Mithgol the Webmaster

Болѣе 12 лѣтъ назадъ (в сентябре 2014 года) я выложил в Твиттере (тогда ещё не 𝕏) и затѣмъ ещё в Фидонете (как видно на прилагаемом скриншоте) небольшой ряд стихотворных набросков альтернативной истории в стиле «городского фэнтэзи» с нарочным уклоном в японский фольклор и японский же оккультизм — самым крупным из них было вот такое шестистишие: «В глыбе льда, чья подводная часть многотонна, Пред „Титаником“ встала, смеясь, юки-онна. Залп её ворожбы разорвал переборки. Нас не жди, корабельная пристань в Нью-Йорке!» — SOS приняв, зарыдал в обособленном храме Телеграфа нью-йоркского дух-шикигами. Чуть позже ещё в одной микроблогозаписи я замѣтилъ: Если это семя падёт на почву русскую и советскую, то может принести много плода, но таким четверостишиям понадобится и иллюстратор-мангака. Въ нынѣшнемъ году оказалось, что иллюстратором-то теперича может быть и нейросѣть — в ночь на 3 октября, раз за разом отбросив нѣсколько промптов, дающих неудовлетворительные результаты, я наконец получил устраивающую меня иллюстрацию к первым строкам своего прежняго шестистишия: Эта иллюстрация была сгенерирована моделью Anima Turbo версии 1.1, обнародованной сравнительно недавно (24 августа), но обобщающей, навѣрное, больше четырёх десятилѣтій развития современной японской манги. Каждый промпт обрабатывался ею минут по тринадцать. К двадцатому числу октября я убедился, что это время можно сократить ещё ≈наполовину (минут до шести или семи), если вызывать используемое мною средство запуска (sd.cpp) с параметром --mmap (который включает отображение файлов в оперативную память). О благотворности этого приёма я узнал, читая вон тот репозиторий, содержащий практические совѣты по запуску MiniMax H3 (нейромодели, служащей для генерирования ужé не статических иллюстраций, а видео со звуком) на видеокарте Tesla V100. Величина этого промежутка времени говорит нам, что и для нейросѣтевого создания статических иллюстраций справедлива та же оцѣнка, о возможности которой я ужé упоминал 9 октября примѣнительно къ нейросѣтевому же распознаванию рѣчи: с достаточно современным процессором и здѣсь можно обойтись вообще без видеокарты. Да, по своей вычислительной мощи въ нейросѣтевыхъ вычисленіяхъ самая современная десктопная видеокарта превосходит самый современный десктопный процессор болѣе чѣмъ на порядок (RTX 5090 превосходит 9950X восемнадцатикратно), ну дык ить и цѣна ея в эти дни выглядит надутою пузырём нейробизнеса, а шесть минут — это всё же не невыносимо много: не шестьдесят и тѣмъ болѣе не шестьсот. Вот если бы мнѣ понадобилось каждый час чего-нибудь иллюстрировать нейросѣтевою иллюстрациею — вот тогда я бы напрягся от невозможности перебрать за это время больше десяти промптов в поисках наилучшаго. Надобно, навѣрное, уточнить и то ещё, в какóм смысле шестьсот минут (то есть часов десять) — это невыносимо много. Отнюдь не в том смысле, что у меня не хватило бы терпения всё это время заниматься другими дѣлами, дожидаясь того, что компьютер изготавливает статическую иллюстрацию или видео. Я хорошо помню, что в первые годы существования видеоформата AV1 для него не было хороших быстрых кодировщиков, но терпения у меня хватало. (Возможно, совершенно такая же куча времени будет расходоваться и в первые годы существования видеоформата AV2, начиная с момента засовывания его поддержки в FFmpeg и далѣе в видеопроигрыватели — то есть, надо думать, с 2027 года.) Но есть важная разница между видеокодированием и нейрогенерациею, и разница эта состоит в том, что перебирать настройки качества видео AV1 (или AV2), раз за разом кодируя его — это нехитрая дихотомия с подгонкою объёма видео подъ извѣстный лимит объёма видеофайла (в Телеграме это пятнадцать мегабайтов для незалогиненных пользователей или двадцать для файлов в области предпросмотра, на нѣкоторыхъ имиджбордах это пять мегабайтов или сóрок, и такъ далѣе). Всегда объективно извѣстно, насколько полученный битрейт далёк от желаемой величины или близок к ней, и это придаёт увѣренность. А вот перебирать промпты — это процесс с субъективною оцѣнкою готовности результата, так что под давлением сильнаго расхода времени всегда есть мѣсто самообману, и это напрягает. Очень важно