ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#การสร้างภาพ
12 พฤศจิกายนวันพฤหัสบดี
  1. vLLM Blog64

    vLLM-Omni ทดสอบ MiniMax H3-Image บน Vera Rubin: สร้างภาพ 4K ใน 0.87 วินาที และ 6,115 ภาพต่อชั่วโมง

    vLLM-Omni นำ MiniMax H3-Image มาทำงานบน NVIDIA Vera Rubin และวัดเวลาแฝงมัธยฐานได้ 0.87 วินาทีสำหรับการสร้างภาพจากข้อความเป็น 4096×4096 แบบเนทีฟบนสี่ GPU พร้อมด้วย 6,115 ภาพต่อชั่วโมงในการกำหนดค่าด้านทรูพุตแยกต่างหาก H3-Image เป็นโมเดลสร้างและแก้ไขภาพจากข้อความแบบเปิดน้ำหนัก ที่จับคู่เอนโคเดอร์ Qwen3-VL กับ DiT แบบ dense 33.1B และ VAE สำหรับภาพ จัดการทั้งสองงานในหกขั้นตอนการสุ่มตัวอย่างด้วยภาพอ้างอิงสูงสุด 16 ภาพ ทีมรายงานว่าใช้ MXFP8 DiT GEMMs, Ulysses SP4, AdaLN caching และการเปลี่ยนแปลงการถอดรหัส VAE ที่ลดเวลาการถอดรหัสจาก 2.635 วินาทีเหลือ 0.213 วินาที พร้อมระบุสูตรการตั้งค่าสำหรับฮาร์ดแวร์ AMD, Intel, Huawei Ascend และ Moore Threads

    ทำไมเรื่องนี้สำคัญ: การทดสอบของ vLLM-Omni แสดงให้เห็น MiniMax H3-Image ทำงานบน Vera Rubin ด้วยเวลาแฝง 4K ต่ำกว่าหนึ่งวินาที พร้อมการกำหนดค่าต่อฮาร์ดแวร์และแบบจำลองต้นทุนสำหรับเศรษฐศาสตร์ของการให้บริการ

  2. Recraft Blog42

    MiniMax H3 Image, Highspeed และ Lite มาถึง Recraft Studio แล้ว

    ตระกูล H3 ของ MiniMax ขยายขอบเขตเกินกว่าวิดีโอในสัปดาห์นี้ โดย H3 Image, H3 Image Highspeed, H3 Highspeed และ H3 Lite พร้อมใช้งานแล้วใน Recraft Studio โมเดลภาพทั้งสองสร้างและแก้ไขที่ 2K หรือ 4K ขณะที่โมเดลวิดีโอทั้งสองสร้างคลิปความยาว 4–15 วินาทีที่ 480p หรือ 768p พร้อมเสียง H3 Image เริ่มต้นที่ 6 เครดิตต่อภาพ และ H3 Lite เริ่มต้นที่ 4 เครดิตต่อวินาทีของวิดีโอ

11 พฤศจิกายนวันพุธ
  1. MiniMax Blog75

    MiniMax เปิดตัว H3-Image โมเดลน้ำหนักเปิดที่สร้างภาพ 4K ได้ในไม่ถึง 10 วินาที

    MiniMax เปิดตัว H3-Image โมเดลสร้างภาพแบบน้ำหนักเปิดที่สร้างบน H3 รองรับการสร้างภาพจากข้อความ การสร้างจากภาพอ้างอิง และการแก้ไขภาพ และสามารถสร้างภาพขนาด 4096 × 4096 ได้ในไม่ถึง 10 วินาที บริษัทกล่าวว่าโมเดลรองรับภาพอ้างอิงได้สูงสุด 16 ภาพ อ้างว่ามีความสามารถในการทำตามพรอมต์ระดับแนวหน้าของโมเดลน้ำหนักเปิด และรายงานความเร็วสูงกว่าคู่แข่งกระแสหลักถึง 5 เท่า H3-Image ใช้งานได้ผ่าน MiniMax API Platform, MiniMax Code และ Hailuo AI ในราคา 50–70% ของผลิตภัณฑ์ที่เทียบเคียงได้ โดยมีส่วนลด 50% สำหรับคำขอขนาด 4K ขึ้นไปในช่วงสัปดาห์เปิดตัว

