گوگل همچنین بالاخره قابلیت ساخت عکس با هوش مصنوعی Gemini 2.0 Flash رو هم فعال کرده که قابلیتهای متمایزی نسبت به دیگر مدلهای ساخت عکس داره.

برخلاف دیگر هوش مصنوعیها از جمله میدجرنی و فلاکس که مدل diffusion هست، گوگل یکی از اولین شرکتهایی که مدل ساخت عکس رو برای یک مدل زبانی بزرگ (LLM) فعال کرده به طوری که وقتی ازش خواسته بشه که عکس بسازه، این هوش مصنوعی به مدل دیگه ای که برای ساخت عکس طراحی شده، وصل نمیشه بلکه خودش ذاتا امکان تولید عکس رو داره.

چنین قابلیتی به این مدل امکانات متمایزی میده که از جمله اونها این هست چون یک مدل LLM هست، اطلاعاتی زیادی در مورد جهان داره و دستورات متنی کاربر رو خیلی بهتر از دیگر مدلها میتونه متوجه بشه و دقت بالایی در ساخت عکسها براساس پرامپت کاربر داره.

علاوه بر این در ایجاد تغییرات روی یک عکس ورودی هم بهتر از بقیه عمل میکنه به طوری که وقتی ازش خواسته میشه یک دستور پخت غذا رو بنویسه، این مدل میتونه برای هر مرحله اون عکس قبلی رو تغییر بده و فقط موادی که به اون غذا در هر مرحله اضافه میشه رو به عکس اضافه کنه.

همچنین در ساخت تصاویر با نوشته های طولانی هم خوب عمل میکنه و این نوشته ها عمدتا غلطهای املایی کمتری نسبت به بقیه مدلها دارن.

این هوش مصنوعی از حالا به صورت رایگان از طریق پلتفرم Google AI Studio با انتخاب مدل Gemini 2.0 Flash Experimental و قرار دادن output format روی images and text قابل استفاده هست.

🔎 venturebeat

📍 @TechTube