MAI-Image-2.6-Flash آپریشن میں

MAI-Image-2.6-Flash مائیکروسافٹ کا پیش کردہ تیز رفتار امیج جنریشن ماڈل ہے، جو فلیگ شپ MAI-Image-2.6 کے ساتھ مل کر کم تاخیر اور زیادہ تھروپٹ والے پیداواری منظرناموں پر توجہ مرکوز کرتا ہے۔ ماڈل کی تخلیق کی رفتار GPT-Image-2-Medium سے 2.8 گنا زیادہ ہے، GPU کی کارکردگی میں 72% اضافہ ہوا ہے، جبکہ بصری معیار فلیگ شپ ورژن کے قریب برقرار رہتا ہے۔ MAI-Image-2.6-Flash متعدد حوالہ جاتی تصاویر، Web Grounding اور متحرک پہلو تناسب کو سپورٹ کرتا ہے، اور زیادہ سے زیادہ 1.5K ریزولوشن فراہم کرتا ہے۔

فوری تخلیق: GPT-Image-2-Medium کے مقابلے میں تخلیق کی رفتار تقریباً 2.8 گنا زیادہ اور GPU کی کارکردگی 72% بہتر ہے، جس سے کم تاخیر کے ساتھ ردعمل ملتا ہے۔
فلیگ شپ معیار: رفتار میں نمایاں اضافے کے باوجود، MAI-Image-2.6 فلیگ شپ کے قریب بصری معیار اور بنیادی ایڈیٹنگ صلاحیتیں برقرار رہتی ہیں۔
متعدد حوالہ جاتی تصاویر کی ایڈیٹنگ: افراد، مصنوعات، انداز اور مناظر سمیت متعدد حوالہ جاتی تصاویر بیک وقت فراہم کی جا سکتی ہیں، تاکہ مختلف بصری شرائط کو یکجا کر کے تخلیق یا ایڈیٹنگ کی جا سکے۔
Web Grounding: حقیقی مصنوعات اور خبروں کے واقعات جیسے بصری مواد کے لیے ویب کی تازہ معلومات شامل کر کے درست معلوماتی بنیاد فراہم کی جا سکتی ہے۔
متحرک پہلو تناسب اور اعلیٰ ریزولوشن: منظرنامے کے مطابق بہترین چوڑائی اور اونچائی کا تناسب خودکار طور پر منتخب کرتا ہے اور زیادہ سے زیادہ 1.5K ریزولوشن آؤٹ پٹ سپورٹ کرتا ہے۔
بڑے پیمانے پر پیداوار: زیادہ تھروپٹ، لاگت کے حوالے سے حساس بڑے پیمانے کی تجارتی مواد کی تیاری کے لیے ڈیزائن کیا گیا ہے، جبکہ API کی قیمت فلیگ شپ ورژن کے مقابلے میں 50%-69% کم ہے۔

Flow Matching ڈفیوژن آرکیٹیکچر: ماڈل Diffusion آرکیٹیکچر پر مبنی ہے اور Flow Matching Loss کے ذریعے تربیت پاتا ہے۔ یہ شور سے تصویر تک مسلسل سیدھے راستے کو سیکھتا ہے اور بہت کم inference steps میں واضح تصاویر تیار کر سکتا ہے۔ یہی 2.8 گنا رفتار اور برقرار بصری معیار کی بنیادی ریاضیاتی بنیاد ہے۔
20B پیرامیٹرز اور 32K کانٹیکسٹ: ماڈل میں 200 ارب غیر ایمبیڈنگ پیرامیٹرز اور 32K Token کی کانٹیکسٹ ونڈو موجود ہے، جو پیچیدہ طویل پرامپٹس اور متعدد تصاویر کو سمجھنے کی سہولت دیتی ہے۔ زیادہ سے زیادہ آؤٹ پٹ ریزولوشن تقریباً 1536×1536 ہے، جو اعلیٰ معیار کی تخلیق اور متعدد حوالہ جاتی تصاویر کی ایڈیٹنگ کے لیے کافی ماڈل گنجائش فراہم کرتا ہے۔
Inference انجینئرنگ کی اصلاح: Flash ورژن distillation یا compression ماڈل نہیں ہے، بلکہ اسی 20B پیرامیٹر بیس پر الگورتھمی اور انجینئرنگ کی مشترکہ اصلاح کے ذریعے فی تصویر inference کا وقت ملی سیکنڈ سے 1-2 سیکنڈ کی سطح تک کم کرتا ہے۔ ساتھ ہی 72% GPU غیر فعال گنجائش کو بروئے کار لا کر اعلیٰ ہم وقتی پیداواری تھروپٹ حاصل کرتا ہے۔
ملٹی موڈل ایڈیٹنگ کی ازسرنو تعمیر: ایڈیٹنگ کی صلاحیت کو ابتدا سے دوبارہ تعمیر کیا گیا ہے۔ ماڈل اشیا، منظر کی ساخت، روشنی، پیمانے اور مقامی پوزیشن کے درمیان بصری سیاق و سباق کی reasoning کر سکتا ہے۔ مبہم پرامپٹس کے باوجود یکساں ایڈیٹنگ نتیجہ برقرار رکھتا ہے اور اشیا کی تبدیلی، خصوصیات میں ترمیم اور متن کی تازہ کاری جیسے پیچیدہ کاموں کو سپورٹ کرتا ہے۔

