J'ai passé une partie de ma matinée à tester l'Image Studio de @OpenGradient — et honnêtement, je ne m'attendais pas à m'intéresser autant à un outil d'image.
C'est en ligne sur chat.opengradient.ai maintenant. Il fonctionne avec les modèles de Gemini, ByteDance et xAI sous un même toit. Privé par défaut, ce qui compte plus que ce que les gens lui attribuent comme valeur.
Mais voici ce que j'ai trouvé vraiment intéressant : j'ai lancé le même prompt de portrait miroir à travers les trois — entrée identique, sorties complètement différentes. Pas seulement stylistiquement. La façon dont chaque modèle interprète la géométrie, la logique de réflexion et la hiérarchie compositionnelle est fondamentalement différente. Ce n'est pas un bug. C'est un signal.
La plupart des gens utiliseront cela pour choisir "lequel a l'air le plus cool." Je pense que le meilleur coup est d'utiliser les sorties multi-modèles pour comprendre où chaque modèle a une forte capacité de raisonnement spatial contre où il fait semblant. Cette distinction est importante si vous construisez des workflows sur l'un de ces APIs.
Petit test, mais ça a changé ma façon de penser la sélection de modèles pour les pipelines génératifs. Ça vaut 20 minutes si vous êtes dans l'espace AI onchain.
(∇, ∇)
#OpenGradient #ImageStudio #OnchainAI #OPG
$RE $SYN $OPG
C'est en ligne sur chat.opengradient.ai maintenant. Il fonctionne avec les modèles de Gemini, ByteDance et xAI sous un même toit. Privé par défaut, ce qui compte plus que ce que les gens lui attribuent comme valeur.
Mais voici ce que j'ai trouvé vraiment intéressant : j'ai lancé le même prompt de portrait miroir à travers les trois — entrée identique, sorties complètement différentes. Pas seulement stylistiquement. La façon dont chaque modèle interprète la géométrie, la logique de réflexion et la hiérarchie compositionnelle est fondamentalement différente. Ce n'est pas un bug. C'est un signal.
La plupart des gens utiliseront cela pour choisir "lequel a l'air le plus cool." Je pense que le meilleur coup est d'utiliser les sorties multi-modèles pour comprendre où chaque modèle a une forte capacité de raisonnement spatial contre où il fait semblant. Cette distinction est importante si vous construisez des workflows sur l'un de ces APIs.
Petit test, mais ça a changé ma façon de penser la sélection de modèles pour les pipelines génératifs. Ça vaut 20 minutes si vous êtes dans l'espace AI onchain.
(∇, ∇)
#OpenGradient #ImageStudio #OnchainAI #OPG
$RE $SYN $OPG