    ทำไมเรื่องนี้สำคัญ: MiniMax เปิดตัว H3-Image แบบน้ำหนักเปิด อ้างว่าสร้างภาพ 4K ได้ในไม่ถึง 10 วินาที และตั้งราคาที่ 50–70% ของผลิตภัณฑ์กระแสหลักที่เทียบเคียงได้ มอบทางเลือกแบบเปิดใหม่ให้นักพัฒนาสำหรับงานภาพความละเอียดสูง

  2. Recraft Blog29

    Recraft เปิดตัว Vectorizer Pro สำหรับการแปลงเป็นเวกเตอร์ SVG ที่สะอาดขึ้น

    Recraft เปิดตัว Vectorizer Pro เครื่องมือแปลงภาพเป็นเวกเตอร์ที่เปลี่ยนภาพ PNG, JPG และ WebP ให้เป็น SVG ที่สะอาดขึ้น เปิดให้ทุกคนใช้งานได้ใน Recraft Studio ทุกแพ็กเกจตั้งแต่ 29 ตุลาคม 2026 โดยคงเส้นตรงให้ตรงและมีระยะห่างสม่ำเสมอ รักษาปลายและมุมที่คมของไอคอน และวาดเส้นโค้งเป็นเส้นเดียวที่สะอาด ช่วยลดงานเก็บรายละเอียดใน Figma หรือ Illustrator เหมาะที่สุดกับภาพประกอบแบบแบน โลโก้ ไอคอน และงานเส้น ส่วนภาพต้นฉบับที่มีพื้นผิวหนาอาจยังต้องทำให้เรียบง่ายก่อน

10 พฤศจิกายนวันอังคาร
  1. Recraft Blog34

    เครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    Recraft ได้รับการยกให้เป็นเครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026 หลังการเปรียบเทียบเครื่องมือทั้งเจ็ดซึ่งให้คะแนนจากการทดสอบสไตล์ที่สม่ำเสมอด้วยไอคอนห้าไอคอนและการส่งออก SVG แบบเนทีฟ Recraft รักษาน้ำหนักเส้นและรัศมีมุมให้สม่ำเสมอตลอดทุก glyph และส่งออก SVG ที่แก้ไขได้ ขณะที่ Canva ผ่านเพียงบางส่วน ส่วน Adobe Firefly และ Midjourney ไม่ผ่านทั้งสองการตรวจสอบด้วยเอาต์พุตแบบแรสเตอร์

  2. Recraft Blog58

    คู่มือ Recraft: 12 การแก้ไขภาพด้วยข้อความพร้อมท์ที่ได้ผล และถ้อยคำที่ล้มเหลว

    Recraft เผยแพร่คู่มือพร้อมข้อความพร้อมท์สำเร็จรูป 12 รายการสำหรับการแก้ไขภาพบนโมเดล image-to-image โดยสร้างจากรูปแบบสองบรรทัด คือบรรทัดเปลี่ยนที่ระบุวัตถุ ตำแหน่ง และผลลัพธ์ กับบรรทัดเก็บรักษาที่ล็อกใบหน้า ข้อความบนฉลาก การจัดองค์ประกอบ และแสง คู่มือระบุว่าการแก้ไขเฉพาะจุด เช่น การลบวัตถุ การเปลี่ยนสี การปรับแสง หรือการสลับชุด ช่วยรักษาอัตลักษณ์ได้ดีกว่าการเปลี่ยนสไตล์หรือการสลับสภาพอากาศ และข้อความพร้อมท์จะล้มเหลวเมื่อรวมการเปลี่ยนแปลงหลายอย่างเข้าด้วยกัน เขียนข้อความตัวพิมพ์ใหม่ หรือขอใบหน้าหรือสัดส่วนร่างกายใหม่ คู่มือแนะนำให้สร้างสองถึงสามรูปแบบ ตรวจสอบที่ซูม 100% และแก้ข้อผิดพลาดที่เหลืออยู่หนึ่งจุดด้วยข้อความพร้อมท์ติดตามที่ระบุเฉพาะบริเวณนั้น

