نموذج صور مفتوح يعمل في أربع خطوات هو أمر أكبر مما يبدو

في 4 سبتمبر، أصدر مختبر Bailing في Ant Group عائلة نماذج LLaDA-Image المفتوحة لتوليد الصور وتحريرها، ونشر أوزان النموذج وشيفرة الاستدلال إلى جانبها. سيبدو العنوان وكأنه إصدار مفتوح المصدر آخر في شهر مزدحم. لكن التفصيل المهم مدفون في البنية: نسخة Turbo تعمل في خطوتي أخذ عينات إلى أربع خطوات.

إذا سبق أن استخدمت نموذج صور انتشارياً، فأنت تعرف ماذا يعني هذا الرقم. معظمها يأخذ العينات عبر عشرات الخطوات، وكل خطوة هي مرور عبر الشبكة. خمسون خطوة أمر شائع للحصول على صورة عالية الجودة. تقليص ذلك إلى خطوتين أو أربع ليس تحسيناً صغيراً. إنه يغيّر الاستخدامات التي يمكن توجيه النموذج إليها.

ما هو النموذج فعلياً

يتوفر LLaDA-Image في نسختين. تستخدم نسخة Base 50 خطوة أخذ عينات وتستهدف التوليد عالي الدقة. وتستخدم نسخة Turbo تقطير Twin-DMD لضغط أخذ العينات إلى حفنة من الخطوات مع الحفاظ على جودة قريبة. تشترك كلتاهما في بنية واحدة، ويقول الفريق إن نقطة تحقق واحدة تتعامل مع التوليد من النص إلى الصورة، وتحرير الصورة المرجعية، وتصيير النص بالصينية والإنجليزية دون عمود فقري منفصل للتحرير. يبلغ عدد المعاملات نحو 7 مليارات، وتُتاح أوزان BF16 وFP8 معاً حتى يمكن نشر النموذج على أجهزة مختلفة.

نهج التدريب مرحلي. يدرّب الفريق النموذج أولاً على الصور وحدها ليتعلم الأوليات البصرية، ثم يضيف إشرافاً لغوياً مقترناً وتدريباً مشتركاً للتوليد والتحرير. الفكرة هي ترك النموذج يستوعب البنية البصرية قبل مواءمتها مع اللغة، وهو ما يقول الفريق إنه يحسّن جودة التوليد واتساق التحرير معاً. ويُوعد بإتاحة شيفرة التدريب لاحقاً، ما يعني أن ادعاء «الوصفة المفتوحة بالكامل» ليس مكتملاً بعد.

على Qwen-Image-Bench، يسجل النموذج نتيجة 53.53 للإنجليزية و53.38 للصينية، وهي نتيجة يصفها الفريق بأنها متقدمة على أحدث ما توصلت إليه التقنية. ويُشار إلى الإضاءة الطبيعية، والتفاصيل الدقيقة، وتماسك المشهد، وتوليد الملصقات الإبداعية كنقاط قوة. سيستغرق التحقق المستقل وقتاً، والنموذج جديد بما يكفي لأن المجتمع لم يختبر تلك الأرقام تحت الضغط بعد.

لماذا يغيّر عدد الخطوات الأقل حالة الاستخدام

عدد الخطوات ليس معياراً مجرداً. إنه يرتبط مباشرة بزمن الاستجابة، وزمن الاستجابة يحدد ما إذا كانت ميزة ما يمكن أن توجد.

يستغرق نموذج بـ50 خطوة على وحدة معالجة رسومات عالية الأداء ثوانٍ لكل صورة. هذا مقبول لأداة سطح مكتب ينتظر فيها المستخدم مع شريط تقدم. لكنه غير مقبول لأي شيء يحتاج إلى أن يبدو فورياً. يمكن لنموذج بأربع خطوات أن يعيد صورة في أقل من ثانية بكثير على العتاد نفسه، وهذا يفتح مجموعة مختلفة من المنتجات: أدوات تصميم حية تتحدث أثناء سحب شريط تمرير، وتأثيرات كاميرا داخل التطبيق، وخطوط معالجة دفعية تعالج آلاف الأصول دون انتظار، وتحرير تفاعلي يُعرض فيه كل تغيير فوراً.

يقلّص تصميم Turbo أيضاً الحوسبة اللازمة لكل صورة، وهذا مهم للتكلفة. إذا كنت تشغّل خدمة تولّد الصور على نطاق واسع، فإن فاتورة GPU تتناسب مع الخطوات والرموز. الانخفاض من 50 خطوة إلى أربع يمثل تخفيضاً كبيراً في تكلفة خدمة كل طلب، قبل أي تغيير في العتاد. وهذا هو الضغط الاقتصادي نفسه الذي استجابت له النماذج المغلقة بفئاتها الرخيصة والسريعة الخاصة.

هناك فائدة ثانية أهدأ. النموذج الذي يعمل بخطوات قليلة على عتاد بمستوى المستهلك يمكن تشغيله محلياً. كانت حجة الأوزان المفتوحة بأكملها دائماً حول التحكم: تبقى بياناتك على جهازك، وتكون تكاليفك ثابتة لا محسوبة بالعدّاد، ولا يمكن لأي مورّد تغيير السعر أو إيقاف الواجهة البرمجية. نموذج بأربع خطوات أقرب بكثير إلى النقطة التي يمكن فيها لحاسوب محمول أو وحدة معالجة رسومات متوسطة استضافته لعمل حقيقي بدلاً من كونه عرضاً تجريبياً. ويقول تأطير الفريق نفسه إن تصميم الخطوات المنخفضة يقلل الاعتماد على وحدات GPU عالية الأداء ويجعل التوليد الفوري ممكناً على عتاد المستهلك.

