कैसे प्रसार नियंत्रक AI छवि पीढ़ी को सुव्यवस्थित और एकीकृत करता है

मेटा विवरणः Google Research छवि मॉडल में बेहतर त्वरित संरेखण के लिए एक हल्का स्टीयरिंग नेटवर्क, यहां तक कि बंद-स्रोत वाले लोगों को भी पेश करता है।

टैगः Diffusion Controller, पाठ-से-छवि, Google Research, शीघ्र संरेखण,

विशेष रुप से प्रदर्शित छवि: एक छोटे स्टीयरिंग डैम्पर का अमूर्त मैत्रीपूर्ण चित्रण जो जमे हुए फैलाव रीढ़ की हड्डी से जुड़ा हुआ है, जिसमें कोई लोग, लोगो या पाठ नहीं हैं।

29 सितंबर को, 2026, चिह-वेई ह्सू और Moonkyung Ryu, Software Engineers, Google Research, ने Diffusion Controller पेश किया, एक हल्का स्टीयरिंग डैम्पर नेटवर्क जो छवि पीढ़ी में त्वरित संरेखण में सुधार करता है। टीमों और रचनाकारों के लिए टेक्स्ट-टू-इमेज टूल्स जैसे कि Nano Banana, Stable Diffusion और फ्लक्स का उपयोग करना, व्यावहारिक वादा लिखित अनुरोधों को अंतिम छवियों से अधिक निकटता से मेल खाना है बिना आधार मॉडल को फिर से प्रशिक्षित या अस्थिर किए, भले ही मॉडल तक पहुंच प्रतिबंधित हो।

छवि-मॉडल नियंत्रण क्यों नाजुक है

फैलाव छवि मॉडल शोर से शुरू होते हैं और एक तस्वीर सामने आने तक इसे चरणबद्ध तरीके से हटा देते हैं। यह कदम-दर-चरण प्रक्रिया नियंत्रण को शक्तिशाली और अप्रत्याशित दोनों बनाती है। "सनग्लास पहने हुए छिपकली" जैसे संकेत एक ठोस छिपकल का उत्पादन कर सकते हैं जो धूप के चश्मे को छोड़ देता है, या जबरन सुधार चेहरे, तराजू और अनुपात को मोड़ सकता है। पोस्ट Nano Banana, Stable Diffusion और फ्लक्स जैसे उपकरणों में समान तनाव का वर्णन करता हैः मजबूत अनुवर्ती और प्राकृतिक छवि गुणवत्ता अक्सर प्रतिस्पर्धा करते हैं।

घोषणा में कहा गया है कि क्षेत्र ने इसे डिस्कनेक्टेड विधियों के माध्यम से संभाला है। वर्गीकरण-मुक्त प्रसार मार्गदर्शन जैसी अनुमानित समय तकनीकें समायोजित करती हैं कि टेक्स्ट प्रॉम्प्ट पीढ़ी को कितनी दृढ़ता से प्रभावित करता है। लोरा, इनाम भारित प्रतिगमन और नीति ग्रेडिएंट जैसे फाइन-ट्यूनिंग तरीके मॉडल के व्यवहार को अधिक सीधे बदलते हैं। क्योंकि उन उपकरणों को अलग-अलग फिक्स के रूप में माना जाता था, इंजीनियरों की तुलना करने के लिए एक गणितीय भाषा नहीं होती है, जो संरेखण बनाम गुणवत्ता निर्णयों को अटकलों में बदल देता है।

एक जमे हुए जनरेटर पर नियंत्रण परत

Diffusion Controller रीफ्रेम एक निरंतर नियंत्रण समस्या के रूप में denoising। बेस मॉडल जमे हुए रहता है, जबकि एक छोटे से जोड़ा नेटवर्क इसे संलग्न स्टीयरिंग डैम्पर के लिए कार्य करता है. डिमर छवि का निरीक्षण करती है क्योंकि यह स्थैतिक को साफ़ किया जा रहा है और छोटे सुधारों को इंजेक्ट करता है जो उपयोगकर्ता-परिभाषित लक्ष्य का पक्ष लेते हैं, जैसे कि अनुरोधित विशेषता, शैली या प्रासंगिक संरेखण। पोस्ट में एक दंड गार्डरेल का वर्णन किया गया है जो मॉडल को छिपकली के प्राकृतिक तराजू और अनुपात को विकृत करने से रोकता है बस धूप का चश्मा जोड़ने के लिए।

