Seedream - v4.5

Seedream 4.5 - 追加料金なしで4k解像度対応！

BytedanceによるSeedream 4.5のプロンプト公式ガイドが非常に役立ちます！

詳細は元投稿: https://seed.bytedance.com/en/tech/seedream3_0

技術的イノベーション

前モデルSeedream 2.0と比較し、既存の課題である解像度制限、複雑な属性の再現、細かい書体生成、視覚美学や忠実度の最適化不足などに対処するため、いくつかの革新的な戦略を採用しています。

主に以下の4点に反映されています:

• データ層では、新しい動的サンプリングメカニズムを用いて、画像クラスタ分布とテキストの意味的一貫性という2つの直交軸で約100%のデータセット規模拡大を実現。

• 事前学習段階では、2.0と比較してスケーラビリティ、汎用性、視覚と言語の整合性が向上する複数の改善を実施：i) 混合解像度トレーニング；ii) クロスモダリティRoPE；iii) 表現整合損失；iv) 解像度対応タイムステップサンプリング。

• ポストトレーニングの最適化では、多様な美的キャプションとVLMベースの報酬モデル活用により、モデルの総合的な能力をさらに向上。

• モデル加速では、一貫したノイズ期待値による安定サンプリングを促進し、推論時の関数評価回数(NFE)を効果的に削減。

図1 Seedream 3.0は人工分析画像アリーナのリーダーボードで第1位。データ欠損のため、Imagen 3のポートレート結果とSeedream 2.0の総合結果は他モデルの平均値で代用。

モデル性能の反復的向上

Seedream 2.0と比べ、Seedream 3.0は複数の面で大きな突破を達成：

• ネイティブ高解像度: ポストプロセス不要で2K解像度出力をネイティブサポートし、更に高解像度や様々なアスペクト比にも対応。

• 総合的な能力向上: テキストと画像の整合性、構図設計、美的品質、テキストレンダリング能力で顕著な改善を示す。

• テキストレンダリング性能の大幅改善: 小さいフォントの生成、中国語文字の正確性、高美的長文レイアウトに優れる。小文字生成と長文レイアウトの業界課題に対応し、Canvaのようなプラットフォームの手動デザインテンプレートを超えるグラフィックデザイン出力を実現。精密で美的に洗練されたテキスト生成能力により、様々なフォントやスタイル、レイアウトをシームレスに統合し、デザイナーレベルのポスター作成を手軽に実現。

• 美的改善: 画像の美的品質が大幅に向上し、シネマティックなシーンレンダリングとよりリアルな質感のポートレート生成に強みを発揮。

• 高速生成体験: 複数の革新的加速技術により、推論コストを大幅に削減。1K解像度画像のエンドツーエンド生成がわずか3.0秒に。

図2 人間評価結果。Seedream 3.0は画像とテキストの一致、構造、美学で他モデルを上回る。