عشر صور مرجعية دفعة واحدة: تحرير الصور بالذكاء الاصطناعي ينتقل من اللقطات المفردة إلى التركيبات

لفترة طويلة، كان تحرير الصور بالذكاء الاصطناعي يعني صورة مرجعية واحدة وتعليمات واحدة. اعرض على النموذج صورة، وأخبره بما يجب تغييره، واحصل على نتيجة. كان ذلك يغطي الكثير، لكنه كان يغفل الطريقة التي يفكر بها الناس فعليًا في الصور، والتي غالبًا ما تتعلق بدمج عدة مصادر في صورة واحدة.

يرفع Qwen-Image 2.1 عدد المراجع إلى عشرة. يمكن للنموذج أن يأخذ ست صور شخصية منفصلة ويدمجها في صورة جماعية واحدة، أو أن يجمّع إطلالة كاملة من عارض أزياء وقميص وحذاء وحقيبة وقبعة، مرجع واحد لكل عنصر. هذا نوع مختلف من المهام عن تحرير صورة واحدة، وهو نوع المهام الذي يظهر باستمرار في العمل الواقعي.

فكّر في الحالات العملية. تريد علامة تجارية صورة حملة إعلانية مع ثلاثة من منتجاتها مرتبة في مشهد، مع تقديم كل منتج كصورة منفصلة. يريد مصوّر أعراس دمج عدة لقطات في صورة واحدة. تريد بائعة أزياء عرض إطلالة كاملة مبنية من قطع الكتالوج. يريد مصمم شخصيات الحفاظ على اتساق وجه عبر اثني عشر تنويعًا. يفرض تحرير المرجع الواحد عليك إعادة التوليد والترقيع، بتغذية صورة واحدة في كل مرة والأمل في أن يحافظ النموذج على اتساق كل شيء آخر. أما التحرير متعدد المراجع فيتيح لك تغذية النموذج بالأجزاء وتركه يركّبها.

كان الجزء الصعب دائمًا حسابيًا. المزيد من الصور المرجعية يعني المزيد من الرموز، والمزيد من الرموز يعني عادةً توليدًا أبطأ وذاكرة أكبر. إذا غذّيت عشرة مراجع في نموذج بشكل ساذج وأعدت ترميزها في كل خطوة من عملية الانتشار، تنفجر التكلفة، وتصبح الميزة غير قابلة للاستخدام على أي شيء عدا وحدة معالجة رسومات في مركز بيانات. نهج Qwen لهذا هو مخطط انتباه مختلط الدقة. تحصل تعليمات النص على قناع سببي على مستوى الرمز، بينما يحصل توليد الصور على قناع على مستوى الكتلة. ويتيح مخطط إعادة استخدام ذاكرة KV المؤقتة حساب الصور المرجعية والتعليمات مرة واحدة وإعادة استخدامها كسياق ثابت عبر الخطوات، بدلًا من إعادة حسابها في كل خطوة.

الفكرة بسيطة بما يكفي. إذا لم تتغير المراجع أثناء التوليد، فلا سبب لإعادة ترميزها في كل خطوة. احسبها مرة واحدة، وخزّنها مؤقتًا، وأنفق الحوسبة على الأجزاء التي تتغير فعليًا. هذا نوع الهندسة الذي لا يتصدر العناوين لكنه يحدد ما إذا كانت الميزة قابلة للاستخدام فعليًا على أجهزة المستهلك. الفرق بين «يدعم عشرة مراجع» على ورقة المواصفات و«يدعم عشرة مراجع دون انتهاء المهلة» عمليًا هو بالضبط هذا النوع من التخزين المؤقت.

الانتقال من مرجعين إلى عشرة أكثر من مجرد رقم أكبر. إنه يغيّر ما يمكنك وصفه. ينتج تحرير الصورة الواحدة تنويعات، أي الصورة نفسها معدّلة. وينتج التحرير متعدد الصور تركيبات، أي صورًا جديدة مجمّعة من أجزاء، والتركيبات هي حيث تكمن كثير من القيمة التجارية. تصوير المنتجات، والصور الجماعية، وكتالوجات الإطلالات، وتركيب المشاهد، ورسم القصص المصورة من مجموعة أصول، كل ذلك ينفتح عندما يستطيع النموذج الاحتفاظ بعدة مدخلات في وقت واحد والتفكير في كيفية تركيبها معًا.

يشير هذا أيضًا إلى اتجاه أوسع لنماذج الصور. كانت النماذج المبكرة من نص إلى صورة: صِف مشهدًا، واحصل على صورة. ثم جاء تحرير من صورة إلى صورة: أعطه صورة، وصِف تغييرًا. الآن الحدود المتقدمة هي التركيب، بتغذية النموذج بمدخلات كثيرة وتركه يفكر في كيفية دمجها. هذا أقرب إلى طريقة عمل المصمم البشري، الذي يجمّع من القطع بدلًا من الوصف من الصفر، ويشير إلى نماذج تتصرف أقل كمولّدات وأكثر كشركاء.

