画像AIは「作る」から「直し続ける」へ——SenseNova U1.5 Lite正式版

03 / THE FACTS

何が起きたのか

SenseTimeは8月21日、軽量な統一マルチモーダルモデル「SenseNova U1.5 Lite」の正式版を公開しました。GitHubやHugging Faceなどから世界向けに配布しています。

同社は、プレビュー版で示した基礎能力を、実際の画像制作で正確かつ安定して使えるように学習データ、課題設計、追加学習の工程を見直したと説明しています。

指示は3,000〜4,000文字まで扱えるとしています。被写体の数、位置関係、文字、配置、作風など複数の条件を同時に指定する用途を想定しています。

生成では原生4K、中文と英文の文字、ポスターや情報図の複雑な配置に対応すると説明しました。4Kの詳しい縦横サイズや、文字の正確さを示す数値は載っていません。

編集では、人物や構図、変更しない領域を保ちながら、要素や文字を部分的に直せるとしています。枠で場所を指定する方法や、印を付けた画像による指示にも対応します。

一枚だけでなく、複数の参考画像から人物、作風、光、配置を取り出し、一つの画像へ組み直す例も公開されました。掲載例は同社が選んだもので、無作為な試験ではありません。

モデルは80億パラメーターです。複数の専門モデルを学習時に使い、その能力を一つへまとめることで、配布時は一つのモデルとして動かす設計だと説明しています。

SenseTimeは単一GPUで滑らかに動き、費用と待ち時間を抑えられると主張します。しかしGPU型番、必要VRAM、1枚の生成時間、消費電力、同時利用数は公表していません。

04 / THE CONTEXT

なぜ、今これが重要なのか

画像AIは短い指示から一枚を作るだけなら使いやすくなりました。ところが仕事では、ブランド色を守る、文字を直す、人物を残すといった細かな修正が何度も続きます。

従来は、一部分を直すたびに別の場所まで変わり、担当者が画像編集ソフトで戻すことがありました。修正しても崩れないことが、見栄えの次の競争になっています。

さらに企業は、クラウドの利用料や機密画像の扱いを気にします。公開モデルを自社環境で動かせれば選択肢は増えますが、実際の機器費用と運用負担は別に確かめる必要があります。

07 / NEXT ACTION

今日から、どう動くか

1. 01

   自社のポスターや商品画像を20件選び、変更箇所、保持箇所、文字条件を同じ書式で指定する。

2. 02

   指示どおりか、非対象部分が崩れたか、文字が正しいか、4K生成時間を1件ごとに記録する。

3. 03

   導入前にGPU型番、必要VRAM、ライセンス条件、商用利用、保存場所、更新時の再試験方法を確認する。