  3. Recraft Blog22

    ตัวสร้างมีม AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    เครื่องสร้างมีม AI เจ็ดตัว ได้แก่ Imgflip, Canva, Supermeme.ai, Recraft, Kapwing, ChatGPT และ Magic Hour ถูกทดสอบในด้านแพ็กเกจฟรี ลายน้ำ เทมเพลต การแสดงผลคำบรรยาย ขนาดไฟล์ส่งออก และ API โดยใช้โจทย์มีมเดียวกันสามข้อ การเปรียบเทียบพบว่าไม่มีผู้ชนะที่เหนือกว่าทุกด้าน: Imgflip ชนะด้านเทมเพลตคลาสสิก Supermeme.ai ชนะด้านการเปลี่ยนไอเดียเป็นคำบรรยาย Recraft และ ChatGPT ชนะด้านภาพต้นฉบับ Kapwing ชนะด้านวิดีโอและ GIF และ Canva ชนะเมื่อมีมต้องพอดีกับเลย์เอาต์

9 พฤศจิกายนวันจันทร์
  1. Recraft Blog22

    เครื่องมือสร้างสติกเกอร์ AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    Recraft เป็นเครื่องมือสร้างสติกเกอร์ AI ที่ดีที่สุดสำหรับเส้นตัดแบบไดคัท ไฟล์ PNG โปร่งใส และ SVG จากผืนผ้าใบเดียว ขณะที่ Canva เหมาะกว่าสำหรับแผ่นสติกเกอร์และการสั่งพิมพ์ในตัวแก้ไขเดียวกัน มีการให้คะแนนเครื่องมือเจ็ดตัวเมื่อวันที่ 9 พฤศจิกายน 2026 ตามเกณฑ์การพิมพ์ห้าข้อ และมีเพียง Recraft, Kittl และ Canva Print เท่านั้นที่เสนอเส้นทางจริงสู่เส้นตัดหรือแผ่นพิมพ์ Firefly, Ideogram, Leonardo AI และ ChatGPT ชนะงานที่แคบกว่า เช่น การแปลงภาพถ่ายเป็นสติกเกอร์หรือชุดแชท

  2. Recraft Blog38

    ตัวสร้างตัวละคร AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ Recraft, Midjourney, Gemini, ChatGPT และอื่นๆ

    การเปรียบเทียบตัวสร้างตัวละคร AI เจ็ดตัวโดยให้คะแนนด้านความสม่ำเสมอของท่าทาง ภาพอ้างอิง การควบคุมสไตล์ รูปแบบการส่งออก และระดับฟรี พบว่าไม่มีเครื่องมือใดที่ดีที่สุดเพียงหนึ่งเดียวสำหรับทุกโจทย์ Recraft นำในด้านการรักษาตัวละครหนึ่งตัวให้คงที่ across ท่าทางด้วยสไตล์ที่ใช้ซ้ำได้และการส่งออกเวกเตอร์ SVG ขณะที่ Midjourney ชนะด้านลุคแบบเฟรมเดียวแต่ไม่มีแผนฟรี โดย Basic อยู่ที่ 10 ดอลลาร์ต่อเดือน Gemini และ ChatGPT เหมาะกับการวนปรับตัวละครภายในแชท และ Recraft, Gemini, ChatGPT, Leonardo, Ideogram และ OpenArt ต่างมีระดับฟรีหรือเครดิตรายสัปดาห์

29 ตุลาคมวันพฤหัสบดี
  1. inclusionAI Repositories52

    IDM ของ Inclusion AI จับคู่ฟีเจอร์ EMA ของตัวสร้างเพื่อเร่งการสร้างภาพจากข้อความแบบหนึ่งขั้นและสองขั้น

