Google DeepMind scheint auf dem Vormarsch zu sein. Direkt im Anschluss daran Gemini 3 und Gemini 3 Professional AI-Modellehat das Unternehmen nun Nano Banana Professional angekündigt. Die neue Model von Nano Banana ist in das neueste Gemini 3 Professional eingebettet und wird von diesem angetrieben. Sie verspricht ein völlig neues Niveau der KI-Bildgenerierung und -bearbeitung. Und nein, das ist nicht Ihr üblicher „Das ist das beste KI-Modell da draußen“-Angebot. Ein Blick auf die neuen und verbesserten Funktionen zeigt, dass es sich bei der neuen Nano Banana um ein leistungsstarkes Improve handelt. Blick? Es löst das hirnlähmende, bis ins Mark irritierende Textual content-im-Bild-Drawback, das jeder hat KI-Bildgenerator da draußen kämpft mit.

Für den Fall, dass Ihnen das Improve nicht groß genug battle, erfahren Sie hier, was es Neues beim Nano Banana Professional gibt und wie Sie damit Ihre Fotos bearbeiten können, um die bestmöglichen Ergebnisse zu erzielen.

Fangen wir additionally ohne Verzögerung an.

Nano Banana Professional: Was ist neu?

Bevor wir lernen, es zu nutzen, müssen wir zunächst verstehen, worum es bei dem neuen Improve geht. Wie ich bereits erwähnt habe, ist Nano Banana Professional Teil von Gemini 3 Professional Picture. Dies bedeutet im Grunde, dass das neue Modell das reale Wissen von Gemini nutzt, um „präzise Ergebnisse zu liefern“. Das sind die Worte von Google, nicht von mir, wie sie darin geteilt werden freigeben. Und wenn wir diesen folgen wollen, ermöglicht das Improve Nano Banana nun, alles zu generieren, „von komplexen Infografiken bis hin zu historisch korrekten Szenen“. Dies bringt auch die neu entdeckten Funktionen zur „genauen Textgenerierung“ mit sich.

In diesem Artikel befassen wir uns mehr mit den Bearbeitungsmöglichkeiten, die mit dem einhergehen neues Nano Banana AI-Modell. Wir werden gleich darauf zurückkommen, sobald wir wissen, wie wir auf den neuen Nano Banana Professional zugreifen können.

Nano Banana Professional: Wie greife ich zu?

Zum Glück hat Google das neue Nano Banana AI-Modell nicht hinter obskuren Menüs oder langen Onboarding-Prozessen versteckt. Wenn Sie sich bereits im Gemini-Ökosystem befinden, ist Nano Banana Professional nur einen Klick entfernt, egal ob Sie es gelegentlich ausprobieren, damit bauen oder es in umfassende Arbeitsabläufe integrieren möchten.

Hier finden Sie alle Möglichkeiten, wie Sie noch heute auf Nano Banana Professional zugreifen können:

• Zwillinge (Net oder App): Steigen Sie im Haupterlebnis von Gemini direkt in Nano Banana Professional ein. Dies ist very best für schnelle Bearbeitungen, Experimente oder die spontane Erstellung von Bildern.
• Google AI Studio: Ein praxisorientierterer Arbeitsbereich, in dem Sie Eingabeaufforderungen testen, Ausgaben optimieren und seine Funktionen im Element erkunden können.
• Gemini-API: Wenn Sie Entwickler sind, können Sie das neue Nano-Banana-Modell mithilfe der Gemini-API in Ihre eigenen Apps integrieren und benutzerdefinierte Bildbearbeitungs- oder Generierungsabläufe erstellen.
• Vertex AI Studio: Für Groups und Unternehmen ist Nano Banana Professional über Vertex AI Studio verfügbar, sodass Sie Picture-Pipelines in Produktionsqualität testen, optimieren und bereitstellen können.

Ich würde vorschlagen, dass Sie Nano Banana Professional zuerst in Gemini 3 ausprobieren, über das Web oder die App. Sie können im Rahmen des Basisplans (kostenlos) bis zu 4 hochauflösende Bilder erstellen. Für die Veröffentlichung müssen Sie die kostenpflichtigen Versionen, die bei Rs 975 beginnen, für 2 Monate abonnieren.

Nachdem wir nun wissen, wie Sie auf das Nano Banana Professional zugreifen können, werfen Sie einen Blick auf die vollständigen Funktionen, die es mit sich bringt – und wie Sie damit Ihre Bilder wie ein Profi bearbeiten können.

So bearbeiten Sie Ihre Fotos mit Nano Banana Professional

Wir sind jetzt mittendrin und Sie werden bald erfahren, warum Nano Banana Professional einer der leistungsstärksten KI-Bildeditoren auf dem Markt ist. Machen Sie einfach mit und lassen Sie sich von den Möglichkeiten überwältigen. Vergessen Sie aber nicht, sie zu Ihrem eigenen Wohl zu nutzen.

So verwenden Sie jede dieser Bearbeitungsoptionen:

• Besuchen Google Gemini, indem Sie hier klicken.
• Klicken Sie auf die Choice „Bild erstellen“ unter dem Textfeld, um auf das neue Nano Banana-Modell zuzugreifen.
• Fügen Sie eine kurze Aufforderung hinzu wie: „Verwandeln Sie diese Skizze in ein modernes Smartwatch-Produkt-Rendering in Silber und Schwarz.“
• Sehen Sie, wie Nano Banana Professional Ihr Traumbild zum Leben erweckt.

1. Verwandeln Sie Gekritzel in Produkte, Objekte oder 3D-Gebäude

Wenn Ihre zeichnerischen Fähigkeiten bei Strichmännchen den Höhepunkt erreichen, steht Ihnen Nano Banana Professional zur Seite. Laden Sie einfach eine grobe Skizze hoch und teilen Sie dem Modell mit, was Sie tatsächlich wollen. Nano Banana Professional ist in der Lage, aus einer einfachen Skizze ein ausgefeiltes Produktmodell, ein 3D-Gebäude oder ein realistisches Objektrendering zu erstellen. Schauen Sie sich das im folgenden Beispiel an und lassen Sie sich überraschen.

Aufforderung 1: „Create a Clean Brand in a Graphic Fashion“ ist eine lebendige und verspielte Type der typografischen Illustration, die tief in der Retro-Ästhetik der 1960er und 1970er Jahre verwurzelt ist und lose auf der Skizze basiert. Ihr charakteristisches Merkmal ist eine groovige, psychedelisch inspirierte Schriftart, die sich durch weiche, abgerundete und fließende Buchstabenformen auszeichnet. Folgen Sie nicht genau der Skizze, sondern lassen Sie sich von ihr inspirieren. Die Buchstaben werden gekonnt verzerrt, gedehnt und gestaucht und verlassen so die starre Struktur, um zusammenzufließen und eine zusammenhängende, erkennbare Type zu bilden.

Diese als Kalligramm bekannte Technik verbindet Textual content und Bild meisterhaft, wobei die Type des Wortes seine Bedeutung visuell verkörpert. Das Wort „WAVE“ ist kunstvoll in der fließenden Silhouette einer Welle angeordnet. Das Design ist ein cleveres visuelles Wortspiel, das die Botschaft sofort zugänglich und einprägsam macht.

Die Farbpalette verstärkt das Classic-Feeling und verwendet ein einfaches zweifarbiges Schema mit warmen, oft gedämpften oder erdigen Farben, hellblauem Hintergrund und tiefblauem Brand. Diese Wahl verstärkt den nostalgischen Charme des Kunstwerks. Der Gesamteffekt ist von skurriler Nostalgie und cleverem Grafikdesign geprägt. Es handelt sich um einen mutigen, aber dennoch zugänglichen Stil, der durch die nahtlose Integration von Type und Wort eine einfache, constructive Botschaft vermittelt und so eine unmittelbare und reizvolle visuelle Wirkung erzeugt.

Aufforderung 2: Erstellen Sie nun nacheinander ein Identitätssystem, verwenden Sie 10 hochwertige Modelle mit einer Vielzahl relevanter Produkte, Anzeigen, Werbetafeln, Bushaltestellen usw. und erstellen Sie jeweils eines nach dem anderen im 16:9-Format

Ausgabe:

2. Erzeugen Sie superhochauflösende Bilder

Dies fällt nicht unbedingt in die Kategorie „Bearbeitung“, obwohl dies der naheliegende Schritt für den Anfang jeder grafischen Arbeit ist. Mit Nano Banana Professional können Sie mit einer einzigen Eingabeaufforderung ganz einfach superhochauflösende Bilder in naturgetreuer Qualität erstellen. Fassen Sie einfach Ihre Vorstellungskraft in Worte und geben Sie die Eingabeaufforderung ein, und Sie werden mit Sicherheit ein Ergebnis erhalten, das mit keinem anderen KI-Bildgenerator vergleichbar ist. Hier ist ein Beispiel für Sie in Type einer Eingabeaufforderung, die ich verwendet habe.

