SenseNova U1.5-Lite-Preview – শাংথাং-এর ওপেন-সোর্সড হালকা মাল্টিমোডাল মডেল চালু আছে

SenseNova U1.5-Lite-Preview হলো শাংথাং টেকনোলজির ওপেন-সোর্সড হালকা নেটিভ ইউনিফায়েড মাল্টিমোডাল মডেলের প্রিভিউ সংস্করণ। NEO-Unify আর্কিটেকচারের ওপর ভিত্তি করে তৈরি এই মডেলটি মাত্র 8B-MoT প্যারামিটারে ভিশন বোঝা, যুক্তি, জেনারেশন ও এডিটিংকে একত্র করে। মডেলটি স্বাভাবিকভাবে 4K ছবি তৈরি করতে পারে এবং সূক্ষ্ম স্থানীয় টেক্সচার, বাস্তব জগতের উপাদানগত বৈশিষ্ট্য, চীনা ও ইংরেজি টেক্সট জেনারেশন এবং জটিল লেআউট সমর্থন করে। দীর্ঘ প্রাকৃতিক ভাষা ও কাঠামোবদ্ধ ভিজ্যুয়াল নির্দেশনা নির্ভুলভাবে অনুসরণ করার জন্য এটি অপ্টিমাইজ করা হয়েছে। পাশাপাশি, Prompt Enhance Skill জটিল সৃষ্টির বাধা কমায়।

4K নেটিভ জেনারেশন: এন্ড-টু-এন্ড আল্ট্রা-হাই-রেজোলিউশন ছবি তৈরি সমর্থন করে; বড় করে দেখালেও বিবরণ পরিষ্কার থাকে।
সূক্ষ্ম ভিজ্যুয়াল গুণমান: আরও বাস্তবসম্মত উপাদানগত টেক্সচার, আলো-ছায়ার স্তর এবং স্থানীয় বিবরণ উপস্থাপন করে।
চীনা ও ইংরেজি টেক্সট জেনারেশন: জটিল লেআউটে চীনা ও ইংরেজি টেক্সট এবং টাইপসেটিং নির্ভুলভাবে রেন্ডার করে।
ছবি এডিটিং ও পুনরাবৃত্তি: প্রাকৃতিক ভাষার নির্দেশনার ভিত্তিতে ধারাবাহিক পুনরাবৃত্তিমূলক ছবি এডিটিং সমর্থন করে।
Prompt Enhance Skill: সংক্ষিপ্ত প্রয়োজনীয়তাকে স্বয়ংক্রিয়ভাবে পূর্ণাঙ্গ সৃষ্টির পরিকল্পনায় সম্প্রসারিত করে এবং নির্দেশনা লেখার বাধা কমায়।

WeChat-এ ফলো করে “开源” লিখে উত্তর দিন, AI ওপেন-সোর্স প্রকল্পের আলোচনাগোষ্ঠীতে যোগ দিন
NEO-Unify ইউনিফায়েড আর্কিটেকচার: একটি একক মডেলে ভাষা, ভিজ্যুয়াল সেমান্টিক্স ও পিক্সেল জেনারেশনকে যৌথভাবে মডেল করে; ফলে বোঝা, যুক্তি, জেনারেশন ও এডিটিং স্বাভাবিকভাবে একীভূত হয়।
8B-MoT হালকা নকশা: মাত্র 80 কোটি প্যারামিটারের মিশ্র টোকেন আর্কিটেকচার ব্যবহার করে। হালকা কাঠামো বজায় রেখেই এটি মাল্টিমোডাল সক্ষমতার সীমা প্রসারিত করে এবং ইউনিফায়েড আর্কিটেকচারের ধারাবাহিক সম্প্রসারণযোগ্যতা যাচাই করে।
নেটিভ পিক্সেল-ভাষা ম্যাপিং: পিক্সেল ও ভাষা থেকে শুরু করে এন্ড-টু-এন্ড প্রশিক্ষণ দেওয়া হয়; মডেল ভাষার বর্ণনা থেকে ভিজ্যুয়াল কাঠামোতে নেটিভ ম্যাপিং সক্ষমতা শেখে।
দীর্ঘ কনটেক্সট ভিজ্যুয়াল নিয়ন্ত্রণ: দীর্ঘ প্রাকৃতিক ভাষা ও কাঠামোবদ্ধ সৃষ্টিশীল নির্দেশনা বোঝার জন্য মডেলটি অপ্টিমাইজ করা হয়েছে এবং বহু-শর্তযুক্ত, স্তরভিত্তিক ভিজ্যুয়াল নির্দেশনা নির্ভুলভাবে সম্পাদন করতে পারে।

