ओपन-सोर्स 5B मॉडल ने जटिल चीनी कैलिग्राफी परीक्षण में GPT Image 2.5 को हराया

आज, DeepSeek ने अपना प्रोडक्शन-ग्रेड इंफरेंस फ्रेमवर्क, DeepInfer, ओपन-सोर्स कर दिया। बहुत से लोग इस बात पर चर्चा कर रहे हैं कि कम कंप्यूट के साथ बेहतर मॉडल कैसे चलाए जाएं।

संयोग से, मैं इसी रास्ते पर चलने वाले एक और ओपन-सोर्स मॉडल को टेस्ट कर रहा था: MOSS-Image, जिसमें सिर्फ 5B पैरामीटर हैं। मैंने इसे और कथित तौर पर सबसे शक्तिशाली क्लोज़्ड-सोर्स मॉडल, GPT Image 2.5, दोनों को एक ही मुश्किल चुनौती दी।

परिणाम: GPT Image 2.5 दूसरे राउंड में फेल हो गया, जबकि ओपन-सोर्स 5B स्मॉल मॉडल ने पूरी कविता "Bring in the Wine" को दो बार सही ढंग से रेंडर किया। अगर ली बाई (Li Bai) यह देखते, तो शायद तीन सौ कप और पी जाते।

प्रॉम्प्ट यह था: इंक-वॉश स्क्रॉल पेंटिंग में नदी के किनारे कप उठाते हुए ली बाई का एक दृश्य बनाएं। "Bring in the Wine" का पूरा टेक्स्ट 12 लाइनों की कैलिग्राफी में लिखें, साथ में एक शीर्षक, लेखक का नाम, एक वर्मिलियन सील, और अंग्रेजी टेक्स्ट की तीन लाइनें हों। पत्थर के चबूतरे पर बिल्कुल 4 वाइन कप होने चाहिए—न एक ज्यादा, न एक कम।

मुझे पहले लगा था कि क्लोज़्ड-सोर्स मॉडल आसानी से जीत जाएगा। पहले राउंड में दोनों लगभग बराबर थे। लेकिन दूसरे राउंड में, जब मैंने सिर्फ दो चीजें बदलीं, तो GPT Image 2.5 ने कप गिनने में गलती कर दी, जबकि MOSS-Image ने दोनों बार इसे सही किया।

नीचे MOSS-Image द्वारा जनरेट की गई 2 इमेजेस हैं

नीचे GPT Image 2.5 द्वारा जनरेट की गई 2 इमेजेस हैं

यह टेस्ट मुश्किल क्यों है?

मैंने जानबूझकर इस प्रॉम्प्ट को कठिन बनाया था।

इस प्रसिद्ध कविता में 12 लाइनें और 170 से अधिक अक्षर हैं, जिन्हें बिना एक भी गलती के पेंटिंग पर रनिंग स्क्रिप्ट में लिखा जाना था। मैंने पहले कई मॉडल टेस्ट किए हैं; जैसे ही अक्षरों की संख्या बढ़ती है, वे गलतियां करने लगते हैं।

वाइन कप की संख्या इसलिए खास तौर पर जोड़ी गई क्योंकि AI इमेज जनरेशन ऑब्जेक्ट्स को गिनने में हमेशा से खराब रहा है।

इसके अलावा, दृश्य में कई तत्व शामिल थे: नदी का परिदृश्य, ली बाई, शीर्षक, सील, पूरी कविता, और अंग्रेजी की तीन लाइनें, जिनमें से हर एक की अपनी निश्चित जगह थी। मैंने अंत में एक शर्त भी जोड़ी: कोई अन्य टेक्स्ट नहीं, और सिर्फ एक सील।

राउंड 1: दोनों पास हुए

पहले राउंड में, मैंने पत्थर के चबूतरे पर 2 वाइन कप मांगे, और अंग्रेजी की आखिरी लाइन "Let us drink away the sorrows of all ages." थी।

जब इमेजेस आईं, तो मैंने उन्हें एक-एक करके चेक किया: कविता में कोई गलती नहीं, सिर्फ एक सील, सही अंग्रेजी टेक्स्ट, और बिल्कुल 2 कप। दोनों मॉडल इस राउंड में आसानी से पास हो गए।

अंतर मुख्य रूप से सुंदरता (aesthetics) में था। MOSS-Image वर्जन में स्याही का घनत्व अलग-अलग था और व्हाइट स्पेस काफी अच्छा था, जो एक असली हैंगिंग स्क्रॉल जैसा दिख रहा था। GPT Image 2.5 पहली नज़र में अच्छा लगा, लेकिन ज़ूम करने पर ब्रशस्ट्रोक्स थोड़े सपाट दिखे, जिनमें पारंपरिक इंक वॉश का सूक्ष्म फैलाव (bleeding effect) नहीं था।

