Звичайно генератор картинок працює просто: ти пишеш промпт, модель одразу малює зображення з шуму і більше до нього не повертається. Muse Image від Meta ламає цю схему. Це перша модель генерації зображень від Meta Superintelligence Labs (MSL) — нової дослідницької лабораторії Meta, створеної під особистий контроль Марка Цукерберга. І вона не просто малює картинки за один крок — вона спочатку думає, гуглить інтернет і пише код, а вже потім малює результат.
Чому Muse Image не просто малює картинки, а діє як агент
Звичайна модель генерації зображень працює одноразово: промпт заходить на вході, картинка виходить на виході, і між цим нічого не відбувається. Muse Image побудована інакше: замість прямого відображення промпту в пікселі вона поводиться як агент: викликає інструменти пошуку й кодування, щоб підвищити точність, самостійно допрацьовує власні генерації і стає кращою, чим довше «думає» над відповіддю.
Кодування. Під час навчання модель навчилась писати й запускати код, щоб точно відтворювати графіки чи QR-коди, а потім звірятися з відрендереними з цього коду зображеннями, щоб точніше відтворювати деталі в фінальній картинці. Разом з Muse Spark (іншою моделлю Meta) вона вміє зібрати з цього анімовані GIF, прості веб-сторінки з вбудованими зображеннями і навіть прості інтерактивні візуальні ігри.
Пошук. Коли промпт стосується речей, про які модель не могла знати з тренувальних даних — свіжі події чи конкретні речі з реального світу — Muse Image гуглить інтернет і шукає референсні зображення, щоб заземлити результат у фактах, а не в догадках моделі.
Самокорекція: модель вчиться виправляти саму себе, і цього ніхто не планував
Один із найцікавіших моментів у релізі — це самокорекція. Під час генерації Muse Image не просто видає результат — вона зупиняється і оцінює власну роботу в процесі міркування. Залежно від того, що саме пішло не так, вона обирає один із варіантів виправлення: локальна правка чернетки, якщо збилась одна деталь, повна перегенерація з нуля, якщо не так вийшла велика частина, або взагалі інша тактика — наприклад, викликати інструменти, щоб перевірити факти.
Важлива деталь: інженери Meta кажуть, що цю поведінку вони спеціально не закладали. Вона сама виникла під час навчання з підкріпленням через відгук (reinforcement learning) — просто тому, що самоперевірка давала кращі картинки і, відповідно, вищу винагороду під час тренування. Простіше кажучи: ніхто вручну не прописував логіку «перевіряй себе» — модель дійшла до цього сама, бо так виходило краще.
Чим більше думає — тим краще малює
Тут працює принцип, знайомий з великих мовних моделей: чим більше обчислювальних ресурсів модель витрачає на «обміркування» відповіді прямо в момент запиту (а не заздалегідь під час навчання), тим якісніший результат. У Muse Image це працює так само: більше часу на «думки» перед відповіддю — більше викликів інструментів і кроків самокорекції — веде до кращого результату, читачі оцінюють такі картинки вище, і ця залежність майже лінійна.
Компанія пробувала й простіший підхід — згенерувати одразу кілька варіантів і обрати найкращий (у термінології моделей це називається Best-of-N). Це дає швидкий приріст якості спочатку, але швидко виходить на плато. Свідоме розмірковане міркування й викликання інструментів масштабується краще й довше — особливо коли обидва підходи поєднуються: інструменти дозволяють моделі сягнути туди, де її власних знань не вистачає.
Редагування та композиція з кількох референсів
Крім генерації з нуля, Muse Image вміє точно редагувати вже готове зображення — міняє точно те, про що ти просиш, і зберігає зв’язність між декількома послідовними правками підряд — тобто можна відточувати деталь за деталлю, не втрачаючи того, що вже було зроблено раніше.
Друга важлива фіча — композиція з багатьох референсних зображень одразу: ти можеш підкинути кілька картинок з людьми, об’єктами, одягом, стилем чи середовищем, і попросити зібрати з них одну зв’язну сцену. Можна навіть перемішувати текст і картинки всередині одного промпту, коли композиція складна й потребує кількох відправних точок.
Muse Image на Arena: друге місце, але не перше
За людськими оцінками на рейтинговій платформі Arena Muse Image тримає друге місце одразу в трьох категоріях — генерація з тексту, редагування однієї картинки й редагування декількох. Звучить солідно, але розрив до лідера помітний: за незалежними підрахунками, у категорії текст-в-зображення Muse Image набрала 1280 очок, а лідер — GPT Image 2 від OpenAI — 1385, тобто різниця помітна. Це не провал, але й не безумовне перше місце, як могло б здатися з прес-релізу.
Паралельно Meta показала ранній прев’ю Muse Video — моделі генерації відео, побудованої на тій самій базовій архітектурі, що й Muse Image, і вже з вбудованою підтримкою аудіо. Вона посідає третє місце в категорії текст-в-відео на тій самій Arena, але сама Meta відкрито визнає: синхронізація звуку з відео й фізично точна швидка рухомість ще кульгавлять.
Content Seal і незручний бічний нюанс
Щоб люди могли відрізняти згенероване зображення від реального фото, Meta вбудовує Content Seal — невидиме водяне знакування, яке залишається на місці навіть після обрізання, стискування, зміни розміру чи навіть скріншоту. Компанія тестує і окремий інструмент, який дозволяє перевірити, чи конкретна картинка несе таке маркування.
Але є й зворотний бік медалі: незалежні огляди вказують, що в Meta AI є функція, яка дозволяє за Instagram-ніком іншої людини згенерувати зображення з нею без явної згоди цієї людини — це вже викликало критику щодо приватності. Навіть гарна технологія генерації, як бачиш, не відміняє питання про згоду на використання чийогось обличчя.
Де вже доступна Muse Image від Meta
Muse Image вже працює у додатку Meta AI, на сайті meta.ai, в Instagram Stories (поки тільки в США) і у WhatsApp в обмеженому списку країн; додаток до Facebook ще в дорозі. Базове користування безкоштовне, а більше навантаження Meta обіцяє тримати за платними підписками — хоча конкретних назв тарифів чи лімітів на кількість зображень компанія поки не назвала.
Головний висновок простий: генератори картинок повільно перестають бути простими машинами «промпт → картинка» і стають агентами, які думають, перевіряють себе й шукають факти, коли власних знань бракує. Це той самий тренд, що вже кілька років змінює текстові й кодові моделі — просто тепер він дійшов і до генерації картинок.
Джерела: Meta AI — Introducing Muse Image and Muse Video, the-decoder.com