    Inclusion AI และผู้ร่วมงานทางวิชาการได้เปิดตัว IDM ซึ่งเป็นวิธีการกลั่นที่ผสมผสานการจับคู่การกระจายภายในกับการจับคู่โมเมนต์ในพื้นที่ฟีเจอร์ EMA ของตัวสร้างเอง โดยไม่ต้องใช้ตัวเข้ารหัสฟีเจอร์ภายนอก ที่ 2 NFE IDM (Z-Image) ทำคะแนนได้ 94.25% บน LongText-CN และ 90.20% บน LongText-EN และ IDM (Z-Image) แบบพารามิเตอร์เต็มทำงานใน 0.25 วินาทีที่ 1 NFE และ 0.30 วินาทีที่ 2 NFE บน A100 เครื่องเดียวใน BF16 เช็กพอยต์ที่ฝึกแล้วเดียวกันรองรับการสุ่มตัวอย่างทั้งแบบ 1-NFE และ 2-NFE และโค้ดเปิดเผยภายใต้ Apache 2.0 ขณะที่เช็กพอยต์ระบุว่ากำลังจะมา

26 ตุลาคมวันจันทร์
  1. Apple Machine Learning Research34

    GHARP: การสร้างแอนิเมชันศีรษะแบบเกาส์เซียนแบบเรียลไทม์จากไพรเออร์การสร้างใหม่ขนาดใหญ่

    นักวิจัยจาก Apple นำเสนอ GHARP ซึ่งเป็นวิธีการสร้างแอนิเมชันศีรษะมนุษย์ 3 มิติแบบเรียลไทม์จากภาพอินพุตเพียงไม่กี่ภาพพร้อมสัญญาณการขับเคลื่อนสีหน้า โดยแบ่งงานออกเป็นขั้นตอนออฟไลน์สำหรับระบุตัวตนและขั้นตอนรันไทม์สำหรับแอนิเมชันที่มีน้ำหนักเบา เครือข่ายจัดแนวร่างกายช่วยขจัดความกำกวมจากท่าทางร่างกายและเสื้อผ้า และ GHARP บรรลุคุณภาพระดับสูงสุดบน基準 Ava-256 ขณะที่ทำงานเร็วขึ้นถึง 13 เท่าบน GPU A100 โดยใช้เกาส์เซียนน้อยลง 8 เท่า

21 ตุลาคมวันพุธ
  1. Apple Machine Learning Research26

    TEAL: การเรียนรู้เชิงรุกที่มีประสิทธิภาพในระดับโทเคนสำหรับการแบ่งส่วนความหมายแบบงบประมาณต่ำ

    นักวิจัยจาก Apple (ร่วมกับ University of Waterloo) นำเสนอ TEAL ซึ่งเป็นกรอบการเรียนรู้เชิงรุกระดับพิกเซลกรอบแรกที่สร้างบนตัวแทน ViT ที่ถูกแช่แข็ง โดยเลือกผู้สมัครที่หลากหลายโดยตรงบนโครงข่ายโทเคนดั้งเดิมผ่านกลยุทธ์ MaxHerding สองระดับพร้อมการปรับแต่งความไม่แน่นอนตาม margin ด้วยพิกเซลที่มีป้ายกำกับเพียงหนึ่งพิกเซลต่อภาพ TEAL เอาชนะ baseline ที่แข็งแกร่งที่สุดได้ถึง +24.36 mIoU บน CamVid, Cityscapes, ADE20K และ Pascal Context โดยเข้าถึงประสิทธิภาพสูงถึง 97% ของการเรียนรู้แบบมีผู้สอนเต็มรูปแบบด้วยเพียง 10 px

2 กรกฎาคม 2025วันพุธ
  1. Modal Blog40

    Modal ใช้ Evals และการขยายคอมพิวต์ตอนอนุมานเพื่อสร้าง QArt Code ที่สแกนได้อย่างไร