राउंड 2: छोटे बदलावों ने बड़ा अंतर दिखाया

इसके बाद, मैंने सिर्फ दो चीजें बदलीं:

1. कप की संख्या 2 से 4 कर दी।
2. अंग्रेजी की आखिरी लाइन के बाद "Cheers" शब्द जोड़ दिया।

तार्किक रूप से, ये बहुत छोटे बदलाव थे। परिणाम ये रहे:

• MOSS-Image: दोनों बदलाव बिल्कुल सही किए। ठीक 4 कप, "Cheers" जोड़ा गया, और 12 लाइनों की कविता और सील जस की तस रही।
• GPT Image 2.5: "Cheers" तो जोड़ दिया, लेकिन कप की गिनती गड़बड़ा दी। 4 कप चाहिए थे, लेकिन उसने 5 बना दिए।

बेशक, यह सिर्फ एक प्रॉम्प्ट सेट है और सभी स्थितियों का प्रतिनिधित्व नहीं करता। लेकिन "लंबे टेक्स्ट के साथ सटीक नियंत्रण" के मामले में, ओपन-सोर्स 5B मॉडल ने एक शानदार प्रदर्शन किया।

एक 5B स्मॉल मॉडल ऐसा कैसे कर सकता है?

इस टेस्ट पर नज़र डालें तो, MOSS-Image की दोनों राउंड में सफलता कई क्षमताओं पर निर्भर करती है:

• सटीक चीनी/अंग्रेजी रेंडरिंग। रनिंग स्क्रिप्ट में 170 से अधिक चीनी अक्षरों वाली 12 लाइनों में कोई टाइपो या छूटा हुआ शब्द नहीं था। नीचे की तीन अंग्रेजी लाइनें और जोड़ा गया "Cheers" भी बिल्कुल स्पष्ट थे।
• लंबे प्रॉम्प्ट की पूरी समझ। यह 4K tokens तक के प्रॉम्प्ट को सपोर्ट करता है। मेरे प्रॉम्प्ट में स्टाइल, दृश्य, शीर्षक, कविता, अंग्रेजी और नेगेटिव कंस्ट्रेंट्स शामिल थे। इसने शुरुआत से अंत तक सब कुछ फॉलो किया और कहीं ट्रैक नहीं खोया। इसलिए जब मैंने दूसरे राउंड में कप की संख्या बदली और एक शब्द जोड़ा, तो इसने बाकी सबको बिना बिगाड़े दोनों अपडेट को संभाल लिया।
• कंट्रोलेबल स्टाइल। इस टेस्ट में राइस-पेपर इंक-वॉश टेक्सचर चाहिए था, और यह फोटोरियलिस्टिक या 3D स्टाइल की तरफ नहीं भटका। पारंपरिक चीनी स्टाइल के अलावा, यह एनिमे, इलस्ट्रेशन और फोटो-रियलिज्म भी संभाल सकता है।

अगर आप इसे अपने काम में इस्तेमाल करना चाहते हैं, तो ये दो बातें जानना जरूरी है: पहला, यह स्ट्रक्चर्ड JSON Layout को सपोर्ट करता है, जिससे आप टेक्स्ट और एलिमेंट्स की पोजीशन सीधे बता सकते हैं, जिससे पोस्टर, ई-कॉमर्स इमेजेस और सोशल मीडिया कवर के लिए कंपोजिशन कंट्रोल बेहतर होता है। दूसरा, Base और SFT दोनों वर्जन के वेट्स, कोड और यूसेज गाइड ओपन-सोर्स हैं। SGLang और vLLM-Omni Day 0 सपोर्ट देते हैं, जिससे LoRA फाइन-ट्यूनिंग या सेकेंडरी डेवलपमेंट शुरू करना बहुत आसान हो जाता है।

टेस्टिंग मेथड और प्रॉम्प्ट टिप्स

प्रक्रिया सरल थी: दोनों मॉडल्स ने एक ही प्रॉम्प्ट इस्तेमाल किया। पहला राउंड चलाने के बाद, मैंने दो चीजें बदलीं और दूसरा राउंड चलाया। MOSS-Image आधिकारिक एक्सपीरियंस प्लेटफॉर्म पर जनरेट किया गया, जबकि GPT Image 2.5 ChatGPT में ऑनलाइन जनरेट किया गया।

ऐसे जटिल प्रॉम्प्ट लिखने के लिए मेरे पास तीन टिप्स हैं:

1. पहले आर्ट स्टाइल और मैटेरियल तय करें। राइस पेपर, इंक वॉश, मिनरल पिगमेंट बताएं, और इमेज को रियलिज्म की तरफ जाने से रोकने के लिए "not photographic, not 3D" जोड़ें।
2. क्षेत्रों (Regions) के अनुसार वर्णन करें। नीचे बाईं ओर का दृश्य, ऊपर दाईं ओर शीर्षक और सील, दाहिने हिस्से में कविता, और नीचे अंग्रेजी का वर्णन करें। ब्लॉक्स को अलग-अलग रखने से मॉडल के लिए फॉलो करना आसान हो जाता है।
3. अंत नेगेटिव कंस्ट्रेंट्स के साथ करें। इमेज को साफ रखने के लिए अंत में "No other text, no extra seals, no watermarks" जोड़ें।

