GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization

Агент от Tencent по фото определяет координаты где оно снято

Объединяет визуальное рассуждение и веб-поиск для уточнения гипотез.

Увеличивает масштаб изображений чтобы детально рассматривать интересующие области.

Гитхаб
HF ~34 ГБ

#image2geolocation #map #location #geolocation

FLUX.2: Frontier Visual Intelligence

Слухи оказались правдивы, новую версию генератора картинок Flux 2 выпустили.
Внутри Mistral-3 VLM 24B

— сохраняет характер и стиль при работе с несколькими референсными изображениями;

— следует сложным структурированным подсказкам;

— читает и пишет сложный текст;

— соблюдает брендбуки;

— грамотно работает с освещением, макетами и логотипами;

— редактирует изображения размером до 4 мегапикселей, сохраняя детали и целостность изображения;

— поддерживает работу с до 10 референсными изображениями одновременно;

— создаёт детальные фотореалистичные изображения и инфографику со сложной типографикой;

— надёжно обрабатывает сложную типографику, включая создание инфографики, мемов и макетов пользовательских интерфейсов с читаемым мелким текстом.

В релиз вошли следующие модели семейства FLUX.2:

FLUX.2 [pro]: модель с высоким качеством генерации изображений, быстрой работой и относительно низкими затратами.

FLUX.2 [flex]: модель, которая позволяет настраивать параметры (количество шагов, шкала руководства) и хорошо рендерит текст и мелкие детали.

FLUX.2 [dev]: открытая модель с 32 миллиардами параметров, поддерживает синтез текста в изображение и редактирование изображений с несколькими входными изображениями.

FLUX.2 [klein]: предстоящий релиз — открытая модель, более мощная и удобная для разработчиков по сравнению с аналогами того же размера. Вписаться в бету

FLUX.2 - VAE: вариационный автоэнкодер для латентных представлений, обеспечивает баланс между обучаемостью, качеством и степенью сжатия.

BFL Playground
BFL API
HF
Демо

#text2image #referencing #image2image #imageediting #vlm

Ну неплохо

Но с направлениями беда. Надо справа налево.
И как прочие модели не любит изображать людей на заднем плане с лица, предпочитает рисовать спины.

photo of fantasy Fish straight-walking from right to the left in a human city as undercover agent, wearing a survival landsuit with a helmet filled with water to breathe, wearing a hat over the helmet, in human disguise, masterpiece, wide view, distant view

DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation

Диффузный генератор изображений напрямую в пиксельном пространстве.

Тут интересна архитектура

В отличие от аналогов, DeCo эффективнее разделяет задачи моделирования высоко- и низкочастотных компонентов, что позволяет улучшить качество изображений и ускорить обучение и вывод

Текстовый энкодер Qwen 3 поддерживает несколько языков

Авторы не стали заморачиваться с разрешением, сделали модели на 256 и 512 пикселей. В демо можно поднять до 1024 но результат будет покореженный как в SD1.5

Ну и веса у нее 2 ГБ. Если искали замену SD1.5 посмотрите DeCo

Гитхаб
HF
Демо

#text2image