🧪 Midjourney открыла тестирование первой модели редактирования для V8.2

Midjourney дала всем пользователям доступ к своей первой модели редактирования изображений на базе V8.2. Это единая модель, которая заменяет собой сразу несколько прежних инструментов.

Она умеет редактировать картинки по текстовым инструкциям, генерировать изображения на основе других изображений — до четырёх референсов одновременно, — а также перерисовывать отдельные участки кадра (inpainting) и расширять холст за его пределы (outpainting). Работают персонализация, мудборды и style references, хотя для последних двух в этой версии может потребоваться дополнительное уточнение в промпте.

Главное изменение под капотом: генерация по нескольким референсам вытесняет omni-reference — функцию, которая позволяла переносить конкретного персонажа, объект или существо из исходной картинки в новую сцену. Раньше туда можно было передать только одно изображение, теперь их до четырёх.

Запустить модель можно четырьмя способами: перетащить картинку в строку промпта в блок «attach to prompt», нажать «edit» в правом нижнем углу лайтбокса, открыть вкладку «edit» слева и загрузить файл, либо в Discord набрать --edit со ссылкой на изображение. Интерфейсы обновили и на основном сайте midjourney.com, и на alpha.midjourney.com — на альфа-версии команда обещает быстро экспериментировать с тем, как вообще должен выглядеть UI под такую модель.

Статус пока тестовый: разработчики прямо просят сообщать о крайних случаях, когда результат выходит неожиданным, — через грустный смайл в лайтбоксе или отправкой jobid. Обещают серию быстрых доработок следом.

#AI #ImageGen #Midjourney #Media #AI #Design

🧑‍🔬Исследователи Apple выяснили, что LLM не являются последовательно байесовскими

Новая работа Apple ML Research посвящена ключевой проблеме современных языковых моделей: насколько рационально они обновляют свои вероятностные убеждения при поступлении новых данных. В медицине, науке и праве не всегда существует единственно верный ответ — система должна уметь взвешивать неопределённость и корректировать выводы по мере получения свидетельств.

Авторы предлагают рассматривать LLM как правила обработки информации и вводят метрику information processing gap — величину отклонения от идеального байесовского обновления. Эксперименты показали: модели демонстрируют внутренние несоответствия — их «убеждения» зависят от формулировки вопроса, порядка подачи фактов и других факторов, не связанных с логикой вывода. Иными словами, вероятностные суждения LLM нестабильны и не всегда согласуются даже с их собственными предсказаниями.

Практический вывод для разработчиков: полагаться на «уверенность» модели в ответе как на надёжный сигнал достоверности пока рискованно. Метрика из исследования может стать инструментом для оценки и калибровки моделей перед развёртыванием в чувствительных областях, где цена ошибки высока.

#AI #Apple #LLM #Research #BayesianInference