    Modal ใช้ evals และการขยายคอมพิวต์ตอนอนุมานเพื่อปรับปรุงระบบ QArt code ของตน เพิ่มอัตราการสแกน QR ไปถึงเป้าหมายระดับบริการ 95% พร้อมทั้งปรับปรุงคุณภาพด้านความสวยงามและคืนรหัสได้ภายในเวลาไม่ถึง 20 วินาทีที่ p95 งานนี้เดินตามแนวทาง ML มาตรฐาน คือการเก็บคำตัดสินของมนุษย์ ปรับให้สอดคล้องกับคำตัดสินเหล่านั้น แล้วจึงขยายขนาด ซึ่งช่วยแก้ปัญหาช่องว่างแบบ "it worked on my prompt" ที่ทำให้ QR code ที่สร้างขึ้นจำนวนมากสแกนไม่ได้

18 มิถุนายน 2025วันพุธ
  1. Modal Blog58

    Modal เผยวิธีรัน FLUX.1-dev เร็วขึ้นสามเท่า

    วิศวกรของ Modal อธิบายการทำให้ FLUX.1-dev ของ Black Forest Labs ทำงานเร็วขึ้นประมาณสามเท่าในรูปแบบบริการ autoscaling โดยลดเวลาสร้างภาพขนาด 1024x1024 จากราว 6.75 วินาทีเหลือต่ำกว่าสามวินาที การปรับแต่งมาตรฐาน ได้แก่ Torch compiler พร้อม max-autotune, fused QKV attention และ channels-last memory layout ให้ความเร็วเพิ่มราว 1.5 เท่า ขณะที่ First Block Caching จาก repo ParaAttention ซึ่งอ้างอิงงานวิจัย TEACache เพิ่มความเร็วอีก 2 เท่าที่ threshold 0.12 ส่วน compile caches และ Modal Memory Snapshots ลดเวลา cold start ได้ 30 เท่า

20 พฤศจิกายน 2024วันพุธ
  1. Modal Blog25

    OpenArt ขยายแพลตฟอร์มศิลปะ Gen AI ของตนบน GPU หลายร้อยตัวด้วย Modal ได้อย่างไร

    OpenArt déployé เวิร์กโฟลว์ ComfyUI ที่เป็นกรรมสิทธิ์ของตนบน Modal โดยลดเวลาการติดตั้งจากหลายชั่วโมงบน AWS และ GCP เหลือเพียงไม่กี่นาที และปรับขนาดอัตโนมัติถึงคอนเทนเนอร์ GPU หลายร้อยตัว ปัจจุบัน Modal ขับเคลื่อนเวิร์กโฟลว์กว่า 100 รายการบนแพลตฟอร์ม ซึ่งให้บริการผู้ใช้ที่ใช้งานอยู่รายเดือนมากกว่า 3 ล้านคน

21 พฤษภาคม 2024วันอังคาร
  1. Modal Blog31

    การปรับแต่ง Stable Diffusion บน Heroicons เพื่อสร้างไลบรารีไอคอนที่ไม่มีที่สิ้นสุด

    Modal ได้ปรับแต่งโมเดล Stable Diffusion บนไลบรารี Heroicons ขนาดประมาณ 300 SVG เพื่อสร้างไอคอนเส้นขาวดำแบบใหม่ในสไตล์นั้น รวมถึงไอคอนสำหรับแนวคิดอย่าง barack-obama และ golden-retriever ไปป์ไลน์ทั้งหมด — การดาวน์โหลดโมเดลที่ผ่านการฝึกมาแล้ว การปรับแต่งเต็มรูปแบบด้วยสคริปต์ train_text_to_image.py ของ HuggingFace Diffusers และการให้บริการเว็บ UI แบบ Gradio — ทำงานบนแพลตฟอร์ม GPU แบบเซิร์ฟเวอร์เลสของ Modal บทความอธิบายขั้นตอนการเตรียมชุดข้อมูล (การแปลง SVG เป็น PNG, พื้นหลังสีขาว, ไฟล์ metadata.csv สำหรับคำอธิบายภาพ) และระบุว่าการปรับแต่งเต็มรูปแบบได้ผลดีที่สุด แม้ว่าอะแดปเตอร์แบบขนานสไตล์ LoRA ก็สามารถใช้ได้กับชุดข้อมูลขนาดเล็ก