Immediate: Erstellen Sie ein hyperrealistisches Bild eines indischen Superhelden, der auf einem hohen Gebäude in Gurugram steht und auf den Relaxation der Stadt hinunterblickt. Der Superheld trägt die Kleidung eines indischen Königs mit einem Dhoti und einer langen, fließenden Kurta in einem hellen und königlichen Farbschema unserer Wahl. Auf den Dächern einiger umliegender Gebäude sehen wir Tafeln von Unternehmen wie Google, Microsoft, AT&T und anderen.

Ausgabe:

3. Spielen Sie mit Farbe und Beleuchtung

Nano Banana Professional zeichnet sich angeblich dadurch aus, dass es die Farben und die Beleuchtung innerhalb eines bestimmten Bildes ändert und dabei die Konsistenz mit den Objekten und dem gesamten Erscheinungsbild des Bildes beibehält. Dies bedeutet, dass Sie Ihre Bilder von Nacht auf Tag umwandeln, die Beleuchtung erhöhen oder verringern können, um die Helligkeit zu erhöhen, oder sogar professionelle Lichteffekte wie Hell-Dunkel erzeugen können. Die Möglichkeiten sind nur durch Ihre Vorstellungskraft begrenzt.

Für Sie haben wir diese Funktion im oben generierten Bild getestet. Schauen Sie sich die Ergebnisse an:

Immediate: Können Sie daraus eine Nachtszene erstellen, bei der die Figur verschlossen bleibt, aber alle sichtbaren Gebäude im Inneren mit Lichtern beleuchtet werden?

Ausgabe:

4. Ändern Sie Winkel und Schussarten

Wie wäre es, wenn Sie Ihre generierten (oder vorhandenen) Bilder aus einem anderen Blickwinkel betrachten würden? Nana Banana Professional macht es jetzt mit einer einzigen Eingabeaufforderung möglich. Weisen Sie das KI-Modell einfach richtig an, was Sie wollen, und es wird es auf möglichst lebendige grafische Weise zum Leben erwecken. Hier finden Sie einige Beispiele, damit Sie diese Funktion in Aktion testen können.

Immediate: Eine Totalaufnahme einer Frau, die im Wald spaziert, mit Sonnenstrahlen und volumetrischer Beleuchtung. Seitenverhältnis 16:9

Ausgabe:

5. Erhöhen Sie die Auflösung oder ändern Sie die Seitenverhältnisse

Mit dem neuen Nano Banana AI-Modell können Sie jetzt jedes Bild je nach Bedarf auf eine Auflösung von 1K, 2K oder 4K hochskalieren. Um dies noch weiter zu ergänzen, können Sie sogar die Seitenverhältnisse ändern, sodass Sie Ihre Fotos ganz einfach an verschiedene Plattformen und Anwendungsfälle anpassen können. Die folgenden Beispiele zeigen diese Funktionen in Aktion.

Aufforderungen: Vergrößern Sie dieses Bild und behalten Sie dabei das Seitenverhältnis 16:9 bei

Ausgabe:

6. Übersetzen Sie Textual content, um Ideen zu lokalisieren

Dieses hier ist für die Vermarkter da draußen. Während die meisten anderen KI-Bildgeneratoren/-editoren immer noch Probleme mit jeglichem Textual content in einem Bild haben, hat Google seinen Nano Banana Professional in dieser Hinsicht offenbar zu einem echten „Profi“ gemacht. Beispiele für seine Verwendung zeigen, dass das KI-Modell in der Lage ist, den gesamten Textual content innerhalb eines Produkts in die Sprache der Wahl des Benutzers zu konvertieren, und das alles ohne einen einzigen Fehler in der Ausgabe. Es versteht sich von selbst, dass dies für Produktwerbung und Advertising von entscheidender Bedeutung ist und Ihnen dabei hilft, jedes grafische Erlebnis mit einer einzigen Eingabeaufforderung zu lokalisieren.

Sehen Sie es sich im folgenden Beispiel in Aktion an.

Immediate: Übersetzen Sie den gesamten englischen Textual content auf den drei gelben und blauen Dosen ins Koreanische, während alles andere beim Alten bleibt

Ausgabe:

7. Erstellen Sie mehrere Bilder gleichzeitig

Zeit für die große Enthüllung. Bewegen Sie sich mit einer einzigen Eingabeaufforderung über einzelne (oder mehrere) Bildausgaben. Mit Nano Banana Professional können Sie jetzt mit einer einzigen Eingabeaufforderung eine ganze Bildrolle erstellen. Stellen Sie sich vor, Sie skizzieren eine ganze Geschichte anhand einer Reihe von Bildern, und das alles mit einer einzigen, detaillierten Eingabeaufforderung. Die gleiche Funktion kann Ihnen auch dabei helfen, mehrere kreative Ideen gleichzeitig zu erkunden, sodass die Suche nach dem richtigen Artistic kein Zufallsspiel mehr ist.

Hier ist ein Blick darauf in Aktion:

Immediate: Berühmter gemeinfreier Kinderfilm im bereitgestellten Stil und im gleichen Farbschema. 10 Bilder einzeln. kein Textual content. Kein einziger Comicstrip, sondern 10 Frames nacheinander generieren, jedes mit eigener Eingabeaufforderung und eigenem Serveraufruf. Jeweils Querformat 16:9

Ausgabe:

Abschluss

Das neue Nano Banana-Modell scheint mehr als nur ein weiteres Improve zu sein Googles Um zu sagen, dass die KI-gestützte Bearbeitung offiziell in eine neue Ära eingetreten ist. Mit seiner Fähigkeit, die Beleuchtung neu zu schreiben, Textual content zu korrigieren, Kamerawinkel zu ändern, auf 4K hochzuskalieren und sogar ein Scribble in ein produktionsfertiges Rendering umzuwandeln, nutzt dieses Device jede kreative Abkürzung, die Sie sich gewünscht haben, und erweckt sie mit einer einzigen Eingabeaufforderung zum Leben. Es ist schnell, flexibel und erschreckend intestine darin, zu verstehen, was Sie gemeint haben, nicht nur, was Sie eingegeben haben.

Egal, ob Sie Designer, Vermarkter, Pupil oder jemand sind, der einfach gerne mit visuellen Elementen spielt, dem Neuen Nano-Banane gibt Ihnen die Artwork von kreativen Superkräften, für die früher ein ganzes Kreativteam erforderlich battle. Und das Beste daran? Sie müssen nichts Neues lernen. Sprechen Sie einfach Ihre Ideen aus und überlassen Sie der KI die schwere Arbeit. Die Zukunft der Bildbearbeitung liegt offiziell im Dialog und Nano Banana Professional ist der Beweis.

Werden Sie ein effektiver Weg, um LLMs für die Problemlösung zu verwenden. Quick wöchentlich sehen Sie ein neues großes KI -Forschungslabor, das LLMs mit bestimmten agierenden Funktionen veröffentlicht. Der Aufbau eines wirksamen Agenten für die Produktion ist jedoch viel komplizierter als er scheint. Ein Agent benötigt Leitplanken, spezifische Workflows und die ordnungsgemäße Fehlerbehandlung, bevor sie für die Produktionsnutzung wirksam sind. In diesem Artikel hebe ich hervor, worüber Sie nachdenken müssen, bevor Sie Ihren AI -Agenten für die Produktion bereitstellen, und wie Sie eine effektive KI -Anwendung mit Agenten erstellen.

Inhaltsverzeichnis

Wenn Sie etwas über Context Engineering kennenlernen möchten, können Sie meinen Artikel über lesen Kontext -Engineering für Fragen Antwortsystemeoder Verbesserung von LLMs mit Kontextetechnik.

Motivation

Meine Motivation für diesen Artikel ist, dass KI -Agenten in letzter Zeit unglaublich stark und effektiv geworden sind. Wir sehen immer mehr LLMs veröffentlicht, die speziell für agentenverhalten geschult sind, wie z. Qwen 3wo verbesserte Agentenfähigkeiten ein wichtiger Höhepunkt der neuen LLM -Veröffentlichung von Alibaba waren.

Viele On-line -Tutorials zeigen, wie einfach das Einrichten eines Agenten jetzt mit Frameworks wie der Fall ist, z. B. Langgraph. Das Drawback ist jedoch, dass diese Tutorials für das Agentenversuche ausgelegt sind und nicht für die Verwendung von Agenten in der Produktion. Die effektive Verwendung von KI -Agenten in der Produktion ist viel schwieriger und erfordert die Lösung von Herausforderungen, denen Sie beim experimentellen Experimentieren mit Agenten vor Ort nicht wirklich konfrontiert sind. Der Fokus dieses Artikels wird daher darauf liegen, wie produktionsbereite KI-Agenten erstellt werden können

Leitplanken

Die erste Herausforderung, die Sie bei der Bereitstellung von AI -Agenten für die Produktion lösen müssen, besteht darin, Leitplanken zu haben. Leitplanken sind im On-line -Bereich ein vage definierter Begriff, daher werde ich meine eigene Definition für diesen Artikel anbieten.

