Комментарии 66
Спасибо за статью и модель! Сколько нужно памяти для локального инференса? Можно ли квантовать текстовый энкодер, чтобы хоть как-то сделать возможным запуск на околодомашних машинах?
И ещё хорошо бы было узнать, под какой лицензией код и модели? Ни на hf, ни на GitHub не вижу упоминаний.
А разве модель есть в доступе для запуска локально? На сайтах не вижу такого, только веб интерфейс.
HuggingFace и Github (доступны код и веса модели)
я так понимаю работа с более чем 100 языками - это перевод на английский и все?
Дуракаваляние это всё ;)
Похоже из персонажей из русскоязычного культурного пространства добавили только Чебурашку и домовёнка Кузю. Видимо чисто для отчёта. Пробовал рисовать других известных персонажей: из Ну погоди или Смешариков - нейросеть таких не знает.
Илона Маска рисует отлично. Но верно подмечено, многих не знает. Удивительно, но сеть Kandinsky самого Кандинского нарисовать не может.
Видимо Чебурашку и Кузю толокеры отфайнтюнили вручную.
Я в начале года с чебурашкой "игрался". Фото чебурашек в базе LAION, от которой Stability и иже с ними пляшут - есть.
cheburashka
А на выходе SDXL выдаёт обезьянок ;)
Да даже Чебурашку рисует как попало. У меня выдало смесь его с крокодилом. Вместо избушки на курьих ножках выдало сарай-бытовку на трёх (!) слоновьих ногах. Бабу Ягу попыталось нарисовать - вышло лучше, и правда бабка в ступе. Но почему-то с клювом, как у вороны.
Вместо Дядьки Черномора нарисовало старика Хоттабыча в чалме. Продолжать, думаю, нет смысла - по сравнению с предыдущей версией почти ничем не лучше. Ну и да, пальцы на руках, да и руки-ноги по количеству совершенно случайны.
Ну да..
Тяжёлое детство было у этой сетки.
А вот тут им всем не повезло. Наследственность. СтабДиффужин например порой "проговаривается" и начинает лепить черепа, сотону и прочее на чём училась, в самых неожиданных местах, к примеру "добавить ворс на фиолетовый бархат". Видать в базе картинок из интернета "фиолетовый" это уже однозначное указание на "инфернальный".
Думаю, что от таких импортных корней, может разве что "Когнитив-технолоджиз" избавлены. Правда их сетка управляет комбайнами, и картинок не рисует, хотя утверждается, что обучаться начала на хорошей живописи, что вполне соотносится с понятием "хорошее обучение".
А эта гонка за чужим лидером так и будет нести заложенные генетические проблемы. (если это не цель конечно). Метод же перекрытия проблемы следующими яркими слоями , часть такого же проблемного мировоззрения, доставшегося в наследство от "лидеров рынка".
Может пока не поздно, "пересесть на отечественные комбайны"?
Видимо, сеть не может напрямую сказать, что ей запрещено генерировать порно и гуро, поэтому извивалась как могла.
Нейроискусство, оно такое...
Простите, а зачем на fusionbrain форс редирект на мобильную версию? Очень обидно, что такое пришло кому-то в голову, учитывая, что сейчас я хожу с клавиатурой + фолдом.
Простую сетку всё так же не получить, только с косяками:
У меня нет опыта в подборе промтов, может быть дело в этом.
"идеальная пиксельная сетка на белом фоне"
Предлагаю этот тэст с сеткой как альтернативу тэсту Тьюринга для рисующих нейросетей.
Пусть люди (среди которых ИИ) создают простые геометрические узоры в простом векторном редакторе или конструкторе, и надо определить, кто из них ИИ.
У меня нет опыта в подборе промтов, может быть дело в этом.
Нет, просто вы пытаетесь забивать гвозди микроскопом
Да вот нет. Это как раз-таки интересный вопрос, почему нейросеть неспособна отрисовывать прямые линии, симметрию, цифры и надписи. Казалось бы, букв в алфавите немного, цифр ещё меньше, почему же нейросеть не выучила их все и пытается каждый раз не писáть, а генерировать?
Но ведь способна. С надписями вопрос решён уже в DALL-E 3, с симметрией и того раньше. Смотрите на современные нейронки типа DALL-E и Midjourney, а не на догоняющих в лице Сбера.
Потому что это по сути дела заложено в архитектуре современных text-to-image моделей, они используют апскейлеры.
Второе - LAION, на котором обучают модели очень плох. Ужасен. Значительных процент картинок там имеет неверное или неточное описание; то, что text-to-image модели добиваются такого качества, будучи обученными на таком датасете - чудо.
Они вообще самообучаемые или их обучают?
Если первое, то всё понятно. Не пускайте детей в интернет, они там ничему хорошему не научатся, и т. д.
Если второе, то процесс обучения, как правило, предусматривает разбор ошибок с учеником: взять то, что он наваял, и, держа руку в руке, исправить, попутно объясняя проблему. Ведётся ли такая работа с нейросетями? Ну, взять сгенерированную картинку (например, эту) и "объяснить", что слово не так пишется и нет таких букв, руками перерисовать "как надо" и скормить нейросети, чтоб увидела. Ну а алфавиты и цифры так и вовсе можно исключить из общей модели, забив их туда в формате "базовых знаний": буквы, мол, выглядят вот так, хочешь писать текст - выбирай из набора и играйся со шрифтами, а не генерируй отсебятину. (Да и вообще, имхо, довольно многие сферы знаний типа внешнего вида циферблата часов или человеческой руки можно захардкодить - пары терабайт такого хардкода хватит для большинства самых частых ошибок).