लेखक रिपोर्ट करते हैं कि हल्के ऐड-ऑन नेटवर्क ने मानव वरीयताओं से मेल खाने के लिए उद्योग मानक को पार कर लिया। पूरी तरह से अनलॉक किए गए संस्करण में, जिसका अर्थ है सफेद बॉक्स के साथ एक ठीक-ट्यून मॉडल, आंतरिक मॉडल वजन को बदलने के लिए अप्रतिबंधित पहुंच, Diffusion Controller ने बेसलाइन मॉडल की तुलना में 90% जीत दर हासिल की।

दो व्यावहारिक प्रशिक्षण मार्ग

नियंत्रण विचार को एक प्रयोग करने योग्य उपकरण में बदलने के लिए, टीम अंतिम पुरस्कार स्कोर पर आधारित दो ठीक-ट्यूनिंग विधियों का वर्णन करती है। पहला नीति ग्रेडिएंट प्रशिक्षण है, विशेष रूप से पीपीओ. यह वृद्धिशील समायोजन करता है और इसमें एक क्लिपिंग नियम शामिल होता है जो गति सीमितकर्ता की तरह कार्य करता है, प्रशिक्षण के दौरान अनियमित परिवर्तनों को रोकता है। दूसरा इनाम भारित हानि या आरडब्ल्यूएल है। यह एक प्रत्यक्ष अनुकूलन पथ है जो उच्च अंकों वाली पीढ़ियों को भारी इनाम देता है, जिससे सिस्टम को उन प्रकार की छवियों की ओर स्पष्ट मार्ग मिलता है जिन्हें उपयोगकर्ता चाहते हैं।

खुले और बंद मॉडल के साथ काम करना

स्टीयरिंग डैम्पर का उद्देश्य एक सामान्य व्यावसायिक बाधा को संबोधित करना हैः कई अग्रणी छवि-जनरेशन मॉडल कॉर्पोरेट रहस्य हैं, जिन्हें अक्सर ब्लैक बॉक्स या ग्रे-बॉक्स सिस्टम के रूप में वर्णित किया जाता है। पूर्ण फाइन-ट्यूनिंग के लिए आंतरिक भारों तक व्हाइट-बॉट एक्सेस की आवश्यकता होती है, जो कि कई टीमों के पास नहीं होता है। रिपोर्ट किए गए Diffusion Controller नेटवर्क इंटरमीडिएट रिवर्स मीडियम, डेनोइजिंग प्रक्रिया से एक आंतरिक सिग्नल और एक साइड एडाप्टर स्ट्रिम का उपयोग करके ग्रे-बैग पहुंच के साथ काम कर सकते हैं जो बेस मॉडल के ज्ञान को छोटे सुधार के साथ जोड़ता है।

पोस्ट चार संरचनाओं का मूल्यांकन करता हैः Diffusion Controller, इंटरमीडिएट रिवर्स औसत और साइड एडाप्टर स्ट्रीम का उपयोग करते हुए ग्रे-बॉक्स स्टीयरिंग डैम्पर; Diffusion Controller-नाइव, उनमें से किसी एक के बिना एक सरल संस्करण;Diffusion Controller-जे, एक सफेद बॉक्स संस्करण जो संयुक्त रूप से डिमर और बेस मॉडल को प्रशिक्षित करता है;और Diffusion Controller-एस, एक व्हाइट-बॉक संस्करण जो उन्हें अलग-अलग प्रशिक्षण देता है। इस घोषणा में आधार मॉडलों, लोरा और Diffusion Controller आउटपुट की दृश्य तुलना भी शामिल है, साथ ही एक स्कीमैटिक दिखा रहा है कि जमे हुए रीढ़ की हड्डी मध्यवर्ती प्रतिलोम माध्य को पार्श्व नेटवर्क पर पारित कर रही है।

Stable Diffusion v1.4 पर परिणाम

प्रयोगों ने तीन शासनों में एक Stable Diffusion v1.4 रीढ़ की हड्डी का उपयोग कियाः पर्यवेक्षित फाइन-ट्यूनिंग, या एसएफटी; इनाम भारित हानि, या आरडब्ल्यूएल; और पीपीओ। प्रदर्शन को एचपीएस-वी 2, मानकीकृत Human Preference Score के साथ मापा गया था, जिसे आंकड़ों में एचपीसीवी 2 के रूप में भी दिखाया गया है और एक परिणाम मार्ग में HPPS-v2 के तौर पर लिखा गया है। फ्रेमवर्क को सफेद बॉक्स और ग्रे-बॉक्स वातावरण दोनों में उत्कृष्टता से बाहर करने की सूचना दी गई थी, जो संबंधित आधार रेखाओं से बेहतर प्रदर्शन करते हैं और बेहतर गुणवत्ता दक्षता व्यापार प्राप्त करते हैं।