LLM -Leitplanken beziehen sich auf das Konzept der Sicherstellung von LLMS -Handeln in ihren zugewiesenen Aufgaben, halten Anweisungen und führen keine unerwarteten Aktionen aus.

Die Frage ist jetzt: Wie richten Sie Leitplanken für Ihre KI -Agenten ein? Hier sind einige Beispiele für die Einrichtung von Leitplanken:

• Begrenzen Sie die Anzahl der Funktionen, auf die ein Agent zugreifen kann
• Begrenzen Sie die Zeit, die ein Agent funktionieren kann, oder die Anzahl der Toolsaufrufe, die er ohne menschliche Intervention tätigen kann
• Lassen Sie den Agenten bei der Ausführung gefährlicher Aufgaben um menschliche Aufsicht bitten, z. B. das Löschen von Objekten

Solche Leitplanken stellen sicher, dass Ihr Agent innerhalb seiner entworfenen Verantwortlichkeiten wirkt und keine Probleme verursacht wie:

• Übertriebene Wartezeiten für Benutzer
• Große Wolkenrechnungen aufgrund der extremen Token -Nutzung (kann auftreten, wenn beispielsweise ein Agent in einer Schleife steckt)

Darüber hinaus sind Leitplanken wichtig, um sicherzustellen, dass der Agent auf Kurs bleibt. Wenn Sie Ihrem AI -Agenten zu viele Optionen bereitstellen, ist es wahrscheinlich, dass der Agent seine Aufgabe nicht erfüllt. Aus diesem Grund befasst sich mein nächster Abschnitt zum Thema der Minimierung der Optionen der Agenten durch die Verwendung bestimmter Workflows.

Den Agenten durch Problemlösung führen

Ein weiterer tremendous wichtiger Punkt bei der Verwendung von Agenten in der Produktion besteht darin, die Anzahl der Optionen zu minimieren, auf die der Agent zugreifen kann. Sie können sich vorstellen, dass Sie einfach einen Agenten erstellen können, der sofort Zugriff auf alle Ihre Instruments hat und somit einen effektiven KI -Agenten erstellen kann.

Leider funktioniert dies selten in der Praxis: Agenten bleiben in Schleifen stecken, können nicht die richtige Funktion auswählen und kämpfen, um sich von früheren Fehlern zu erholen. Die Lösung hierfür besteht darin, den Agenten durch seine Problemlösung zu führen. In Anthropics Aufbau effektiver KI -AgentenDies wird als als bezeichnet als immediate ChaIning und wird auf agierische Workflows angewendet, die Sie in verschiedene Schritte zerlegen können. Nach meiner Erfahrung haben die meisten Workflows dieses Attribut, und dieses Prinzip ist daher für die meisten Probleme related, die Sie mit Agenten lösen können.

Ich werde die Erklärung durch ein Beispiel verbessern:

Aufgabe: Rufen Sie Informationen zu Standort-, Zeit- und Kontaktpersonen aus jeder Liste von 100 Verträgen ab. Präsentieren Sie dann die fünf neuesten Verträge in einem Tabellenformat

Schlechte Lösung: Fordern Sie einen Agenten auf, die Aufgabe vollständig auszuführen. Daher versucht dieser Agent, alle Verträge zu lesen, die relevanten Informationen abzurufen und sie in einem Tabellenformat zu präsentieren. Das wahrscheinlichste Ergebnis ist, dass der Agent Ihnen falsche Informationen präsentiert.

Richtige Lösung: Zersetzen Sie das Drawback in mehrere Schritte.

1. Informationen zum Abholen von Informationen (Abrufen aller Standorte, Zeiten und Kontaktpersonen)
2. Informationsfilterung (Filter, um nur die fünf neuesten Verträge beizubehalten)
3. Informationspräsentation (Präsentieren Sie die Ergebnisse in einer Tabelle)

Darüber hinaus können Sie zwischen den Schritten einen Validator haben, um sicherzustellen, dass die Aufgabe abgeschlossen ist (stellen Sie sicher, dass Sie Informationen aus allen Dokumenten usw. abgerufen haben).

Für Schritt eins haben Sie wahrscheinlich eine spezifische Subagent für Informationsextraktion und wenden sie auf alle 100 Verträge an. Dies sollte Ihnen eine Tabelle mit 3 Spalten und 100 Zeilen bieten, wobei jede Zeile einen Vertrag mit Standort, Zeit und Kontaktperson enthält.

Schritt zwei umfasst einen Informationsfilterschritt, bei dem ein Agent den Tisch durchschaut und einen Vertrag abfiltert, der nicht in den Prime 5 neuesten Verträgen ist. Der letzte Schritt zeigt diese Ergebnisse einfach in einer schönen Tabelle mit dem Markdown -Format.

Der Trick besteht darin, diesen Workflow vorher zu generieren, um das Drawback zu vereinfachen. Anstelle eines Agenten, der diese drei Schritte selbst herausfindet, erstellen Sie eine Informationsextraktion und filtern den Workflow mit den drei vordefinierten Schritten. Sie können diese drei Schritte dann verwenden, zwischen jedem Schritt eine gewisse Validierung hinzufügen und eine effektive Informationsextraktions- und Filtervermittlung haben. Anschließend wiederholen Sie diesen Vorgang für alle anderen Workflows, die Sie durchführen möchten.

Fehlerbehandlung

Die Handhabung der Agenten ist ein wichtiger Bestandteil der Aufrechterhaltung effektiver Produktionsmittel. Im letzten Beispiel können Sie sich vorstellen, dass der Informationsextraktionsagent keine Informationen aus 3/100 Verträgen abruft. Wie gehst du damit um?

Ihr erster Ansatz sollte sein, Wiederholungslogik hinzuzufügen. Wenn ein Agent eine Aufgabe nicht erledigt, wird es nicht mehr ausgeführt, bis es entweder erfolgreich die Aufgabe ausführt oder ein maximales Wiederholungsgrenze erreicht. Sie müssen jedoch auch wissen, wann Sie wiederholen müssen, da der Agent möglicherweise keinen Codefehler erfährt, sondern die falschen Informationen holt. Dafür benötigen Sie eine ordnungsgemäße LLM -Ausgangsvalidierung, über die Sie in meinem Artikel mehr erfahren können Große LLM -Validierung.

Die im letzten Absatz definierte Fehlerbehandlung kann mit einfachen Strive/Catch -Anweisungen und einer Validierungsfunktion behandelt werden. Es wird jedoch komplizierter, wenn man bedenkt, dass einige Verträge möglicherweise korrupt sind oder nicht die richtigen Informationen enthalten. Stellen Sie sich beispielsweise vor, wenn einer der Verträge die Kontaktperson enthält, aber die Zeit fehlt. Dies stellt ein weiteres Drawback auf, da Sie den nächsten Schritt der Aufgabe (Filterung) ohne Zeit nicht ausführen können. Um solche Fehler zu behandeln, sollten Sie vordefiniert haben, was mit fehlenden oder unvollständigen Informationen passiert. Eine einfache und effektive Heuristik besteht darin, alle Verträge zu ignorieren, die Sie nach zwei Wiederholungen nicht alle drei Informationspunkte (Ort, Zeit und Kontaktperson) extrahieren können.

Ein weiterer wichtiger Bestandteil des Fehlerbehandlungs ist es, Probleme wie:

• Token -Grenzen
• Langsame Reaktionszeiten

Wenn Sie bei Hunderten von Dokumenten Informationenextraktion durchführen, werden Sie unweigerlich Probleme haben, bei denen Sie ratebegrenzt sind oder dass die LLM die Reaktion lange dauert. Normalerweise empfehle ich die folgenden Lösungen:

• Token -Grenzen: Erhöhen Sie die Grenzen so weit wie möglich (LLM -Anbieter sind hier normalerweise ziemlich streng) und verwenden Sie exponentielle Backoffs
• Warten Sie immer LLM -Anrufe, wenn möglich. Dies kann zu Problemen führen, wenn die sequentielle Verarbeitung länger dauert. Dies wird jedoch viel einfacher, um Ihre Agentenanwendung zu erstellen. Wenn Sie wirklich eine erhöhte Geschwindigkeit benötigen, können Sie dies später dafür optimieren.

Ein weiterer wichtiger Aspekt ist das Checkpointing. Wenn Ihr Agent über 1 Minute Aufgaben ausführt, ist Checkpointing wichtig, da Sie bei einem Fehler nicht möchten, dass Ihr Modell von Grund auf neu startet. Dies führt normalerweise zu einer schlechten Benutzererfahrung, da der Benutzer einen längeren Zeitraum warten muss.