MAI Playground: مائیکروسافٹ کا فراہم کردہ آن لائن تجرباتی پلیٹ فارم https://playground.microsoft.ai/chat ہے، جہاں متن سے تصویر، تصویر سے تصویر اور متعدد حوالہ جاتی تصاویر کی ایڈیٹنگ کی خصوصیات براہِ راست آزمائی جا سکتی ہیں۔ یہ ماڈل کے نتائج کو تیزی سے جانچنے کے لیے موزوں ہے۔
Microsoft Foundry: ڈویلپرز کے لیے عوامی preview رسائی کا راستہ ہے۔ رجسٹریشن کے ذریعے API کلید حاصل کرنے کے بعد ماڈل کو اپنی ایپلیکیشن یا ورک فلو میں شامل کیا جا سکتا ہے، اور بڑے پیمانے پر کالز کی سہولت موجود ہے۔

فوری تخلیق: GPT-Image-2-Medium کے مقابلے میں تخلیق کی رفتار تقریباً 2.8 گنا زیادہ اور GPU کی کارکردگی 72% بہتر ہے، جس سے کم تاخیر والا ردعمل حاصل ہوتا ہے۔
فلیگ شپ معیار: رفتار میں نمایاں اضافے کے ساتھ MAI-Image-2.6 کے قریب بصری معیار اور بنیادی ایڈیٹنگ صلاحیتیں برقرار رہتی ہیں۔
بہترین لاگت و کارکردگی: API کی قیمت فلیگ شپ ورژن سے 50%-69% کم ہے، اور سرکاری دعوے کے مطابق price-per-Elo کارکردگی دنیا میں بہترین ہے۔
متعدد حوالہ جاتی تصاویر کا امتزاج: افراد، مصنوعات، انداز اور مناظر سمیت متعدد حوالہ جاتی تصاویر بیک وقت فراہم کر کے کثیر جہتی بصری شرائط کی بنیاد پر تخلیق کی جا سکتی ہے۔
Web Grounding: ویب کے تازہ مواد کو شامل کر کے حقیقی مصنوعات، خبروں کے واقعات اور دیگر بصری مواد کے لیے درست معلوماتی بنیاد فراہم کرتا ہے۔
متحرک پہلو تناسب اور اعلیٰ ریزولوشن: منظرنامے کے مطابق بہترین چوڑائی اور اونچائی کا تناسب خودکار طور پر منتخب کرتا ہے اور زیادہ سے زیادہ 1.5K ریزولوشن آؤٹ پٹ سپورٹ کرتا ہے۔

پروجیکٹ کی آفیشل ویب سائٹ: https://microsoft.ai/news/pushing-the-quality-cost-frontier-with-mai-image-2-6/

ای کامرس کے لیے بڑے پیمانے پر مواد کی تخلیق: مصنوعات کی بڑی تعداد میں مرکزی تصاویر، تفصیلی صفحات کی تصاویر اور مارکیٹنگ پوسٹرز تیزی سے تیار کریں، اور فی تصویر API لاگت کم کریں۔
ریئل ٹائم تعامل اور متحرک اشتہارات: چیٹ بوٹس، AI معاونین یا متحرک اشتہاری نظاموں میں ملی سیکنڈ سطح کا تصویری ردعمل فراہم کر کے صارف کے تجربے کو بہتر بنائیں۔
سوشل میڈیا مواد کی فیکٹری: مواد تخلیق کرنے والوں اور MCN اداروں کو متن اور تصاویر کی بڑی تعداد میں تیاری کی اعلیٰ تھروپٹ صلاحیت فراہم کریں، اور روزانہ سینکڑوں تصاویر والے ورک فلو کو سپورٹ کریں۔
AI Agent کا بصری پائپ لائن: خودکار ورک فلو میں امیج جنریشن نوڈ کے طور پر کام کرتا ہے۔ کم تاخیر کی خصوصیت Agent pipeline کی مجموعی کارکردگی کو رکاوٹ سے بچاتی ہے۔
فوری پروٹوٹائپ اور خاکوں کی تکرار: ڈیزائنرز مصنوعات کے ابتدائی مرحلے میں متعدد ورژنز کے تصوری خاکے تیزی سے تیار کر سکتے ہیں، پھر متعدد حوالہ جاتی تصاویر کی خصوصیت سے انداز طے کر کے مزید精细 ترمیم کر سکتے ہیں۔