هناك جانب يتعلق بالخصوصية والتحكم يستحق الملاحظة. عندما يستطيع نموذج التركيب من عشرة مراجع، يحتفظ المستخدم بالتحكم في المدخلات. فبدلًا من وصف منتج والأمل في أن يقدّمه النموذج بدقة، تغذيه بصورة المنتج الفعلية. وبدلًا من وصف شخص، تغذيه بصورته الحقيقية، ضمن حدود الموافقة المعمول بها. التحرير متعدد المراجع، بمعنى ما، خطوة نحو توليد مستند إلى أصول حقيقية، حيث يكون النموذج مثبتًا إلى أصول فعلية بدلًا من التخيّل من وصف نصي.

لا تزال هناك حدود حقيقية. يظل الحفاظ على الهوية عبر عدة أشخاص في صورة واحدة صعبًا ومتقلبًا، وكلما زادت المراجع التي تغذيها، زادت فرص أن يخلط النموذج بين سماتها، الوجه الخطأ على الجسد الخطأ، أو اللون الخطأ على العنصر الخطأ. سقف الصور العشر خطوة، وليس مشكلة محلولة، وتصبح أنماط الفشل أغرب مع نمو عدد المدخلات. من الواضح أن الفريق قام بالعمل الهندسي لجعله سريعًا، لكن عمل الجودة مستمر.

تعد عناصر التحكم في التحرير المحلي جزءًا من الحزمة نفسها. يمكنك رسم دوائر، أو وضع تعليقات مرسومة، أو تمرير صورة قناع منفصلة لاستهداف تعديل في منطقة واحدة دون لمس الباقي. وبالاقتران مع إدخال متعدد المراجع، يبدأ هذا في الظهور كأداة تركيب حقيقية، من النوع الذي كان يتطلب طبقات في محرر رسومات، وأصبح الآن قابلًا للتعبير عنه كمجموعة مراجع وتعليمات لنموذج واحد.

بالنسبة لأي شخص يبني أدوات إبداعية، الدرس واضح. الموجة التالية من التمايز ليست «صور فردية أفضل». بل «كم عدد الأشياء التي يمكن للنموذج حملها ودمجها في وقت واحد، ومدى دقة إخباره بما يجب تغييره». عشرة مراجع هي الإجابة الحالية. ولن تبقى عشرة طويلًا.

هناك إطار أوسع يستحق أن يوضع حول هذا. لسنوات، كان وعد توليد الصور بالذكاء الاصطناعي هو «صِفه، واحصل عليه». نجح ذلك الوعد للاستخدام العارض، لكنه لم ينجح تمامًا للمحترفين، لأن المحترفين نادرًا ما يبدؤون من وصف فارغ. بل يبدؤون من أصول: صورة منتج، صورة مرجعية، دليل علامة تجارية، وجه يجب أن يبقى متسقًا. والانتقال نحو التحرير متعدد المراجع هو، في جوهره، تنازل لهذه الحقيقة. يُدرَّب النموذج على البدء مما يملكه المستخدم بالفعل، بدلًا من مما يستطيع المستخدم وصفه.

لهذا تهم الهندسة. الاحتفاظ بعشرة مراجع في السياق وإبقاؤها متمايزة ليس مجرد نسخة أكبر من الاحتفاظ بواحد. إنها مشكلة مختلفة، الفرق بين تذكّر وجه واحد وتذكّر عشرة أشخاص جيدًا بما يكفي للتمييز بينهم في صورة جماعية. إن الأقنعة على مستوى الكتلة وإعادة استخدام ذاكرة KV المؤقتة التي يصفها Qwen هي التقنيات المحددة لحل تلك المشكلة، وهي نوع التفاصيل التي تحدد ما إذا كانت الميزة تعمل عمليًا أم في عرض توضيحي فقط.

التأثير التجاري مباشر. سير العمل التي يفتحها التحرير متعدد المراجع، مثل تركيب المنتجات، والتصوير الجماعي، وكتالوجات الإطلالات، وتوليد أصول العلامة التجارية، كلها أشياء يدفع الناس حاليًا مقابلها، إما في الأدوات أو في العمالة. إذا استطاع نموذج أداءها جيدًا بما يكفي، تنتقل القيمة من العمل البشري في التركيب إلى قدرة النموذج على الحمل والدمج. هذا تحول اقتصادي حقيقي، ولهذا فإن هذه الميزة، أكثر من الميزات الملائمة للمعايير، هي التي يجب مراقبتها لمعرفة إلى أين تتجه الصناعة فعلًا.

هناك أيضًا زاوية إبداعية يسهل تفويتها. يغيّر التحرير متعدد المراجع ما يُعتبر «صياغة أوامر». المستخدم الذي يغذي عشرة مراجع لا يكتب وصفًا، بل ينسّق مجموعة، ويتخذ خيارات حول ما يضمّه وما يتركه. هذا أقرب إلى الإدارة الفنية منه إلى هندسة الأوامر، ويشير إلى مستقبل يصبح فيه الفعل الإبداعي في عمل الصور بالذكاء الاصطناعي متعلقًا بالاختيار والتركيب بقدر ما هو متعلق باللغة. سقف المراجع العشر، بهذا المعنى، هو الخطوة الحقيقية الأولى نحو نماذج صور تعامل المستخدم كمخرج لا كطالب.