Debuggen Sie Ihre Agenten

Ein letzter wichtiger Schritt beim Aufbau von AI -Agenten ist die Debugie Ihrer Agenten. Mein Hauptpunkt zum Debuggen von Verbindungen zu einer Nachricht, die ich in mehreren Artikeln geteilt habe, gepostet von Greg Brockman auf X:

Die manuelle Überprüfung der Daten hat wahrscheinlich das höchste Verhältnis von Wert zu Prestig für jede Aktivität im maschinellen Lernen.

– Greg Brockman (@gdb) 6. Februar 2023

Der Tweet bezieht sich in der Regel auf ein Normal-Klassifizierungsproblem, in dem Sie Ihre Daten überprüfen, um zu verstehen, wie ein maschinelles Lernsystem die Klassifizierung durchführen kann. Ich finde jedoch, dass der Tweet auch sehr intestine für das Debuggen Ihrer Agenten gilt:

Sie sollten die Eingabe-, Denk- und Ausgabe -Token, die Ihre Agenten verwenden, manuell inspizieren, um eine Reihe von Aufgaben zu erledigen.

Dies wird Ihnen helfen, zu verstehen, wie sich der Agent einem bestimmten Drawback nähert, den Kontext, den der Agent zur Lösung des Issues und der Lösung, die der Agent erstellt. Die Antwort auf die meisten Probleme, mit denen Ihr Agent konfrontiert ist, ist normalerweise in einem dieser drei Tokensätze (Eingabe, Denken, Ausgabe) enthalten. Ich habe bei der Verwendung von LLMs zahlreiche Probleme gefunden, indem ich einfach 20 API -Anrufe beiseite gestellt habe, die ich getätigt habe, den gesamten Kontext durchgemacht habe, den ich dem Agenten sowie den Ausgabe -Token zur Verfügung gestellt habe und dann schnell merkte, wo ich zum Beispiel falsch gelaufen bin:

• Ich fütterte einen doppelten Kontext in meine LLM, wodurch es bei der folgenden Anweisungen schlimmer wurde
• Die Pondering Tokens zeigten, wie die LLM die Aufgabe, die ich zur Verfügung stellte, missverstanden, was darauf hinweist, dass meine Systemaufforderung unklar struggle.

Insgesamt empfehle ich auch, mehrere Testaufgaben für Ihre Agenten zu erstellen, mit einer Bodenwahrheit. Sie können dann Ihre Agenten einstellen, sicherstellen, dass sie alle Testfälle bestehen können, und sie dann in die Produktion freigeben.

Abschluss

In diesem Artikel habe ich diskutiert, wie Sie effektive Produktionsbereitungen entwickeln können. Viele On-line -Tutorials decken darüber, wie Sie Agenten in nur wenigen Minuten vor Ort einrichten können. Es ist jedoch in der Regel eine viel größere Herausforderung, Agenten für die Produktion erfolgreich einzusetzen. Ich habe besprochen, wie Sie Leitplanken verwenden müssen und den Agenten durch Problemlösungs- und effektive Fehlerbehandlung führen müssen, um erfolgreich Agenten in der Produktion zu haben. Zuletzt habe ich auch darüber gesprochen, wie Sie Ihre Agenten debuggen können, indem Sie die von ihm bereitgestellten Eingabe- und Ausgabetken manuell inspizieren.

Finden Sie mich in Socials:

Sich in Verbindung setzen

LinkedIn

X / Twitter

Medium

Google AI hat gerade enthüllt Gemini 2.5 Blitzbildein Bildmodell für die neue Era, mit dem Benutzer Bilder generieren und bearbeiten können, indem sie sie einfach beschreiben-und seine wahre Innovation ist, wie es präzise, ​​konsistente und hochgeschwindige Änderungen mit beeindruckender Geschwindigkeit und Skala liefert.

Was macht Gemini 2.5 Flash Picture beeindruckend?

Gemini 2.5 Flash Picture basiert auf der multimodalen, fortschrittlichen Argumentation von Gemini 2.5 (dh es versteht sowohl Bilder als auch Textual content nativ) und ermöglicht nahtlose Workflows für die Erzeugung und Bearbeitung. Diese Architektur ermöglicht Benutzern:

• Mischen Sie mehrere Bilder in eine mit einer einzigen Eingabeaufforderung
• Behalten Sie die Fach- und Charakterkonsistenz über viele Änderungen hinweg bei
• Machen Sie zielgerichtete, natürliche sprachgetriebene Transformationen (z. B. „Ändern Sie die Hemdfarbe“, „Individual vom Foto entfernen“).
• Behalten Sie den Kontext und die visuelle Treue durch iterative Revisionen bei – unabhängig von der Komplexität oder Vielfalt der Änderungen

Dies ist ein Sprung über ältere Bildmodelle hinaus, der häufig Schwierigkeiten hatte, die Identität oder visuelle Kohärenz bei Änderungen oder Kompositierungsszenen zu erhalten.

Wichtige technische Funktionen

• Präzise visuelle Bearbeitung: Das Modell unterstützt hoch genaue, lokalisierte Änderungen, die auf natürlichen Sprachanforderungen basieren, von Hintergrundverschwamm bis hin zu Anpassungen und Objektumbauten.
• Multimodale Fusion: Akzeptiert mehrere Referenzbilder und verschmilzt sie, um beispielsweise komplexe Produktmodelle oder Multi-Charakter-Szenen in der Werbung zu ermöglichen.
• Vorlage/Markenkonsistenz: Gemini 2.5 Flash Picture erhalten Styling, Branding und Charakterkonsistenz über erzeugte Vermögenswerte oder Produktkataloge.
• Fortgeschrittene Argumentation: Zapfteilt in Geminis semantische Weltwissen für Aufgaben wie Diagrammverständnis oder Bildungsannotation – nicht nur fotorealistisches Rendering.
• Skalierbare API -Verfügbarkeit: Entwickler und Unternehmen können über Gemini-API, Google AI Studio und Vertex AI auf das Modell zugreifen-mit eingebauten synthiden Wasserzeichen für AI-Herkunft und regulatorische Einhaltung.

Benchmark -Führung und Neighborhood -Empfang

Gemini 2.5 Flash Picture hat schnell öffentliche Benchmarks geführt und LMARena für eine schnelle Einhaltung und Bearbeitungsqualität übertroffen. Übertreffende Konkurrenten wie die nativen Bildwerkzeuge von GPT-4O und die Bildmodelle von Flux AI. Enthusiasten und Experten heben seinen Fotorealismus hervor, aber auch seine bemerkenswerte semantische Kontrolle – Vernetzungen, die dem Ausgangsmaterial auch über mehrere Iterationen natürlich und treu aussehen.

Preisgestaltung, Zugang und zukünftige Roadmap

Das Modell ist in der Vorschau für 0,039 USD professional Bild über Gemini API, Google AI Studio und Vertex AI erhältlich, wobei Enterprise und Entwicklerintegration dank Partnerschaften mit Plattformen wie OpenRouter und Fal.ai schnell steigt. Alle erzeugten Bilder bieten unsichtbare synthidische Wasserzeichen für Rückverfolgbarkeit und Einhaltung von AI-Ethik, und Google verbessert aktiv die Langform-Textrendern und sogar eine feinere Konsistenz.

Zusammenfassend:

Gemini 2.5 Flash Picture ist nicht nur schneller und kreativer, es ist technisch „a-peeling“, da es schließlich die langjährige Herausforderung einer konsextbewussten Bildbearbeitung in generativer KI löst-unverzerrende leistungsstarke neue Workflows für Schöpfer, Entwickler und Enterprises.

---

FAQs

Was ist Gemini 2.5 Flash Picture?

Gemini 2.5 Flash Picture ist das hochmoderne KI-Modell von Google zum Generieren und Bearbeiten von Bildern mit natürlichen Sprachanforderungen, unterstützt multimodale Fusion und fortgeschrittenes Denken für präzise, ​​konsistente Änderungen.

Wie bearbeiten Sie Bilder mithilfe von Gemini 2.5 Flash Picture?

Beschreiben Sie einfach die Änderungen, die in der natürlichen Sprache benötigt werden, z. B. „Entfernen Sie eine Individual aus dem Foto“ oder „Hemdfarbe ändern“, und das Modell wendet Änderungen an, während die wichtigsten visuellen Particulars und die Szenenkonsistenz erhalten bleiben.

Wo können Benutzer auf das Modell zugreifen?

Gemini 2.5 Flash Picture ist in der Gemini -App, Google AI Studio, Vertex AI und über API für Entwickler und Unternehmen verfügbar. Es ist auch in Plattformen wie Adobe Firefly und Specific integriert.

Welche Dateiformate unterstützt Gemini 2.5 Flash Picture?

Standardmäßig werden Bilder im JPEG -Format anstelle von PNG oder WebP generiert, was die Optimierung für breite Kompatibilität und Dateigröße widerspiegelt.

