抽象的：
- 谷歌推出了一項使用全新實驗性 Gemini 2.0 Flash 模型的原生影像產生和編輯功能。
- AI Studio 現在免費提供此功能，您可以使用簡單的文字命令來產生和編輯一系列一致的圖像。
- 您可以刪除和添加元素、插入文字、為圖像著色、創建視覺故事等等。
一年多來，我們一直在人工智慧領域聽到「原生多媒體」這個詞，但直到現在，各公司才開始充分發揮其人工智慧模型的多媒體潛力。谷歌終於發布了其最新模型“Gemini 2.0 Flash Experimental”，該模型具備了… 影像生成和編輯能力是一項基本技能。嘿.
現在，你可能想知道，圖像生成有什麼意義？其實，像 ChatGPT 這樣的主流 AI 聊天機器人早就具備影像生成功能了。當我們在 ChatGPT 或 Gemini 上產生 AI 影像時，指令會被傳送到專門的基於擴散的模型，例如 Dall-E 3 或 Imagen 3。這些模型經過圖像訓練，專門用於圖像生成；它們是主 AI 模型的擴展，而不是其組成部分。
然而，諸如語言視覺模型之類的 雙子座 它原生支援多媒體功能，這意味著它可以原生理解、產生和修改文字和圖像。迄今為止，還沒有任何一家科技公司向用戶提供這項功能。 OpenAI 曾在 2024 年展示其 GPT-4 的原生影像生成功能，但最終也未能發布。
借助原始圖像生成功能，您將獲得 更好的一致性 多模態模型是基於海量不同媒體資料集進行訓練。因此，這些模型展現出對概念更深刻的理解和更廣泛的世界認知。
除了生成圖像外，您還可以使用簡單的文字命令無縫編輯圖像。例如，您可以上傳一張圖片，並指示模型添加太陽眼鏡、插入純文字、移除元素以及添加“+”號。與每次執行新指令都會重新產生整張影像的傳播模型不同，原生多媒體模型能夠在多次編輯後保持影像的一致性。
使用 Gemini 2.0 Flash 演示建立影像
目前，原始圖像創建功能不對普通用戶開放。具備原始影像建立功能的 Gemini 2.0 Flash 測試版僅在 Google 的 AI Studio 平台上提供。訪問免費。
在 AI Studio 上預覽模型後，不久的將來，它將在 Gemini 上發布，供所有人使用。不過，我試用了 Gemini 的新模型及其圖像創建功能，體驗非常棒。
首先，我製作了一個視覺化指南，以展示 Gemini 出色的影像生成能力。我讓 Gemini 製作一個關於如何製作煎蛋捲的視覺化指南，並為製作過程的每個步驟產生一張圖片。
如您所見，所有圖像的結果都非常一致，沒有任何錯誤。甚至第二張圖的碗也完全相同。最後，您可以下載 1024 x 680 解析度的圖像。這樣，您就可以建立任何您想要的視覺指南。
接下來，我請Gemini產生一張美觀的桌子影像，然後讓它從中心視角觀察這張桌子。它完美地完成了任務。之後，我又請Gemini在桌上增加一台PlayStation，並進行近距離觀察。 Gemini再次出色地完成了這項任務。正如您在下方看到的，人工智慧模型甚至將PS5在它身後鏡子中的倒影也還原了出來。
為了展示原始照片編輯功能，我從相簿上傳了一張照片，並請 Gemini 2.0 把桌上的酒杯去掉。接下來，我讓 Gemini 在披薩上加入蘑菇，它做得非常棒。然後我又讓 Gemini 添加了一個牛角麵包，瞧，這就是人工智慧照片編輯的全部魅力所在——這都要歸功於 Gemini 的多媒體功能。
接下來，我上傳了一張自己的照片，請Gemini幫我加上太陽眼鏡，然後在我的襯衫上加上「Beebom」字樣。兩項都做得非常好。
最後，我請Gemini幫我上色一張照片，他做得非常棒。我的意思是，照片看起來比以前好多了，沒有任何奇怪的錯誤、變形或缺少的部分。
Gemini 的全新多媒體功能有許多值得探索的應用場景。谷歌在原生圖像創建和編輯方面做得非常出色，我計劃在接下來的幾週內更廣泛地使用它，以測試其極限。
隨著用於影片創作的 Veo 2 和用於創建專業圖像的 Imagen 3 的發布，Google似乎在許多領域都超越了 OpenAI，而不僅僅是在人工智慧文字生成領域。因此，OpenAI 將如何憑藉 ChatGPT 重奪領先地位，值得我們拭目以待。
評論被關閉。