در دو سال اخیر مدل‌های هوش مصنوعی تولید تصویر رواج بالایی پیدا کرده‌اند و موانع فنی استفاده از آن‌ها تقریباً برطرف شده است. البته این بدان معنا نیست که عملکرد این مدل‌ها پایدار شده و به سطح مناسبی رسیده است. ولی متا ادعا می‌کند که با مدل جدید CM3Leon دستاورد مهمی داشته و بهترین نمونه را در این حوزه ساخته است.

متا امروز از مدل هوش مصنوعی جدیدی به‌نام CM3Leon (یا همان Chameleon یا «آفتاب‌پرست») رونمایی کرده است و می‌گوید این سیستم می‌تواند در تبدیل متن به تصویر بهترین عملکرد را به نمایش بگذارد. این مدل همچنین یکی از اولین مدل‌هایی است که می‌تواند برای تصاویر توضیح یا کپشن بنویسد.

CM3Leon یک مدل مبدل یا «ترنسفورمر» است که با استفاده از مکانیزمی موسوم به «توجه» (Attention) سعی می‌کند ارتباط داده‌های موجود ازجمله متن یا تصاویر را به یکدیگر ارزیابی کند. این توجه در کنار دیگر ویژگی‌های مربوط به معماری در مدل‌های ترنسفورمر می‌تواند سرعت آموزش مدل‌ها را افزایش دهد. ساخت مدل‌های ترنسفورمر بزرگ‌تر با افزایش توان پردازشی ممکن می‌شود.

توان موردنیاز برای CM3Leon متا پنج برابر کمتر از مدل‌های مشابه است

متا ادعا می‌کند که CM3Leon از اکثر مدل‌های ترنسفورمر بهینه‌تر است، چون به پنج برابر توان پردازشی کمتر نیاز دارد و می‌تواند با پایگاه کوچک‌تری از داده‌ها آموزش داده شود. این شرکت برای آموزش مدل خود از میلیون‌ها تصویر از شرکت Shutterstock استفاده کرده است.

قوی‌ترین نسخه از CM3Leon حدود 7 میلیارد پارامتر دارد که تقریباً دو برابر مدل DALL-E 2 از شرکت OpenAI است. یکی از قابلیت‌های کلیدی مدل هوش مصنوعی جدید متا که به افزایش قدرت آن کمک کرده، تکنیکی موسوم به «بهینه‌سازی نظارتی» (SFT) است. این تکنیک قبلاً در مدل‌های متنی مثل ChatGPT استفاده شده بود و حالا در مدل‌های تصویری هم خود را ثابت کرده است.

مدل CM3Leon متا می‌تواند فرمان‌های مربوط به ویرایش تصاویر موجود را نیز درک کند. همچنین، همان‌طور که گفتیم، این مدل قادر است برای تصاویر توضیح کوتاه یا بلند بنویسد. عملکرد CM3Leon در این زمینه حتی از مدل‌های مخصوص خلق کپشن برای تصاویر مثل Flamingo و OpenFlamingo هم بهتر است.

متا هنوز اعلام نکرده است که قصد عرضه مدل هوش مصنوعی CM3Leon را دارد یا نه و اگر پاسخ این سؤال مثبت است، این اتفاق چه زمانی خواهد افتاد.