एसएफटी और आरडब्ल्यूएल ट्रैक में, ग्रे-बॉक्स Diffusion Controller स्टीयरिंग डैम्पर ने एचपीएस-वी 2 जीत दरों पर अत्याधुनिक पैरामीटर-कुशल सफेद बॉक्स दृष्टिकोण लोरा से बेहतर प्रदर्शन किया जबकि काफी कम आंतरिक मॉडल परतों को संशोधित किया। मानव मूल्यांकन पैनलों में, Diffusion Controller ने जटिल, बहु-गुणवत्ता परीक्षण संकेतों के पार सबसे अच्छा व्यक्तिपरक गुणवत्ता और शीघ्र मिलान परिणाम दर्ज किए। प्रशिक्षण के अंत की विन-दर तुलना भी Diffusion Controller-Naive के साथ ग्रे-बाक्स डैम्पर को जोड़ती है, और LoRA के साथ J और S वैरिएंट; मानक विचलन HPS-V2 जीत दर के लिए दिखाया गया है, तथा पीपीओ के लिए एक अलग मानव-मूल्यांकित जीत दर दिखाई गई है।

रनटाइम ट्यूनिंग और व्यावहारिक सीमाएँ

एक केंद्रीय विशेषता एकल अनुमान-समय मार्गदर्शन शक्ति पैरामीटर है। नियंत्रण के एक निश्चित स्तर को चुनने के बजाय, उपयोगकर्ता छवियों का उत्पादन करते समय नियंत्रण बाधाओं की ताकत बढ़ा या कम कर सकते हैं। पोस्ट में कहा गया है कि यह बेसलाइन छवि स्थिरता को तोड़ने या अत्यधिक आक्रामक मार्गदर्शन के साथ दिखाई देने वाले दृश्य विरूपण का कारण बने बिना फ्लाई पर शीघ्र संरेखण ट्यून करने देता है।

पाठकों के लिए, मूल्य एक नया छवि मॉडल नहीं है बल्कि पहले से उपयोग में आने वाले मॉडलों के लिए एक संभावित नियंत्रण परत है। यदि दृष्टिकोण वर्णित रूप से काम करता है, तो टीमें पूरे जनरेटर का पुनर्निर्माण किए बिना मौजूदा उत्पादों में शीघ्र अनुवर्ती सुधार करने में सक्षम हो सकती हैं। घोषणा नामित उदाहरणों से परे मूल्य निर्धारण, तैनाती लागत, विलंबता या समर्थित मॉडल परिवारों की सूची प्रदान नहीं करती है, इसलिए टीमों को अभी भी अपने स्वयं के संकेतों, शैलियों और सुरक्षा बाधाओं के खिलाफ विधि का परीक्षण करना होगा।

अगला क्या है

लेखक Diffusion Controller को शुद्ध गणित और आधुनिक रचनात्मक उपकरणों के बीच एक पुल के रूप में फ्रेम करते हैं। चूंकि नियंत्रण परत मॉडल के कोर इंजन से अलग है, इसलिए वे कहते हैं कि भविष्य के डेवलपर्स इसे टेक्स्ट-प्रॉम्प्ट मिलान से परे उपयोग कर सकते हैं। तत्काल अगले चरणों में उन्नत वैयक्तिकरण उपकरण, हानिकारक सामग्री पीढ़ी को कम करने में मदद करने के लिए सुरक्षा तंत्र और जटिल अगली पीढ़ी के वीडियो मॉडलों को नियंत्रित करने के लिये स्टीयरिंग डैम्पर को अनुकूलित करना शामिल है।

पोस्ट एल्गोरिदम लेबल किया गया है & सिद्धांत और Machine Intelligence, एक पेपर लिंक शामिल है, और सह-लेखकों और सहयोगियों को Google Research, Google DeepMind और अकादमिक से स्वीकार करता है। इसी फ़ीड में संबंधित पदों की तारीख 24 सितंबर, 2026 ("स्वचालित सुसंगत लंबे फॉर्म वीडियो पीढ़ी"), 18 सितंबर, 8 9 003 ("MilleMiglia: मध्य मील लॉजिस्टिक्स के लिए एक यथार्थवादी उदाहरण जनरेटर") और 17 सितम्बर, 2026 ("अभ्यास का भविष्यः शिक्षकों को सृजनशील UI के साथ सीखने वाले इंटरैक्टिव बनाने में सक्षम बनाना") ।