Ming-Image من مجموعة أنت يصمّم في طبقات، لا كصور مسطّحة

تُقيَّم معظم نماذج الصور بناءً على مدى جمال صورة واحدة. أصدرت مجموعة أنت نموذجين في 22 سبتمبر يطرحان اختبارًا مختلفًا: هل يظل الشيء الذي تحصل عليه قابلاً للتعديل بعد الانتهاء من النظر إليه؟

نشر مختبر inclusionAI في أنت نموذجَي Ming-Image-0.1-Design وMing-Image-0.1-Design-Layer على Hugging Face، وكلاهما بستة مليارات معامل تحت رخصة MIT. تلك الرخصة تهم هنا أكثر من المعتاد، لأنها تتيح لشركة استخدام المخرجات تجاريًا دون التفاوض على أي شيء أولًا. النموذجان موجّهان إلى عمل التصميم لا إلى التصوير الفوتوغرافي. شاشات الواجهات، والإنفوجرافيك، والملصقات، ونوع التخطيط الذي يجب أن تكون الكلمات فيه قابلة للقراءة فعلًا.

الخطوط الصغيرة هي حيث تنهار نماذج الصور المفتوحة عادةً. يولّد Ming-Image-0.1-Design التركيب كاملًا، بما في ذلك النص، ويمكنه كتابة ملفات RGBA، بحيث تخرج الخلفية شفافة بدلًا من مستطيل أبيض مسطّح. تقترح بطاقة النموذج 2048 × 2048، أو 1024 × 1024 إذا أردت سرعة أكبر، عند 12 خطوة أخذ عينات ومقياس CFG قدره 1.0. اثنتا عشرة خطوة رقم منخفض لنموذج انتشار. بمجرد تحميل الأوزان، يخرج الناتج بسرعة. يعمل على مكتبة diffusers القياسية ويدعم vLLM-Omni للخدمة.

النموذج الثاني هو المثير للاهتمام. يأخذ Ming-Image-0.1-Design-Layer تصميمًا منتهيًا ومسطّحًا ويعيد تقسيمه إلى طبقات شفافة، وفق خطة طبقات تسلّمها إليه تحدد عدد القطع التي تريدها. ما تحصل عليه أقرب إلى ملف تصميم قابل للعمل من ملف PNG مسطّح واحد.

تلك الفجوة هي سبب توقف معظم نماذج الصور دون الوصول إلى عمل تصميم حقيقي. إذا أراد عميل نقل العنوان الرئيسي وتبديل الشعار، فإن ملف PNG مسطّح يفرض إعادة توليد كاملة، وكل شيء آخر على اللوحة يذهب معها. الطبقات تتيح لك تغيير الشيء الواحد. تقيّم أنت ذلك على مجموعة اختبار Crello، بقياس مدى قرب كل طبقة مستعادة في اللون والشكل.

الأرقام التي لم تنشرها أنت

لا يوجد رقم يمكنك الاستشهاد به. تشير بطاقة النموذج إلى لوحة صدارة التصميم UI/UX من Artificial Analysis وإلى نتائج Crello، لكن كليهما يظهر فقط كصور مخططات. لا أرقام في النص، ولا منافسين مذكورين بالاسم. لا يمكنك أن تعرف من الإصدار كيف يقارن Ming-Image-0.1-Design بـ Qwen-Image أو Seedream أو أي نموذج تجاري، ولا يمكن التحقق من أي من الادعاءين دون إعادة تشغيل التقييم بنفسك.

إرشادات العتاد بها فجوة أيضًا. تحققت أنت من صحة نموذج 6B على وحدة معالجة رسومات CUDA واحدة بذاكرة VRAM سعتها 80 GiB، وهو قدر من الهامش أكبر بكثير مما يوحي به عدد المعاملات. لا تقدّم البطاقة أي إرشاد لبطاقات المستهلكين بسعة 24 GB، رغم أن تكميمات المجتمع المصممة تحديدًا لتلك البطاقات ظهرت في غضون ساعات. ظهرت إصدارات INT4 وINT8 وFP8 وGGUF وComfyUI كلها في اليوم نفسه.

تلك التفصيلة الأخيرة تستحق التأمل. ينشر مختبر نماذج متطلبًا بسعة 80 GiB، ويرد المجتمع بجعل النموذج يعمل على بطاقة بثلث هذا الحجم. الرقم الرسمي يصف ما اختبرته أنت، لا ما يحتاجه النموذج. أي فريق يزن تبنّيه ينبغي أن يتعامل مع الإعداد المُتحقق منه كنقطة انطلاق وأن يتحقق مما تفعله البِنى المكمّمة فعليًا على عتاده الخاص.

لماذا تغيّر الطبقات سير العمل

عمل التصميم ليس سلسلة من صور منتهية. إنه سلسلة من المراجعات. يرى العميل مسودة، ويطلب عنوانًا رئيسيًا أكبر وخلفية أكثر برودة، ثم يقرر أن الشعار يجب أن يقع على الجهة الأخرى. كل طلب من هذه الطلبات صغير. وعلى صورة مسطّحة، يكون كل منها مكلفًا أيضًا، لأن تغيير عنصر واحد يعني إعادة توليد تركيب كان قد أُقرّ في كل مكان آخر.