Почти 2024-ой год на дворе, а мы всё ещё не умеем получать пиксельную сетку за несколько секунд. Быстрее всего найти её в интернете, но размеры не те.
В Пэйнте рисовал пару минут, т.к. есть опыт с этим редактором.
Умею программировать, есть графический шаблон, но всё-равно у меня уйдёт несколько минут.
Сетка лишь как простой пример, можно вместо него представить сетку из кружочков, цвета случайные.
А почему в статье про Kandinsky Video (https://habr.com/ru/companies/sberbank/articles/775554/) нормальные примеры именно анимаций, а тут опять эпилептическая аморфная фигня из сотни разных кадров?
У мустанга отражение - сплошные косяки.
Генерация стала намного лучше, к примеру по запросу "Озорная девушка, красивая, блондинка, с короткой стрижкой, высокая, спортивного телосложения. За её спиной, стоит человек похожий на Клинта Иствуда, в ковбойской шляпе" уже рисуется как минимум неплохие композиции
Примеры:
Надо попробовать старые промты, на которых Кандинский впадал в бред, что бы проверить пофиксили ли они очаг ложного возбуждения или нет. ;)
Запрос "Баба с косой"
Уточним запрос "Русская баба с косой"
Вроде бы и не обманули, а осадочек остался.
Следующий запрос: "Ксеноморф собирает букет ромашек на поляне в лесу"
Следующий, кричит заведующий;) Запрос "Три богатыря"
Окей, меняем тактику: Запрос "three bogatyrs"
А теперь контрольный, в лобик: Запрос "Четыре богатыря"
А счастье было так близко;)
да там уже tri bogatyr были с дефектами рождения... "Вас мама роняла или кого-то вами била?"
В прошлый раз "Кандинский" видел их так:
Четыре богатыря
За что вы нам это показали?))
С пальцами все еще беда, курение и алкоголизм побанены.
Так на каком языке всё-таки лучше писать промпты: на английском или на русском?
крутяк, попробую. контролнеты остались?
ну почти
Спасибо за проделанную работу! Почти каждая генерация теперь радует глаз, понимание текста тоже сильно улучшилось! Очень хочется, чтобы была возможность использовать LoRA в Кандинском)
Использовать pickle для публикации моделей в 2023, немного зашквар. А в остальном ребята молодцы, удачи в будущих проектах.
Не хватает медведя, балалайки, водки, матрёшки и шапки ушанки но в целом посыл понятен. Какие будут ваши доказательства??
На FB почему-то слишком тупо встроены фильтры про "Запрещенный контент".
На входе, а не на выходе. Мне не показалось?
Также мы сделали нашу модель более «отечественной»: теперь она значительно лучше ориентируется в российском и советском культурном поле.
Это не так.
Введите (в любом стиле) промпт "герб Российской Федерации", вас ждет сюрприз ?
3.0 не знает, что такое "велосипед", "шапокляк", "буратино" и т.д. 2.2 и то косо-криво, но генерил, что-то адекватное, 3.0 генерит вообще не то, что нужно. За то, отлично переводы генерит. Печально всё это, когда "не наше" выдают за "наше", хотя, что тут удивляться, у нас всегда так было :(
После нескольких сессий могу сказать, что результаты на самом деле очень хорошие выдавать может. Однако надо хорошо расписывать промпт, по простым запросам получается так себе. Современные нейронки от этого вылечились, даже Шедеврум от Яндекса, не говоря уж о DALL-E 2/3 и Midjourney.
В целом прогресс очень большой, ну и избавились от проблем Kandinsky 2.2 типа кислотных цветов и проблем с "замыливанием" картинки при использовании inpainting и outpainting (на Fusion Brain).
В боте возможностей сильно поубавилось, нет генерации вариаций, смешивания, переноса стиля (ControlNet), стикеров, осталась только генерация по тексту. Но думаю добавят ещё. Если нужны те функции можно переключить версию модели в боте на 2.2 или 2.1, благо возможность есть. Всё ещё жаль, что на Fusion Brain нельзя менять версию модели.
Так в kandinsky 2.2 выглядил Хищник
Теперь в kandinsky 3.0 - Хищник такой
Проверил остальных знаковых персонажей из игр, фильмов, мультфильмов, не одного kandinsky 3.0 - не смог создать даже приблизительно похожим. Версия 2.2 хотя бы чуть-чуть, но создала похожие варианты.
Привет, котяты, а куда пропали все функции в телеграм боте? У меня почему-то осталось только "генерация по тексту"
Новая версия Кандинского 3.0 от Сбера нарисовала мне гербы РФ, СССР и США. На этот раз получилось значительно лучше - похожи на оригиналы. Предыдущий Кандинский 2.1 рисовал черт знает что, причем гербы для всех стран получались очень похожие - орлы (двуглавые или одноголовые), примерно одинаково оформленные и слишком не похожие на оригинальные гербы.
И разлинованные листы в клеточку и линейку рисует очень коряво (почти также, как и предыд. версия). Вместо нотного стана (да и вообще любых нотных записей, партитур) рисует художественные картинки.
Вот есть вопрос к разработчикам: Можно ли как-то явно узнать и использовать "зерно" сгенерированного изображения? Ну например, я получил изображение которое мне понравилось и теперь хочу получить похожую картинку, но в другом ракурсе... в Stable Diffusion для этого есть SEED, а у вас?
3 дня назад, а именно с 22 января, разработчики что-то обновили или изменили, и теперь часто изображения выходят размазанными или недорисованными, такое было только у самых первых версий Кандинского. Возможно, они уменьшили силу воздействия Guidance. Чем больше обновлений, тем хуже становятся сгенерированные изображения.
Kandinsky 3.0 — новая модель генерации изображений по тексту