Gibt es Schutzmaßnahmen für die Bildgenerierung?

Google verwendet strenge Sicherheitsfunktionen und Inhaltsfilter, um die Erstellung schädlicher oder unangemessener Grafiken zu verhindern und die kreative Kontrolle mit verantwortungsbewusster KI -Verwendung in Einklang zu bringen.

---

Schauen Sie sich das an Technische Particulars hier. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Die KI-Picture-Generierung, die sich auf neuronale Netzwerke stützt, um neue Bilder aus verschiedenen Eingaben zu erstellen, einschließlich Texteingabeaufforderungen-wird voraussichtlich bis Ende dieses Jahrzehnts zu einer Milliarden-Greenback-Branche werden. Selbst mit der heutigen Technologie, wenn Sie ein phantasievolles Bild von einem Freund machen wollten, der eine Flagge auf dem Mars pflanzt oder ohne Haft in ein schwarzes Loch fliegt, könnte es weniger als eine Sekunde dauern. Bevor sie jedoch solche Aufgaben ausführen können, werden Bildgeneratoren häufig auf massiven Datensätzen geschult, die Millionen von Bildern enthalten, die häufig mit dem zugehörigen Textual content gepaart werden. Das Coaching dieser generativen Modelle kann eine mühsame Aufgabe sein, die Wochen oder Monate dauert und in dem Prozess enorme Rechenressourcen verbraucht.

Aber was wäre, wenn es möglich wäre, Bilder über AI -Methoden zu generieren, ohne überhaupt einen Generator zu verwenden? Diese reale Möglichkeit wurde zusammen mit anderen faszinierenden Ideen in a beschrieben Forschungspapier Präsentiert auf der Internationalen Konferenz über maschinelles Lernen (ICML 2025), das Anfang dieses Sommers in Vancouver, British Columbia, stattfand. Das Papier, in dem neuartige Techniken zum Manipulieren und Generieren von Bildern beschrieben wurden, wurde von Lukas Lao Beyer, einem Scholar -Forscher des MIT -Labors für Data und Entscheidungssysteme (LIDS), geschrieben. Tianhong Li, ein Postdoc im MIT -Labor für Informatik und künstliche Intelligenz (CSAIL); Xinlei Chen von Fb AI Analysis; Sertac Karaman, MIT -Professor für Luftfahrt und Astronautik und Direktor von Lids; und Kaiming HE, ein MIT Affiliate Professor für Elektrotechnik und Informatik.

Diese Gruppenbemühungen hatten seinen Ursprung in einem Klassenprojekt für ein Graduiertenseminar zu Deep Generative Fashions, das Lao Beyer im vergangenen Herbst eingenommen hat. In Gesprächen während des Semesters wurde es sowohl Lao Beyer als auch dem, den das Seminar unterrichtete, deutlich, dass diese Forschung ein echtes Potenzial hatte, das weit über die Grenzen einer typischen Hausaufgabe hinausging. Andere Mitarbeiter wurden bald in das Bestreben gebracht.

Der Ausgangspunkt für die Untersuchung von Lao Beyer struggle ein Papier im Juni 2024, das von Forschern der Technischen Universität von München und dem chinesischen Unternehmen Bytedance verfasst wurde und eine neue Methode zur Vertretung visueller Informationen einführte, die als eindimensionale Tokenzaizer bezeichnet werden. Mit diesem Gerät, bei dem es sich auch um eine Artwork neuronales Netzwerk handelt, kann ein 256×256-Pixel-Bild in eine Sequenz von nur 32 Zahlen übersetzt werden, die als Token bezeichnet werden. „Ich wollte verstehen, wie ein so hohes Komprimierungsgrad erreicht werden konnte und was die Token selbst tatsächlich vertreten“, sagt Lao Beyer.

Die vorherige Technology von Tokenisierern würde in der Regel das gleiche Bild in ein Array von 16×16 -Token zerlegen – wobei jedes Token in stark kondensierter Kind einen bestimmten Teil des Originalbildes entspricht. Die neuen 1D -Tokenizer können ein Bild effizienter codieren, indem sie insgesamt weit weniger Tokens verwenden, und diese Token können Informationen über das gesamte Bild erfassen, nicht nur einen einzelnen Quadranten. Jede dieser Token ist außerdem eine 12-stellige Zahl, die aus 1s und 0s besteht, die 2 ermöglicht¹² (oder ungefähr 4.000) Möglichkeiten insgesamt. „Es ist wie ein Wortschatz von 4.000 Wörtern, die eine abstrakte, verborgene Sprache ausmachen, die vom Pc gesprochen wird“, erklärt er. „Es ist nicht wie eine menschliche Sprache, aber wir können trotzdem versuchen herauszufinden, was es bedeutet.“

Genau das hatte Lao Beyer sich zunächst vorgenommen – Arbeiten, die den Samen für das ICML 2025 -Papier lieferten. Der Ansatz, den er verfolgte, struggle ziemlich einfach. Wenn Sie herausfinden möchten, was ein bestimmtes Token tut, sagt Lao Beyer: „Sie können es einfach herausnehmen, einen zufälligen Wert auszeigen und feststellen, ob sich die Ausgabe zu erkennbaren.“ Er fand einen Token, der die Bildqualität ersetzt und ein Bild mit niedrigem Auflösung in ein hochauflösendes Bild verwandelt oder umgekehrt. Ein weiterer Token beeinflusste die Unschärfe im Hintergrund, während ein anderer die Helligkeit immer noch beeinflusste. Er fand auch ein Token, das mit der „Pose“ zusammenhängt, was bedeutet, dass beispielsweise nach dem Bild eines Robins sich der Kopf des Vogels von rechts nach hyperlinks verlagern könnte.

„Dies struggle ein nie zuvor gesehenes Ergebnis, da niemand visuell identifizierbare Veränderungen aus manipulierenden Token beobachtet hatte“, sagt Lao Beyer. Der Befund erhöhte die Möglichkeit eines neuen Ansatzes zur Bearbeitung von Bildern. Und die MIT -Gruppe hat tatsächlich gezeigt, wie dieser Prozess optimiert und automatisiert werden kann, so dass Token nacheinander nicht von Hand geändert werden müssen.

Er und seine Kollegen erzielten ein noch konsequenteres Ergebnis, das die Bilderzeugung umfasste. Ein System, das Bilder normalerweise erzeugen kann, erfordert normalerweise einen Tokenizer, der visuelle Daten komprimiert und codiert, zusammen mit einem Generator, der diese kompakten Darstellungen kombinieren und anordnen kann, um neue Bilder zu erstellen. Die MIT -Forscher fanden einen Weg, Bilder zu erstellen, ohne überhaupt einen Generator zu verwenden. Ihr neuer Ansatz verwendet einen 1D-Tokenizer und einen sogenannten Detokenisierer (auch als Decoder bezeichnet), der ein Bild von einer Reihe von Token rekonstruieren kann. Mit Anleitungen, die durch ein abgeschaltetes neuronales Netzwerk namens Clip geliefert werden, das nicht selbst Bilder generieren kann, aber messen kann, wie intestine ein bestimmtes Bild mit einer bestimmten Textaufforderung übereinstimmt-konnte das Group beispielsweise ein Bild eines roten Pandas in einen Tiger umwandeln. Darüber hinaus können sie Bilder eines Tigers oder einer anderen gewünschten Kind erstellen, die vollständig von vorne beginnen – aus einer State of affairs, in der allen Token ursprünglich zufällige Werte zugeordnet werden (und dann iterativ operativ so gepoppt werden, dass dem rekonstruierten Bild zunehmend mit der gewünschten Textaufforderung übereinstimmt).

Die Gruppe zeigte, dass mit demselben Setup, der sich auf einen Tokenizer und einen Detokener stützt, aber ohne Generator – auch „Inpainting“ erledigen konnte, was bedeutet, dass Teile von Bildern, die irgendwie ausgeblendet waren, ausfüllen. Die Vermeidung der Verwendung eines Turbines für bestimmte Aufgaben kann zu einer erheblichen Reduzierung der Rechenkosten führen, da Generatoren, wie erwähnt, normalerweise ein umfassendes Coaching erfordern.

