في مجال الذكاء الاصطناعي، تتشارك الكثير من النماذج في هدف واحد: تحويل النصوص إلى صور عالية الجودة. القائمون على تطوير نموذج UltraFlux قاموا بخطوة جريئة في هذا المجال، حيث قدموا لنا نظامًا يتيح توليد صور بدقة 4K native عبر أبعاد متنوعة. في الدراسة الجديدة التي نشرت على موقع arXiv، تم إدخال تحسينات جذرية على نموذج Diffusion Transformers ليعزز دقة وجودة الصور المنتجة.

تجدر الإشارة إلى أن التحديات التي واجهتها نماذج توليد الصور عند العمل بدقة 4K كانت مرتبطة بتعقيدات مثل التشفير الموضعي (positional encoding) وضغط VAE (Variational Autoencoder). لكن UltraFlux تبنى أسلوب التصميم المشترك بين البيانات والنموذج. يتم تدريبه على مجموعة بيانات ضخمة تضم مليون صورة بدقة 4K ومجموعة متنوعة من التغطيات اللغوية.

تتضمن التقنيات المستخدمة في UltraFlux كلًا من Resonance 2D RoPE وYaRN والتي تضمن تشفير موضعي يتوافق مع الأبعاد المختلفة. إضافةً إلى ذلك، تم تحسين جودة إعادة بناء الصور من خلال استخدام بروتوكول VAE غير التنافسي. نموذج UltraFlux لم يقتصر على تحسين الدقة فقط، بل تجاوز حدود النماذج المفتوحة المصدر المعروفة في قياسات الجمال والتوافق. بناءً على هذه الابتكارات، يعد UltraFlux خطوة هائلة نحو تعزيز تجربة توليد الصور النصية.