Imagecaster: نماذج محلية بذاكرة 16 غيغابايت تتعلم الكتابة بالروسية وتجربة الإطلالات

ستة أصابع ونص روسي مشوّه: هاتان أبرز الصورتين النمطيتين عن توليد الصور محليًا. اختبر مطوّر تطبيق Imagecaster، المعروف سابقًا باسم SD Studio، ما بقي منهما بعد ستة أشهر من مقالته الأولى. وأُجريت الاختبارات على بطاقة RTX 4070 Ti Super بذاكرة فيديو سعتها 16 غيغابايت.

النماذج التي بقيت

في مايو، لم يكن التطبيق يضم سوى SD 1.5 وSDXL وPony. وتحتاج هذه النماذج إلى تعليمات تتكون من مجموعة وسوم، كما تواجه صعوبة في تنفيذ مشاهد معقدة مثل «اليد اليمنى على اللافتة، واليسرى تعدّل الشعر». أما الآن، فتشكّل Flux 1 وZ-Image Turbo وMoss-Image وFlux 2 Klein النماذج الأساسية. وهي تفهم الجمل العادية، لكنها تتطلب ذاكرة فيديو بسعة 12–16 غيغابايت.

لكل نموذج اختصاصه. يلتزم Flux 1 بدقة بالأوصاف الطويلة. ويولّد Z-Image Turbo صورًا واقعية في 8 خطوات بدلًا من 20–50، ما يجعله مناسبًا لتجربة بدائل متعددة. ويجسّد Moss-Image المشهد بمستوى لا يقل عن Flux 1، ويدعم التعديل بتعليمات روسية: فعبارة «استبدل البنطال بتنورة» تغيّر الملابس مع الحفاظ على الشخص والوضعية والخلفية. أما Klein فيتولى المعالجة اللاحقة وإعادة تركيب الصور مع الحفاظ على الوجه.

جرّب المطوّر Qwen-Image 2.1 وKrea 2 ثم استبعدهما. فالجمع بين Z-Image وMoss وKlein ينجز المهام نفسها بسهولة أكبر وبسرعة أعلى.

اختبار الكتابة بالروسية

كانت التعليمات: شابة في السوق تحمل لافتة مكتوبًا عليها «Картошка, недорого» («بطاطس بسعر رخيص»). وجاءت النتائج كالتالي:

• Moss: ‏50 خطوة، ونحو دقيقتين للصورة، و5 صور من أصل 10 بلا أخطاء. وكانت الأخطاء طفيفة، مثل «недорогго».
• Z-Image Turbo: نحو 15 ثانية للصورة، و6.5 من أصل 10. وظهرت أخطاء مثل «Картоша» و«Картоцка».
• Flux 1: نحو دقيقة للصورة، و0 من أصل 5.

بحسب تفسير Claude، يعود السبب إلى مُرمّز النصوص، وليس إلى التكميم. يقرأ Flux 1 التعليمات عبر T5، الذي دُرّب أساسًا على الإنجليزية. أما Z-Image وMoss فيستخدمان مُرمّزات من عائلة Qwen، وهي متعددة اللغات. والعينات صغيرة، إذ تتراوح بين 5–10 صور، لذا تعطي النتائج مؤشرًا استرشاديًا ولا تشكّل اختبار أداء معياريًا.

منسّق أزياء بالذكاء الاصطناعي دون سحابة

النموذج اللغوي الكبير المحلي الذي يمكن تشغيله ضمن 16 غيغابايت إلى جانب نماذج توليد الصور لا يمتلك قدرات كافية لأداء دور منسّق الأزياء. لذلك يعمل النظام كالتالي: يصف نموذج رؤية محلي الصورة، ويتلقى وكيل متقدم (Claude Code أو Codex) النص عبر MCP، ثم يعود التطبيق ليتولى توليد الصورة. ولا تغادر الصورة الحاسوب.

ثمن هذا الحل هو أن الوكيل لا يرى الصورة بنفسه. ويمكن تعويض ذلك بالحوار، عبر شرح التفضيلات وما أغفله نموذج الرؤية. وفي إحدى المرات، افترض منسّق الأزياء أن الصورة لزوجة المطوّر، مع أن الشابة كانت مولّدة بالذكاء الاصطناعي.

أما الوجه فيمثّل مشكلة منفصلة: إذ يعيد Klein رسم الصورة بأكملها. لذلك تُنقل العينان والأنف والشفتان من الصورة الأصلية بالاعتماد على نقاط مرجعية، ثم يُتحقق من التشابه. وإذا لم يتطابق الوجه، تُعاد عملية التوليد، بحد أقصى ثلاث محاولات. وفي سلسلة من سبع نسخ بتسريحات وألوان شعر مختلفة، ظل مقياس اختلاف الوجه ضمن النطاق 0.013–0.036، أي داخل المنطقة الخضراء.

ماذا يعني ذلك عمليًا؟

إذا كنت تطوّر منتجًا لتوليد الصور محليًا بواجهة روسية، فانظر إلى مُرمّز النموذج، وليس إلى حجمه فقط. فالكتابة بالحروف السيريلية لا تناسبها عمليًا سوى النماذج القائمة على مُرمّزات Qwen، وحتى معها ستحتاج إلى توليد مجموعة من البدائل. وتُعد صيغة «عقل سحابي + عينان ويدان محليتان عبر MCP» وسيلة عملية للحفاظ على الخصوصية حين يعجز النموذج اللغوي المحلي الصغير عن أداء المهمة.

القيود واضحة: قد تستغرق النماذج الثقيلة ما يصل إلى دقيقتين، ويتطلب التعديل بالحوار وكيل ذكاء اصطناعي، كما يلزم وجود بطاقة رسومية بذاكرة لا تقل عن 16 غيغابايت. ويسهّل imagecaster-server التثبيت، إذ يثبّت تلقائيًا Forge Neo وOllama عند الحاجة، والإصدارات المطلوبة من Python وgit داخل مجلده الخاص.