Was an den Beiträgen dieses Groups seltsam erscheinen magazine, erklärt er, „ist, dass wir nichts Neues erfunden haben. Wir haben keinen 1D -Tokenizer erfunden, und wir haben das Clip -Modell auch nicht erfunden. Wir haben jedoch festgestellt, dass neue Funktionen entstehen können, wenn Sie all diese Teile zusammenfügen.“

„Diese Arbeit definiert die Rolle von Tokenizern neu“, kommentiert Saining Xie, Informatiker an der New York College. „Es zeigt, dass Bild-Tokenisierer-Werkzeuge, die normalerweise nur zum Komprimieren von Bildern verwendet werden-tatsächlich viel mehr tun können. Die Tatsache, dass ein einfacher (aber hochkomprimierter) 1D-Tokenizer Aufgaben wie Inpfle oder textgesteuerte Bearbeitung erledigen kann, ohne ein volles Generativmodell trainieren zu müssen, ist ziemlich überraschend.“

Zhuang Liu von der Princeton College stimmt zu und sagt, dass die Arbeit der MIT-Gruppe „zeigt, dass wir die Bilder auf eine Weise generieren und manipulieren können, die viel einfacher ist als bisher, im Grunde genommen zeigt es, dass Bildgenerierung ein Nebenprodukt eines sehr effektiven Bildkompressors sein kann, was möglicherweise die Kosten der Generierung von Bildern mehrere Falte einsetzt.“

Es könnte viele Anwendungen außerhalb des Bereichs des Pc Imaginative and prescient geben, schlägt Karaman vor. „Zum Beispiel könnten wir in Betracht ziehen, die Handlungen von Robotern oder selbstfahrenden Autos auf die gleiche Weise zu Tokenisieren, was die Auswirkungen dieser Arbeit schnell erweitern kann.“

Lao Beyer denkt in ähnlicher Weise und stellt fest, dass die excessive Komprimierung von 1D -Tokenizern es Ihnen ermöglicht, „einige erstaunliche Dinge“ zu machen, die auf andere Felder angewendet werden könnten. Zum Beispiel im Bereich selbstfahrender Autos, die eines seiner Forschungsinteressen sind, könnten die Token anstelle von Bildern die verschiedenen Routen darstellen, die ein Fahrzeug aufnehmen könnte.

Xie ist auch fasziniert von den Anwendungen, die aus diesen innovativen Ideen stammen können. „Es gibt einige wirklich coole Anwendungsfälle, die sich freischalten können“, sagt er.

Eines unserer Leitprinzipien als Veröffentlichung ist, dass die Arbeit der Autoren ihre bleibt. Das hat sich seitdem nicht geändert Starten unserer unabhängigen Web site Anfang dieses Jahres; Ganz im Gegenteil. Auf praktischer Ebene wussten wir jedoch, dass ein wichtiges Aspect fehlte, solange die Autoren ihre Artikel nicht direkt bearbeiten konnten, und Mitglieder unserer Neighborhood erwähnten dies immer wieder als Muss.

Wir sind begeistert, dass die Autoren dank der harten Arbeit mehrerer Teammitglieder und Accomplice jetzt den Zugriff auf alle zuvor veröffentlichten Arbeiten zu TDs haben – einschließlich der beiden Artikel, die wir vor dem Begin auf unsere Web site gebracht haben, und diejenigen, die wir direkt auf unsere neue Plattform akzeptiert haben.

Große Macht, große Verantwortung

Unsere Beziehung zu unseren Mitwirkenden basiert auf Vertrauen. Wir investieren viel Zeit und Mühe in unseren ersten Screening- und Überprüfungsprozess und sind daher zu einer Veröffentlichung mit Hunderten von Schriftstellern, deren professionelles Fachwissen ihrer Integrität entspricht.

Die Fähigkeit, veröffentlichte Artikel zu bearbeiten, ist eine, die wir bitten, mit Bedacht zu benutzen. Wenn wir einen Tippfehler beheben, hatten wir nicht gefangen, ein Diagramm basierend auf dem Leser-Suggestions und dem Hinzufügen eines Hyperlinks zu einer relevanten neuen Ressource sind Beispiele für Änderungen nach der Veröffentlichung, die wir als angemessen betrachten. Wir wissen auch, dass die Formatierung in einigen unserer älteren Artikel während ihrer Migration zu unserer neuen Web site etwas wackelig wurde. Es ist auch vollkommen in Ordnung, diese Probleme anzugehen.

Was wir Autoren zu vermeiden bitten, besteht darin direkt aus Ihrem Artikel aus. Wenn Sie jemals spüren, dass ein Artikel, den Sie mit uns veröffentlicht haben, eine gründlichere Überarbeitung rechtfertigt, möchten wir gerne mit Ihnen zusammenarbeiten, um den besten Weg nach vorne zu finden.

Wie die Bearbeitung funktioniert

Unabhängig davon, ob Sie bereits auf unserer neuen Plattform mit uns veröffentlicht haben oder nicht, ist es so einfach, dass Sie Ihre veröffentlichten Artikel an Ihre veröffentlichten Artikel vornehmen. Gehen Sie einfach zu Ihrem Liste der Artikel (Notiz: Dieser Hyperlink erfordert, dass Sie sich beim TDS -Mitarbeiterportal angemeldet haben), schweben Sie über den Artikel, an dem Sie arbeiten möchten, und klicken Sie entweder auf den Titel oder auf die Bearbeiten Style.

Sobald Sie fertig sind, sollten Sie Ihre Änderungen in Betracht ziehen, da sie auf dem Frontend unserer Web site angezeigt werden. Suchen Sie nach dem Laptop computer-Image in der Nähe der oberen rechten Ecke des Editor-Bildschirms und klicken Sie auf Vorschau in neuer Registerkarte. Dies ist besonders wichtig, wenn Sie in Ihrem Artikel irgendwelche Änderungen an einem visuellen Aspect vorgenommen haben.

Wenn alles intestine aussieht, um an Ihrem Ende zu gehen, denken Sie daran, auf die zu klicken Speichern Button, um Ihre Änderungen dwell zu nehmen. Dies benachrichtigt unser Staff auch über Änderungen in einem veröffentlichten Artikel und gibt uns die Möglichkeit, zu überprüfen, ob alles in Ordnung ist.

Wir hoffen, dass alle Artikel, die wir auf TDS veröffentlicht haben, hier bleiben, aber wir erkennen, dass Autoren ihre Arbeiten manchmal von unserer Web site entfernen möchten. Bis jetzt mussten Sie uns kontaktieren, um unser Staff zu bitten, Artikel in Ihrem Namen zu löschen. Mit diesem Replace können Sie es jetzt ohne unsere Intervention tun – in Ihrer Artikelliste suchen Sie nach dem Markieren Sie als gelöscht Schaltfläche unter dem entsprechenden Titel. (Wenden Sie sich an uns, bevor Sie Artikel löschen.

Weiter und nach oben!

Mit dieser neuen Funktion haben wir einen Großteil der langen Liste der wichtigsten Verbesserungen geschafft, die wir Autoren für TDS anbieten wollten. Für alle, die seit dem Begin unserer Web site nach dem Bearbeiten des Zugriffs gefragt haben, vielen Dank für Ihre Geduld! Wir hoffen, in naher Zukunft mehr von Ihrer Arbeit zu veröffentlichen, insbesondere jetzt, wo unsere Autorenzahlungsprogramm läuft seit mehreren Monaten erfolgreich. Und wenn Sie noch kein TDS -Autor sind, aber gerne unserer Neighborhood beitreten möchten, Wir würden gerne Ihre Arbeit sehenzu.

Das letzte Mal, dass OpenAIs Chatgpt ein Bildgenerierungsmodell vorstellte, wurde es schnell viral im Web. Die Menschen waren fasziniert von der Fähigkeit zu schaffen Porträts im Ghibli-Stil von sich selbst, persönliche Erinnerungen in animierte Kunstwerke zu verwandeln. Jetzt geht ChatGPT einen Schritt weiter mit einem neuen nativ multimodalen Modell „GPT-Picture-1“, das die Bildgenerierung direkt innerhalb von ChatGPT versorgt und jetzt über API verfügbar ist. In diesem Artikel werden wir die wichtigsten Merkmale des GPT-Picture-1-Modells von OpenAI und die Verwendung für die Bildgenerierung und -bearbeitung untersuchen.

Was ist GPT-Picture-1?

GPT-Picture-1 ist das neueste und fortschrittlichste multimodale Sprachmodell von OpenAI. Es zeichnet sich aus, um hochwertige Bilder zu generieren und gleichzeitig das Wissen über reale Welt in den visuellen Inhalt einzubeziehen. Während GPT-Picture-1 für seine robuste Leistung empfohlen wird, unterstützt die Bild-API auch andere spezialisierte Modelle wie Dall · E 2 und Dall · e 3.

Die Bild -API bietet drei wichtige Endpunkte, die jeweils für bestimmte Aufgaben ausgelegt sind:

• Generationen: Erstellen Sie Bilder von Grund auf mit einer Textaufforderung.
• Änderungen: Ändern Sie vorhandene Bilder mithilfe einer neuen Eingabeaufforderung entweder teilweise oder vollständig.
• Variationen: Generieren Sie Variationen eines vorhandenen Bildes (nur mit Dall · e 2 verfügbar).

Lesen Sie auch: Imageen 3 gegen Dall-E 3: Welches ist das bessere Modell für Bilder?