पूरा प्रॉम्प्ट

यहां पहले राउंड में इस्तेमाल किया गया पूरा प्रॉम्प्ट है, जिसे आप कॉपी करके आजमा सकते हैं:

1गर्म हाथीदांत (ivory) रंग के xuan पेपर पर बनी एक पारंपरिक चीनी इंक-एंड-वॉश पेंटिंग, लंबे हैंगिंग-स्क्रॉल फॉर्मेट में। परतदार काली स्याही, हल्के धूसर वॉश, म्यूट नीले-हरे मिनरल पिगमेंट, हल्का ओकर (ochre), दिखने वाले पेपर फाइबर, पंख जैसे गीली स्याही के किनारे, ड्राई-ब्रश टेक्सचर। हाथ से पेंट की गई, फोटोग्राफिक नहीं, 3D नहीं।
2बाएं और निचले हिस्से में दृश्य: एक विशाल नदी बादलों से ढके पहाड़ों से निकलती है, जिसे बहती स्याही की रेखाओं और खाली पेपर से बनाया गया है। घिसे हुए चट्टानी किनारे, परतदार दूर की चोटियां, हवा से झुका हुआ पाइन का पेड़, तैरता हुआ कोहरा, पतले बादलों के पीछे एक पीला चांद। नदी के किनारे एक पथरीले चबूतरे पर, ढीले हाथीदांत रंग के वस्त्र और साधारण जूड़े वाला एक कवि आसमान की ओर एक छोटा वाइन कप उठाता है। उसके बगल में एक सपाट पत्थर पर एक गोल सिरेमिक वाइन जार और दो कप रखे हैं।
3ऊपर दाईं ओर: बड़े बोल्ड ब्रश में शीर्षक 《将进酒》, उसके नीचे लेखक का नाम 李白, और लेखक के नाम के बगल में बिल्कुल एक छोटी वर्मिलियन सील जिस पर 诗酒 लिखा है।
4दाहिना आधा हिस्सा: साफ, स्पष्ट रूप से पढ़ने योग्य रेगुलर-रनिंग स्क्रिप्ट चीनी कैलिग्राफी में पूरी कविता, बिल्कुल 12 क्षैतिज (horizontal) लाइनों में लिखी गई, समान लाइन स्पेसिंग, हर अक्षर सही, साफ खाली पेपर पर:
5Line 1: 君不见，黄河之水天上来，奔流到海不复回。
6Line 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7Line 3: 人生得意须尽欢，莫使金樽空对月。
8Line 4: 天生我材必有用，千金散尽还复来。
9Line 5: 烹羊宰牛且为乐，会须一饮三百杯。
10Line 6: 岑夫子，丹丘生，将进酒，杯莫停。
11Line 7: 与君歌一曲，请君为我倾耳听。
12Line 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13Line 9: 古来圣贤皆寂寞，惟有饮者留其名。
14Line 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15Line 11: 主人何为言少钱，径须沽取对君酌。
16Line 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17नीचे बीच में, तीन लाइनों में छोटे गहरे-धूसर सेरिफ अंग्रेजी टेक्स्ट:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21पेंटिंग में कहीं और कोई अन्य टेक्स्ट नहीं, कोई अतिरिक्त सील नहीं, कोई वॉटरमार्क नहीं।

दूसरे राउंड के लिए, सिर्फ दो बदलाव किए गए:

1. दृश्य के वर्णन में "two cups" को "four cups" में बदल दिया गया।
2. अंग्रेजी की आखिरी लाइन के बाद "Cheers" जोड़ दिया गया।

बाकी सब कुछ वैसा ही रहा।

अब आपकी बारी

एक ओपन-सोर्स 5B मॉडल पूरी कविता "Bring in the Wine" को इंक-वॉश स्क्रॉल में लिख सकता है, और कप की गिनती भी बिल्कुल सही रख सकता है।

फिलहाल, ComfyUI पर MOSS-Image के 700,000 से ज्यादा डाउनलोड हो चुके हैं। सिर्फ मेरी बातों पर मत जाइए, खुद आज़मा कर देखिए 👇

🤗 फ्री ऑनलाइन अनुभव: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ वेट्स और कोड के लिए GitHub: https://github.com/OpenMOSS/MOSS-Image

आप इसके साथ क्या बनाएंगे? अपनी इमेजेस कमेंट्स में शेयर करें। आइए साथ मिलकर कप उठाएं। चीयर्स 🍶

#MOSS-Image #AIGC