المخرجات الطبقية تقلب ذلك. بمجرد أن يوجد التصميم كقطع منفصلة، تلمس المراجعة القطعة المعنية وتترك الباقي دون تغيير. بالنسبة لوكالة تفوتر بالساعة، يظهر الفرق في الهوامش. وبالنسبة لمصمم فردي، يظهر في ما إذا كانت الأداة أسرع من العمل اليدوي.

المكان الآخر الذي تجدي فيه الطبقات هو التسليم. ملف PNG مسطّح طريق مسدود. أي شخص لاحق في سلسلة العمل يحتاج إلى تعديله يبدأ من الصفر. أما الملف الطبقي فيمكن أن ينتقل إلى الأدوات التي يستخدمها فريق التصميم بالفعل، وهذا هو الفرق بين أداة ذكاء اصطناعي تجلس بجانب سير العمل وأخرى تنضم إليه.

سباق التعديل الذي ينتمي إليه هذا

أنت لا تشحن إلى فراغ. عبر سوق الصور، أصبح التعديل هو الميدان الذي تتفوق فيه النماذج على بعضها. يحتل GPT Image 2.5 Sunburst قمة لوحات صدارة التعديل، ويليه شقيقه Flare عن قرب. ويظل Nano Banana Pro الطريق السهل إلى تثبيت الهوية دون ضبط دقيق، وهو يمزج ما يصل إلى أربع عشرة صورة وخمسة أشخاص. ويقرن Seedream 5.0 التعديل بالبحث الحي على الويب، ما يساعد عندما يحتاج التعديل إلى مرجع حقيقي. وفي الجانب المفتوح، يتولى FLUX.1 Kontext التعديلات الحافظة للتخطيط التي تشغّلها بنفسك، ويتصدر Qwen-Image-Edit صفوف تعديل الأوزان المفتوحة.

في مواجهة هذا الميدان، يخوض Ming-Image رهانًا ضيقًا. إنه لا يحاول الفوز في حلبة التعديل العامة. إنه يراهن على أن التصميم الغني بالنصوص شريحة كبيرة بما يكفي من السوق لدعم نموذج متخصص، وعلى أن تفكيك الطبقات ميزة لن تتكبد النماذج العامة عناء بنائها لأنها لا تظهر في شريط عرض توضيحي.

لهذا الرهان تاريخ وراءه. أمضت نماذج الصور المفتوحة عامين في مطاردة الواقعية الفوتوغرافية، وضاقت فجوة الجودة بين الأوزان المفتوحة والمغلقة كثيرًا. لكن ما لم يضق هو الفجوة بين نموذج ينتج صورة ونموذج ينتج أصلًا. الصورة تكتمل عندما تبدو صحيحة. أما الأصل فيكتمل عندما يمكن تسليمه لشخص آخر وتغييره. يستهدف Ming-Image الفئة الثانية، وهي شيء أصعب في العرض خلال منشور إطلاق وشيء أنفع في حوزتك بعد ظهر يوم ثلاثاء.

لمن هذا فعلاً

إذا كنت تنتج أصولًا تصميمية بكميات كبيرة ويجب أن يكون النص بداخلها مقروءًا، فهذا يستحق التجربة الآن. الفريق التسويقي الصغير الذي ينتج بطاقات اجتماعية ونسخًا إعلانية وعروضًا داخلية هو الأنسب بوضوح، ورخصة MIT لا تضع شيئًا في الشروط بينك وبين الاستخدام التجاري.

النموذج الطبقي هو ما سأبدأ به، لأن المخرجات الطبقية هي الشيء الذي لا تستطيع أداة الصور الحالية لديك فعله على الأرجح. كل شيء آخر هنا، مثل نموذج نص-إلى-صورة يرسم خطوطًا مقروءة، له منافسة. أما القدرة على أخذ تصميم مسطّح منتهٍ وإعادة ملف قابل للتعديل، فليست لها منافسة.

أول اختبار يستحق التشغيل هو عرض النص بأحجام صغيرة بلغة غير الإنجليزية. هناك تفشل نماذج هذه الفئة عادةً، ولا يقول الإصدار شيئًا عنه. الطباعة متعددة اللغات هي المتطلب الخفي وراء معظم أعمال التصميم الحقيقية، والنموذج الذي يتعامل جيدًا مع الكتابة اللاتينية فقط هو نموذج له سقف.

إذا كانت مخرجاتك فوتوغرافية لا طباعية، فلا ينطبق أي من هذا. لا يحاول Ming-Image منافسة النماذج التي ترسم أشخاصًا ومناظر جميلة. إنه يستهدف النصف غير اللامع من التصميم، الجزء الذي يحتاج فيه ملصق إلى عنوان رئيسي في المكان الصحيح، وبطاقة منتج إلى سعر يستطيع إنسان قراءته. ذلك النصف ينتظر منذ فترة نموذجًا يأخذه على محمل الجد.