Schlüsselmerkmale von GPT-Picture-1

GPT-Picture-1 bietet mehrere wichtige Funktionen:

• Excessive-Constancy-Bilder: Erzeugt detaillierte und genaue Bilder.
• Verschiedene visuelle Stile: Unterstützt eine Reihe von Ästhetik, von Foto realistisch bis abstrakt.
• Präzise Bildbearbeitung: Ermöglicht gezielte Modifikationen zu generierten Bildern.
• Reiches Weltwissen: Versteht komplexe Aufforderungen mit kontextbezogener Genauigkeit.
• Konsistente Textwiedergabe: Rendern Textual content in den Bildern zuverlässig.

Verfügbarkeit

Mit der OpenAI -API können Benutzer Bilder aus Texteingabeaufforderungen unter Verwendung der GPT -Picture oder Dall · e -Modelle generieren und bearbeiten. Derzeit ist die Bildgenerierung ausschließlich durch die Bild -API zugänglich, obwohl die Unterstützung für die Antworten -API aktiv entwickelt wird.

Weitere Informationen zu GPT-Picture-1-Klick Hier.

GPT-Picture-1-Preisgestaltung

Bevor Sie in die Verwendung und Bereitstellung des Modells eintauchen, ist es wichtig, die Preisgestaltung zu verstehen, um die effektive und budgetbewusste Verwendung zu gewährleisten.

Das GPT-Picture-1-Modell kostet professional Token mit unterschiedlichen Raten für Textual content- und Bild-Token:

• Texteingangs -Token (Eingabeaufforderungen): $ 5 professional 1 m Tokens
• Bildeingangs -Token (hochgeladene Bilder): $ 10 professional 1 m Tokens
• Bildausgabe -Token (generierte Bilder): $ 40 professional 1 m Tokens

In praktischer Hinsicht entspricht dies ungefähr:

• ~ $ 0.02 für ein quadratisches Bild von geringer Qualität
• ~ $ 0.07 für ein quadratisches Bild mittelgroß
• ~ 0,19 USD für ein hochwertiges quadratisches Bild

Weitere detailliertere Preise nach Bildqualität und -auflösung finden Sie auf der offiziellen Preisseite Hier.

Notiz: Dieses Modell generiert Bilder, indem zuerst spezielle Bildtoken erstellt werden. Daher hängen sowohl die Latenz als auch die Gesamtkosten von der Anzahl der verwendeten Token ab. Größere Bildabmessungen und Einstellungen mit höherer Qualität erfordern mehr Token, wodurch sowohl die Zeit als auch die Kosten erhöht werden.

Wie kann man GPT-Picture-1 zugreifen?

So generieren Sie den API-Schlüssel für GPT-Picture-1:

1. Melden Sie sich bei der OpenAI -Plattform an
2. Gehen Sie zu Mission> API -Schlüssel
3. Überprüfen Sie Ihr Konto

Zuerst besuchen Sie: https://platform.openai.com/setings/group/basic. Klicken Sie dann auf „Organisation überprüfen“, um den Überprüfungsprozess zu starten. Es ist ähnlich wie bei jeder KYC -Überprüfung, bei der abhängig vom Land aufgefordert wird, eine Foto -ID hochzuladen und sie dann mit einem Selfie zu überprüfen.

Sie können folgen Diese Dokumentation bereitgestellt von Open AI, um den Überprüfungsprozess besser zu verstehen.

Lesen Sie auch: Wie benutze ich Dall-e 3 API für die Bildgenerierung?

GPT-Picture-1: praktische Anwendung

Schließlich ist es Zeit zu sehen, wie wir Bilder mit der GPT-Picture-1-API generieren können.

Wir werden die verwenden Endpunkt der Bildgenerierung So erstellen Sie Bilder basierend auf Texteingabeaufforderungen. Standardmäßig gibt die API ein einzelnes Bild zurück, aber wir können den N -Parameter festlegen, um mehrere Bilder gleichzeitig in einer einzelnen Anforderung zu generieren.

Bevor wir unseren Hauptcode ausführen, müssen wir zuerst den Code für die Set up ausführen und die Umgebung einrichten.

!pip set up openai
import os
os.environ('OPENAI_API_KEY') = "<your-openai-api-key>"

Bilder mit GPT-Picture-1 generieren

Versuchen wir nun, ein Bild mit diesem neuen Modell zu generieren.

Eingabescode:

from openai import OpenAI
import base64
shopper = OpenAI()


immediate = """
A serene, peaceable park scene the place people and pleasant robots are having fun with the
day collectively - some are strolling, others are taking part in video games or sitting on benches
underneath bushes. The ambiance is heat and harmonious, with smooth daylight filtering
by means of the leaves.
"""


consequence = shopper.photographs.generate(
    mannequin="gpt-image-1",
    immediate=immediate
)


image_base64 = consequence.information(0).b64_json
image_bytes = base64.b64decode(image_base64)


# Save the picture to a file
with open("utter_bliss.png", "wb") as f:
    f.write(image_bytes)

Ausgabe:

Bearbeiten von Bildern mit GPT-Picture-1

GPT-Picture-1 bietet eine Reihe von Bildbearbeitungsoptionen. Das Bild bearbeitet Endpunkt lässt uns:

• Bestehende Bilder bearbeiten
• Generieren Sie neue Bilder mit anderen Bildern als Referenz
• Bearbeiten Sie Teile eines Bildes, indem Sie ein Bild und eine Maske hochladen, um anzugeben, welche Bereiche ersetzt werden sollen (ein Prozess, der als Inpacking bekannt ist)

Bearbeiten eines Bildes mit einer Maske

Versuchen wir, ein Bild mit einer Maske zu bearbeiten. Wir werden ein Bild hochladen und eine Maske bereitstellen, um anzugeben, welche Teile davon bearbeitet werden sollen.

Die transparenten Bereiche der Maske werden basierend auf der Eingabeaufforderung ersetzt, während die farbigen Bereiche unverändert bleiben.

Lassen Sie mich nun das Modell bitten, Elon Musk zu meinem hochgeladenen Bild hinzuzufügen.

Eingabescode:

from openai import OpenAI
shopper = OpenAI()


consequence = shopper.photographs.edit(
    mannequin="gpt-image-1",
    picture=open("/content material/analytics_vidhya_1024.png", "rb"),
    masks=open("/content material/mask_alpha_1024.png", "rb"),
    immediate="Elon Musk standing in entrance of Firm Brand"
)


image_base64 = consequence.information(0).b64_json
image_bytes = base64.b64decode(image_base64)


# Save the picture to a file
with open("Elon_AV.png", "wb") as f:
    f.write(image_bytes)

Ausgabe:

Zieh zu beachten, während ein Bild mit GPT-Picture-1 bearbeitet wird:

• Das Bild, das Sie bearbeiten möchten, und die entsprechende Maske muss im gleichen Format und in derselben Abmessungen sein, und jeder sollte weniger als 25 MB an Größe haben.
• Die Eingabeaufforderung, die Sie geben, kann verwendet werden, um das gesamte neue Bild zu beschreiben, nicht nur der Teil, der bearbeitet wird.
• Wenn Sie mehrere Eingangsbilder angeben, wird die Maske nur auf das erste Bild angewendet.
• Das Maskenbild muss einen Alpha -Kanal enthalten. Wenn Sie ein Bildbearbeitungswerkzeug verwenden, um die Maske zu erstellen, stellen Sie sicher, dass es mit einem aktivierten Alpha -Kanal gespeichert wird.
• Wenn Sie ein Schwarz-Weiß-Bild haben, können Sie ein Programm verwenden, um einen Alpha-Kanal hinzuzufügen und es in eine gültige Maske zu konvertieren, wie unten angegeben:

from PIL import Picture
from io import BytesIO


# 1. Load your black & white masks as a grayscale picture
masks = Picture.open("/content material/analytics_vidhya_masked.jpeg").convert("L")


# 2. Convert it to RGBA so it has house for an alpha channel
mask_rgba = masks.convert("RGBA")


# 3. Then use the masks itself to fill that alpha channel
mask_rgba.putalpha(masks)


# 4. Convert the masks into bytes
buf = BytesIO()
mask_rgba.save(buf, format="PNG")
mask_bytes = buf.getvalue()


# 5. Save the ensuing file
img_path_mask_alpha = "mask_alpha.png"
with open(img_path_mask_alpha, "wb") as f:
    f.write(mask_bytes)

Greatest Practices für die Verwendung des Modells

Hier sind einige Tipps und Greatest Practices, denen Sie bei der Verwendung von GPT-Picture-1 zum Generieren oder Bearbeiten von Bildern folgen müssen.