الموجة الأوسع للصور المفتوحة

لم يصل LLaDA-Image وحده. كان سبتمبر شهراً مزدحماً بنماذج الصور المفتوحة، والتوقيت مهم. أصدرت علي بابا Qwen-Image-2.1 بأوزان مفتوحة، وهو نموذج بحجم 7B مع نقطتي تحقق بحجم 9B لإعادة كتابة الأوامر، لكن بموجب ترخيص بحثي غير تجاري بدلاً من الشروط المتسامحة التي كان هذا الخط يستخدمها سابقاً. وواصلت ByteDance دفع نماذج Seedream الخاصة بها في الجانب المغلق، بينما سلك Hunyuan Image 3.5 من Tencent طريق التأجير عبر واجهة برمجية سحابية.

على هذه الخلفية، الشيء المثير للاهتمام في إصدار Ant هو ما يحسّنه. معظم المجال يتنافس على الجودة في الطرف الأعلى: تصيير نص أفضل، واتساق أقوى للموضوع، وتفاصيل أغنى في صورة رئيسية واحدة. أما LLaDA-Image-Turbo فينافس على الحد الأدنى. تصميمه كله يدور حول جعل نموذج صور قادر رخيصاً وسريعاً بما يكفي ليستقر داخل منتج يومي بدلاً من عرض تجريبي. هذا هدف أقل بريقاً، وهو الهدف الذي يميل إلى تحديد الأدوات التي يستخدمها الناس فعلاً.

هناك أيضاً زاوية تستحق الملاحظة تتعلق بتصيير النص. يدعم النموذج توليد النص الصيني والإنجليزي في نقطة التحقق نفسها، ما يعالج فجوة طويلة الأمد. كانت نماذج الصور المفتوحة تاريخياً قوية في اللافتات باللغات الغربية وضعيفة في الأحرف الصينية، وهو قيد جعل استخدامها صعباً في الملصقات والتغليف والإنفوجرافيك الموجهة إلى أسواق الناطقين بالصينية. وبنية واحدة تتعامل مع كليهما، وفقاً للفريق، هي خطوة ذات معنى لأي شخص يبني لذلك الجمهور، وهي نوع التفصيل الذي لا يظهر في معيار رئيسي لكنه يحدد ما إذا كانت الأداة قابلة للاستخدام عملياً.

مسألة الترخيص

الإصدار مفتوح حقاً بمعنى أن الأوزان قابلة للتنزيل، ما يضعه في الطرف المتسامح من طيف ظل يتغير طوال العام. لكنه يقع في وسط جدل أوسع حول الترخيص. وفي الوقت نفسه تقريباً، صدر Qwen-Image-2.1 من علي بابا بأوزان مفتوحة بموجب ترخيص بحثي غير تجاري، مبتعداً عن نهج متسامح سابق. هذا الانقسام يستحق المتابعة. «الأوزان المفتوحة» الآن تغطي نطاقاً من المتسامح بالكامل إلى البحثي فقط، والفجوة بين هذين الموقعين هي الفرق بين نموذج يمكنك بناء عمل تجاري عليه وآخر لا يمكنك.

بالنسبة للمطورين، الدرس من سبتمبر هو قراءة الترخيص قبل المعيار. النموذج الذي يعمل بأربع خطوات ويسجل جيداً في معيار للصور مثير. أما ما إذا كان يمكنك شحنه داخل منتج تجاري فهو سؤال منفصل بإجابة منفصلة، وغالباً ما يكون هو السؤال الذي يحدد مصير المشروع.

أين يندرج هذا

اتجاه نماذج الصور الفعالة لا يحدث بمعزل عن غيره. إنه يطابق ما يجري في المجال كله. يتقاضى Hunyuan Image 3.5 من Tencent رسوماً حسب الصورة النهائية ويدفع نحو التحرير متعدد الجولات، مراهناً على أن التكرار، لا العرض الأول، هو موضع القيمة. وقسمت OpenAI نموذجها الرائد إلى نموذج سريع وآخر دقيق، طالبة من المطورين صراحةً الاختيار بناءً على عبء العمل. أما LLaDA-Image-Turbo من Ant فيهاجم المشكلة نفسها من الجانب المفتوح، بخفض الحوسبة لكل صورة بدلاً من السعر لكل استدعاء.

الخيط المشترك هو أن جودة التوليد الخام أصبحت حداً أدنى مفروضاً. لم تعد الإضاءة الأفضل والملمس الأكثر حدة تفوز بحد ذاتها. انتقلت المنافسة إلى تكلفة التشغيل، وسرعة الاستجابة، وما إذا كان بإمكانك التحكم فيه. النموذج المفتوح بأربع خطوات هو رهان على هذا التحول، وهو رهان لا معنى له إلا إذا تعاون العتاد والترخيص. وإذا فعلا ذلك، فقد لا تكون أدوات الصور المثيرة للاهتمام في العام المقبل هي تلك التي تملك أكبر مزرعة تصيير خلفها. قد تكون تلك الرخيصة بما يكفي لتعمل على الجهاز الذي أمامك.