и то, что только теперь (осенью 2026 года) результаты нейрогенерации иллюстраций наконец начали выглядѣть приемлемо. Вообще генерация изображений знакома мнѣ с конца десятых годов XXI вѣка. Помню, что ещё в октябре 2019 года поигрался с сервисом BubbleFace компании Bubble Comics — это тот самый, который в том же мѣсяцѣ упоминали, напримѣръ, вон в том сообщении на канале @yarkompot или вон в том сообщении на канале @bloknot_stavropol, а позже (в декабре того же года) вон в том обзоре на сайте Бугага.Ru. Результаты работы BubbleFace по теперешним мѣркамъ выглядят мазнёю весьма хаотическою. Чуть больше стабильности в нейрогенерацию изображений принесло появление Stable Diffusion в августе 2022 года, тогда как идея возможности запуска нейросѣтей на собственном компьютере («революция локального искусственного интеллекта») родилась в марте 2023 года, если вѣрить автору вон того обзора. Но даже тогда она была ещё далёкою от идеала. Для примѣра посмотрите на вот этот портрет дѣвушки-киборга: Ну или вот на этот (вдвое болѣе крупный по ширине и по высоте) портрет дѣвушки-киборга: Тот и другой я сгенерировал при помощи модели Segmind Vega и того промпта, который предлагается на сайте этой модели в качестве готового примѣра. Про модель Segmind Vega там пишут, что она создана дистилляциею модели SDXL (которая, в свою очередь, является результатом наращивания нейросѣти и контекста Stable Diffusion). На сайте HuggingFace файлы модели Segmind Vega датированы декабрём 2023 года. Августом того же 2023 года, кстати, датируется и начальный коммит в репозитории sd.cpp (stable-diffusion.cpp), то есть в репозитории того средства, которым я пользуюсь для запуска нейрогенерации изображений (и, в частности, им я сгенерировал эти два портрета). Стало быть, вышеозначенная идея возможности запуска нейросѣтей на собственном компьютере («революция локального искусственного интеллекта»), родившаяся в марте 2023 года в форме утилиты llama.cpp для запуска нейросѣтей, генерирующих текст, менѣе чѣмъ через полгода была адаптирована и для запуска нейросѣтей, генерирующих изображения. Вы можете видѣть, что тот и другой сгенерированный портрет является головным (оплечным), а не каким-либо болѣе крупным, то есть не по грудь, не по пояс, не по бёдра, не по колени, и тѣмъ болѣе не в полный рост. Это не случайность, а результат слѣдованія промпту, содержащему словосочетание «closeup portrait». И уровень 2023 года я назвал далёким от идеала оттого, что попытка создать этой моделью портрет дѣвушки (ужé не киборга) в полный рост выдала мнѣ вот такой результат: Это изображение относится к числу таких (которыя и в так называемом реальномъ мірѣ случается увидать), на которыя чѣмъ дольше смотришь, тѣмъ сильнѣе разочарование, закономѣрно слѣдующее за первоначальным благоприятным впечатлением. Наверху (и оттого первым) видится относительно красивое лицо, под ним — умѣренно фривольное декольте, но дальше зритель принуждён увидать и отсутствие одной руки, и ошибку в анатомии другой руки, и завязанность «ног» (если их можно так назвать) таким узлом, в который и змея затруднилась бы завязаться, пожалуй. Вот отчего мнѣ стóит порадоваться тому, что знакомство с локальною нейрогенерациею иллюстраций я свёл именно в начале октября 2026 года, когда обнародованы вѣсá модели Anima Turbo версии 1.1 (24 августа, как я это ужé упоминал чуть выше), а затѣмъ — и вѣсá модели Qwen-Image-2.1 (20 сентября), и вѣсá её ускоренной версии (Qwen-Image-2.1-Turbo), вышедшей 9 октября, судя по датам в её репозитории на сайте HuggingFace. Двѣ послѣднія созданы (как сообщает Википедия) на средства извѣстной китайской группы компаний Alibaba. Насколько я мог замѣтить, всѣ три не допускают уж ошибок, свойственных позапрошлогодним моделям. В именах трёхъ послѣднихъ файловъ я использовал префикс WUXGA (являющийся, по данным из Википедии, названием для 1920×1200 пикселов) и префикс qWUXGA (указывающий на 960×600 пикселов как на четверть — quarter — этого предшествующаго количества). На практике же высота того портрета, который я помѣтилъ префиксом qWUXGA, принуждена составлять 576 пикселов (а не 600) оттого, что она должна нацѣло дѣлиться на 64 — это одно из ограничений модели Segmind Vega.