1. Sie können anpassen, wie Ihr Bild aussieht, indem Sie Optionen wie Größe, Qualität, Dateiformat, Komprimierungsstufe und ob der Hintergrund clear ist oder nicht. Diese Einstellungen helfen Ihnen bei der Steuerung der endgültigen Ausgabe, die Ihren spezifischen Anforderungen entspricht.
2. Für schnellere Ergebnisse gehen Sie mit quadratischen Bildern (1024 × 1024) und der Standardqualität. Sie können auch Porträt (1536 × 1024) oder Landschaftsformate (1024 × 1536) auswählen. Die Qualität kann auf niedrig, mittel oder hoch und sowohl die Größe als auch die Qualität des Requirements für automatisch eingestellt werden, wenn nicht angegeben.
3. Beachten Sie, dass die Bild-API die Basis64-kodierten Bilddaten zurückgibt. Das Standardformat ist PNG, aber wir können es auch in JPEG oder WebP anfordern.
4. Wenn Sie JPEG oder WebP verwenden, können Sie auch den Parameter output_compression angeben, um die Komprimierungsstufe (0-100%) zu steuern. Zum Beispiel wird Output_Compression = 50 das Bild um 50percentkomprimieren.

Anwendungen von GPT-Picture-1

GPT-Picture-1 hat eine breite Palette von Anwendungen.

• Spiele: Inhaltserstellung, Sprite -Masken, dynamische Hintergründe, Charaktergenerierung, Konzeptkunst
• Kreative Werkzeuge: Paintings -Generierung, Stilübertragung, Designprototyping, visuelles Geschichtenerzählen
• Ausbildung: visuelle Hilfsmittel, historische Erholungen, interaktive Lerninhalte, Konzeptvisualisierung
• Unternehmenssoftware: Folie-Visuals, Berichtsabbildungen, Daten zu Picture-Bild-Erzeugung, Branding-Vermögenswerte
• Werbung & Advertising: Kampagnen -Visuals, Social -Media -Grafiken, lokalisierte Inhaltserstellung
• Gesundheitspflege: Medizinische Illustration, Visualscan -Scan -Scan, synthetische Bilddaten für das Modelltraining
• Architektur & Immobilien: Innenmodelle, Außendrenderungen, Structure -Vorschau, Renovierungsideen
• Unterhaltung & Medien: Szenenkonzepte, Werbematerial, digitale Doppel

Einschränkungen von GPT-Picture-1

Das GPT-4O-Bildmodell ist ein leistungsstarkes und vielseitiges Werkzeug für die Bildgenerierung, aber es gibt noch einige Einschränkungen:

• Latenz: Die Bearbeitung kann bis zu 2 Minuten dauern.
• Textrendern: Obwohl das Modell wesentlich besser als die Dall · E -Modelle, kann es immer noch Herausforderungen mit präziser Textausrichtung und Klarheit haben.
• Konsistenz: Obwohl es visuell konsistente Bilder erzeugen kann, kann das Modell gelegentlich Schwierigkeiten haben, die Gleichmäßigkeit für wiederkehrende Zeichen oder Markenelemente über mehrere Bilder hinweg aufrechtzuerhalten.
• Kompositionskontrolle: Selbst mit verbesserten Funktionen für Anweisungen platziert das Modell möglicherweise nicht immer Elemente in strukturierten oder layoutempfindlichen Designs.

Modellvergleich

So ist das GPT-Picture-1 von OpenAI mit den beliebten Dall · e-Modellen:

Modell	Endpunkte	Merkmale
Dall · e 2	Generationen, Änderungen, Variationen	Niedrigere Kosten, unterstützt gleichzeitige Anfragen, umfasst die Inpackfunktionen
Dall · e 3	Nur Generationen	Höhere Auflösung und bessere Bildqualität als Dall · e 2
GPT-Picture-1	Generationen, Änderungen (Antworten API, die bald kommt)	Ausgezeichnete Anweisungen, detaillierte Änderungen, Bewusstsein in der Praxis

Abschluss

OpenAIs GPT-Picture-1 zeigt leistungsstarke Bildgenerierungsfunktionen mit Unterstützung für die Erstellung, Bearbeitung und Variationen, die alle aus einfachen Textanforderungen stammen. Während die Era von Bildern einige Zeit in Anspruch nehmen kann, machen die Qualität und die Kontrolle, die sie bietet, es insgesamt sehr praktisch und lohnend.

Modelle für Bildgenerierung wie diese ermöglichen die Erstellung, Personalisierung und das schnellere Prototyping inhaltlicher Inhalte. Mit integrierten Anpassungsoptionen für Größe, Qualität, Format usw. und sogar Einlackierungsfunktionen bietet GPT-Picture-1 Entwicklern die vollständige und transparente Kontrolle über die gewünschte Ausgabe.

Während einige befürchten, dass diese Technologie die menschliche Kreativität ersetzen könnte, ist es wichtig zu beachten, dass solche Instruments darauf abzielen, die menschliche Kreativität zu verbessern und hilfreiche Instrumente für Künstler zu sein. Obwohl wir die Originalität definitiv respektieren sollten, müssen wir auch die Bequemlichkeit, die diese Technologie mit sich bringt, einnehmen. Wir müssen das richtige Gleichgewicht finden, in dem solche Instruments uns helfen, innovativ zu sein, ohne den Wert der authentischen, von Menschen hergestellten Arbeiten wegzunehmen.

Instagram wird neue KI-Videofunktionen einführen, die es den Nutzern ermöglichen, ihre Inhalte deutlich zu verändern. Adam Mosseri, Instagram-Chef, enthüllt dass die Updates das Film Gen AI-Modell von Meta nutzen und es Benutzern ermöglichen werden, Hintergründe, Outfits und sogar ihr eigenes Erscheinungsbild zu ändern. Diese Funktion zielt darauf ab, die Kreativität zu steigern und den Benutzern Werkzeuge zur Verfügung zu stellen, mit denen sie ihre Ideen ausdrücken können.

Instagram führt KI-Videofunktionen für kreative Transformation ein

Die Integration generativer KI stellt Metas kontinuierliches Bemühen dar, KI-Technologie in seine Anwendungen einzubetten, wie CEO Mark Zuckerberg erklärte. Die Einführung der neuen Funktionen von Instagram ist für 2025 geplant und folgt ähnlichen Ankündigungen von Wettbewerbern wie OpenAI und Google DeepMind bezüglich ihrer Videogenerierungsmodelle. Mosseri betonte die Möglichkeit für Content material-Ersteller, vielfältige Möglichkeiten zu erkunden, und meinte: „Sie sollten in der Lage sein, mit Ihren Movies alles zu machen, was Sie wollen.“

Diese Entwicklung hat jedoch Bedenken hinsichtlich ihrer Auswirkungen auf die Nutzer sozialer Medien geweckt, insbesondere im Hinblick auf mögliche Auswirkungen auf die psychische Gesundheit. Kritiker argumentieren, dass KI-generierte Inhalte das Gefühl der Unzulänglichkeit verstärken können, da die Plattform möglicherweise eine unrealistische Darstellung des Lebens fördert. Mosseris Demonstration zeigte bemerkenswerte Veränderungen, wie sein verändertes Aussehen als Marionette und Szenarien mit surrealen Elementen wie einem springenden Nilpferd. Diese Funktionen können den Unterhaltungswert steigern, könnten die Zuschauer jedoch auch über die Authentizität der geteilten Erlebnisse irreführen.

---

Instagram bietet Ihnen gerade die Standortfreigabe von WhatsApp – mit einem Bonus

---

Während die Technologie ein beeindruckendes Potenzial aufweist, ist die Implementierung von KI bei Meta nicht ohne Herausforderungen. Erste Assessments ähnlicher Modelle, darunter Sora von OpenAIsind auf Probleme wie das Verschwinden von Objekten und sich schnell verändernde Gesichtszüge gestoßen. Da Mosseri nur kurze Clips präsentiert, bleiben Fragen zur Qualität und Zuverlässigkeit längerer Videobearbeitungen ungeklärt.

Die Einführung generativer KI-Instruments auf Instagram bedeutet einen Wandel in der Artwork und Weise, wie Benutzer Inhalte erstellen und mit ihnen interagieren. Da sich das Publikum zunehmend mit manipulierten Multimedia-Inhalten beschäftigt, könnte die traditionelle Essenz sozialer Medien – authentische menschliche Verbindungen – gefährdet sein. Beobachter unterstreichen die Bedeutung des Geschichtenerzählens und weisen darauf hin, dass diese KI-Verbesserungen ohne eine kohärente Erzählung lediglich als Ablenkung von echten Interaktionen dienen könnten.

Die Verbreitung transformativer KI-Fähigkeiten macht die State of affairs noch komplizierter und kann zu weit verbreiteter Skepsis gegenüber dem führen, was „echte“ soziale Medien ausmacht. Für viele Benutzer kann es schwierig sein, echte Inhalte inmitten manipulierter Bilder zu erkennen, was möglicherweise das Vertrauen in die Integrität der Plattform untergräbt. Darüber hinaus könnte diese Entwicklung den Pattern zur Darstellung idealisierter Lebenswelten verstärken, was weiterhin zu Unzufriedenheit bei den Nutzern führen könnte.

---

Hervorgehobener Bildnachweis: lalo Hernandez/Unsplash