ImageGen – мой любимый нативный инструмент в Codex. Я не помню точно, когда он появился, но уже несколько месяцев использую его на регулярной основе. Теперь, если есть какой-то макет или дизайн, он сразу получает изображения в тему (а не те попытки сделать из svg картинку, что были раньше). PDF-документы, в которых собираю отчёты и практические методички (формат индивидуальных книг), получили качественные изображения. В этом кейсе у меня Hermes вызывает Codex для того, чтобы сгенерировать изображение. Из-за ImageGen я даже отказался от Nano Banana Pro, который считал лучшим для передачи деталей и inpaint. OpenAI, видимо, понемногу докручивают свой инструмент, так как он сильно внимательнее стал к деталям и уже не так часто генерирует вместо зловещую долину. Ещё попробовал его в моих попытках в геймдев. Спрайт в сегодняшнем медиа считаем анонсом. Будет история о том, во что это вылилось в итоге. Со ссылкой, где можно попробовать 😊 Единственная ложка дёгтя во всём этом безобразии с ImageGen – разрешение. Оно не дотягивает даже до 2К. И если нужно больше детализации, то единственный выход – апскейл. Либо выбирать другой инструмент. Была надежда, что GPT Image 2.5 даст разрешение повыше. Однако на данный момент даже Astra не способна ответить на вопрос "Это GPT Image 2.5 или ещё нет?".

Flow Matching: обучение и дистилляция Flow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз! Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎 В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲 P.S. Много интуиции, математики и практических деталей обучения 🧠 Читайте статью по ссылке! 👈🏼

Исследователи MIT CSAIL выяснили: у сгенерированных нейросетью картинок часто нет конкретного автора среди обучающих данных. Команда проверяла, можно ли отследить, какие именно снимки повлияли на итоговое изображение. Построили архитектуру из множества маленьких моделей - каждая обучена на своём куске данных, что позволило по-настоящему удалять примеры, а не оценивать их влияние приближённо. Результат: при больших объёмах данных можно убрать одну фотографию, все работы конкретного художника или все снимки конкретного человека - и итоговая картинка не изменится. Ведущий автор Чжэн Дай называет это «затуханием атрибуции»: чем больше данных, тем меньше значит для результата каждый отдельный пример. Профессор Дэвид Гиффорд отмечает: прежние методы были приблизительными, этот же впервые доказывает отсутствие влияния точно, а не оценочно. Подробнее - в материале MIT News #news

Microsoft Paint и Photos добавляют невидимые водяные знаки даже на локально сгенерированные изображения Слово «локально» намекает, что картинка рождается на твоём устройстве и никуда не уходит. С генерацией изображений в Microsoft Paint это работает иначе. Реверс-инжиниринг показал, что перед тем как запустить модель на устройстве, Paint отправляет промпт на сервер модерации Microsoft и получает обратно 16-байтный идентификатор. Этот GUID незаметно вшивается прямо в пиксели готового изображения, и на тесте 512 на 512 из-за него изменились 193 376 пикселей из 262 144. Тот же идентификатор дублируется в метаданных файла как криптографически подписанная привязка к записи о происхождении. Настройка видимого водяного знака в интерфейсе им не управляет вообще, а при сбое вшивания Paint отменяет всю генерацию, лишь бы не отдать картинку без метки. Глянем, что ещё уходит на серверы Microsoft, пока изображение якобы генерируется у вас на компьютере.