মডেল ও ডকুমেন্টেশন সংগ্রহ: প্রযুক্তিগত ডকুমেন্টেশন ও ইনফারেন্স কোড দেখতে GitHub রিপোজিটরিতে যান, অথবা Hugging Face থেকে 8B-MoT মডেলের ওজন ও কনফিগারেশন ফাইল ডাউনলোড করুন।
পরিবেশ ডিপ্লয়মেন্ট: ডকুমেন্টেশন অনুযায়ী রানটাইম পরিবেশ কনফিগার করে মডেলের ওজন লোড করুন এবং স্থানীয় বা ক্লাউডে মডেল ইনিশিয়ালাইজ করুন।
মৌলিক ছবি জেনারেশন: সরাসরি প্রাকৃতিক ভাষায় বর্ণনা দিন, যা চীনা ও ইংরেজি উভয় ভাষায় হতে পারে; মডেল স্বাভাবিকভাবে 4K ছবি তৈরি করবে।
জটিল সৃষ্টিশীল নির্দেশনা: বিষয়, লেআউট, স্টাইল, টেক্সট ও সীমাবদ্ধতা অন্তর্ভুক্ত পূর্ণাঙ্গ সৃষ্টিশীল চাহিদা দিন; মডেল নির্দিষ্ট ভিজ্যুয়াল কাঠামো অনুযায়ী জেনারেশন সম্পন্ন করবে।
Prompt Enhance সহায়তা: পরীক্ষামূলক Prompt Enhance Skill ব্যবহার করে সংক্ষিপ্ত ধারণাকে স্বয়ংক্রিয়ভাবে পূর্ণাঙ্গ সৃষ্টির পরিকল্পনায় সম্প্রসারিত করুন, তারপর মডেলে জমা দিন।
ছবি এডিটিং: বিদ্যমান ছবি আপলোড করে প্রাকৃতিক ভাষায় এডিটিং নির্দেশনা দিন; মডেল সামগ্রিক সামঞ্জস্য বজায় রেখে ধারাবাহিক পুনরাবৃত্তিমূলক এডিটিং সম্পন্ন করবে।

হালকা ইউনিফায়েড কাঠামো: মাত্র 8B-MoT প্যারামিটারে বোঝা, জেনারেশন ও এডিটিং একীভূত করে এবং ডিপ্লয়মেন্ট খরচ কমায়।
4K আল্ট্রা-হাই-ডেফিনিশন: স্বাভাবিকভাবে 4K রেজোলিউশন জেনারেশন সমর্থন করে; বড় ক্যানভাসেও বিবরণ ও সামঞ্জস্য বজায় থাকে।
শক্তিশালী নির্দেশনা অনুসরণ: বিশেষ Prompt Enhance ফরম্যাটিং প্রশিক্ষণ ছাড়াই দীর্ঘ ও জটিল ভিজ্যুয়াল নির্দেশনা স্থিরভাবে সম্পাদন করতে পারে।
বাস্তবসম্মত গুণমান: স্থানীয় টেক্সচার, উপাদানের আলো-ছায়া এবং বাস্তব জগতের গুণমানের উপস্থাপন উল্লেখযোগ্যভাবে উন্নত করে।
টেক্সটের স্থিতিশীলতা: চীনা ও ইংরেজি টেক্সট জেনারেশন এবং জটিল লেআউট বিন্যাস আরও নির্ভুল ও স্থিতিশীল।

GitHub রিপোজিটরি：https://github.com/OpenSenseNova/SenseNova-U1/blob/main/docs/u1.5_preview.md
HuggingFace মডেল রিপোজিটরি：https://huggingface.co/sensenova/SenseNova-U1.5-8B-MoT-Preview

বাণিজ্যিক ব্র্যান্ডের ভিজ্যুয়াল ডিজাইন: নির্ভুল চীনা ও ইংরেজি টেক্সট, জটিল লেআউট এবং নির্দিষ্ট ভিজ্যুয়াল স্টাইলসহ পোস্টার, ইনফোগ্রাফিক ও ব্র্যান্ড প্রচারসামগ্রী দ্রুত তৈরি করে; উচ্চ নিয়ন্ত্রণক্ষমতার বাণিজ্যিক সৃষ্টির চাহিদা পূরণ করে।
অতি-প্রশস্ত ন্যারেটিভ স্ক্রল: 4K আল্ট্রা-হাই-ডেফিনিশন রেজোলিউশনে ইতিহাসের কালপঞ্জি, সাংস্কৃতিক স্ক্রলসহ অতি-প্রশস্ত ধারাবাহিক ন্যারেটিভ কনটেন্ট তৈরি করা যায়; বড় করে দেখার পরও বিপুল টেক্সট ও আইকনের বিবরণ পরিষ্কার ও স্থিতিশীল থাকে।
স্থাপত্য ও পণ্য ধারণার ভিজ্যুয়ালাইজেশন: উচ্চ বাস্তবতাসম্পন্ন স্থাপত্যের বাহ্যিক রেন্ডারিং, অভ্যন্তরীণ স্থানের কনসেপ্ট ছবি এবং পণ্য প্রদর্শনের ছবি তৈরি করে; বাস্তবসম্মত উপাদানগত টেক্সচার, আলো-ছায়ার স্তর ও স্থানের আবহ তুলে ধরে।
ফটোগ্রাফি-মানের প্রতিকৃতি ও ক্লোজ-আপ: সূক্ষ্ম ত্বকের টেক্সচার, প্রাকৃতিক আলো-ছায়া ও বাস্তবসম্মত গুণমানসম্পন্ন প্রতিকৃতি, মুখের ক্লোজ-আপ এবং বিষয়ভিত্তিক কাজ তৈরি করতে পারে; জটিল কম্পোজিশন ও নির্দিষ্ট স্টাইল সমর্থন করে।
রেট্রো ও কোলাজ শিল্পসৃষ্টি: বহু উপাদান সংযুক্ত রেট্রো জার্নাল, কোলাজ পোস্টার ও প্রাকৃতিক ইতিহাসের ইলাস্ট্রেটেড গাইডসহ স্টাইলাইজড ভিজ্যুয়াল সৃষ্টি সমর্থন করে এবং কাগজের টেক্সচার, ডাকটিকিট, হাতে লেখা টেক্সটের মতো বিবরণ নির্ভুলভাবে উপস্থাপন করে।