان انکودر متن، VAE، فرمت پرامپت، کنترل‌های چیدمان با فرمت JSON و ساختار گراف ComfyUI را حفظ کرده است.
پایه ۵ میلیاردی؛ توسعه‌یافته برای متن و چیدمان‌های بصری
تیم OpenMOSS نسخه‌های MOSS-Image-Base و MOSS-Image-SFT را در ۱۶ اکتبر ۲۰۲۶ منتشر کرد. این نسخه که تحت مجوز آپاچی ۲٫۰ (Apache 2.0) عرضه شده است، از معماری ترنسفورمر دیفیوژن (Diffusion Transformer) بهره می‌برد؛ مدلی که با حذف گام‌به‌گام نویز تحت هدایت پرامپت متنی، تصاویر را خلق می‌کند. این مدل از پرامپت‌های طولانی تا سقف ۴۰۰۰ توکن، رندر دقیق متن به زبان‌های انگلیسی و چینی، سبک‌های واقع‌گرایانه و انیمه و همچنین پرامپت‌های ساختاریافته JSON برای تعیین اشیا، متن‌ها و موقعیت مکانی آن‌ها در تصویر پشتیبانی می‌کند.
مدل Kromoss با حفظ همان معماری، از انکودر متنی Qwen3.5-9B در کنار دیکودر FLUX.2 small VAE بهره می‌برد. عنوان ۵ میلیاردی تنها مربوط به ترنسفورمر تصویر است؛ در حالی که محیط اجرای کامل (Runtime) باید انکودر متنی ۹ میلیاردی، VAE و مقادیر فعال‌سازی میانی را نیز در حافظه بارگذاری کند. به همین دلیل، کل حافظه ویدیویی (VRAM) مورد نیاز فراتر از حجم پارامترهای خود ترنسفورمر خواهد بود.
بخش | پیکربندی Kromoss | تأثیر بر توسعه‌دهندگان |
|---|---|---|
مدل تصویر | ترنسفورمر ۵ میلیاردی MOSS-Image | سازگار با پایپلاین موجود MOSS |
انکودر متن | Qwen3.5-9B | پشتیبانی از پرامپت‌های طولانی، اما نیازمند حافظه گرافیکی قابل‌توجه |
دیکودر | FLUX.2 small VAE | اجرا با دقت float32 در پیکربندی پیشنهادی |
ورودی چیدمان | زبان طبیعی و JSON | حفظ قابلیت استفاده از پرامپت‌های چیدمان ساختاریافته قبلی |
سمپلینگ پیش‌فرض | ۵۰ گام، CFG برابر ۳ | استفاده از پردازش بدون شرط با پرش از لایه‌ها (Layer-skipped) |
سمپلینگ توربو | ۸ گام، CFG برابر ۱ | نیازمند استفاده از یکی از آداپتورهای ادغام‌نشده LoRA |
نتایج ارزیابی و امتیازهای ثبت‌شده به چه معناست؟
در گزارش این نسخه، نتایج ارزیابی بر اساس ۱۰۰ پرامپت از بنچمارک PartiPrompts با استفاده از مدل CLIP ViT-L/14 منتشر شده است. امتیازهای ارزیابی CLIP نشان می‌دهند که تصویر تولیدشده تا چه اندازه با مفاهیم متنی پرامپت هم‌خوانی دارد؛ بر این اساس، نمرات بالاتر بیانگر هماهنگی و انطباق دقیق‌تر تصویر با متن ورودی هستند.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
دیل از مدل‌های هوش مصنوعی Pangaea رونمایی کرد؛ پاسخ سریع و ارزان به پرسش‌های حقوق‌ودستمزد
شرکت دیل از دو مدل زبانی تخصصی به نام Pangaea برای پاسخ‌گویی به پرسش‌های منابع انسانی و محاسبات حقوق‌ودستمزد رونمایی کرد. این مجموعه معتقد است استفاده از مدل‌های کوچک‌ترِ آموزش‌دیده روی داده‌های معتبر، علاوه بر افزایش چشمگیر سرعت پاسخ‌دهی، هزینه‌های سنگین پردازش هوش مصنوعی را بهشکل قابل‌توجهی کاهش می‌دهد.
خانه‌هایی برای تراشه‌ها، نه انسان‌ها؛ چرا مراکز داده هوش مصنوعی در حال بلعیدن اقتصاد هستند؟
درک تامپسون، نویسنده سرشناس حوزه فناوری، در گفت‌وگویی خواندنی از پیامدهای اقتصادی رونق هوش مصنوعی سخن می‌گوید. به باور او، سرمایه‌گذاری سرسام‌آور روی مراکز داده در حال بلعیدن منابع حیاتی ساخت مسکن و بیمارستان‌ها است و تراشه‌ها جای انسان‌ها را در اولویت‌های ساخت‌وساز گرفته‌اند.
استارتاپ Recursive با مدل کدنویسی Flint ایده جنجالی خودبهبودبخشی هوش مصنوعی را به واقعیت نزدیک کرد
استارتاپ ریکرسیو از مدل کدنویسی وزن‌باز Flint رونمایی کرد که بیشتر بخش‌های چرخه توسعه آن توسط خود هوش مصنوعی طراحی و بهینه‌سازی شده است. این دستاورد نشان می‌دهد رویکرد بحث‌برانگیز خودبهبودبخشی بازگشتی بیش از هر زمان دیگری به یک واقعیت ملموس تبدیل شده است.
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.