A capacidade de conciliar velocidade e preço está se tornando um novo campo de batalha na competição entre modelos de imagem generativos.Autor do artigo, fonte: AIBase
Contexto de publicação
A Microsoft lançará oficialmente em setembro a versão leve do seu modelo de geração de imagens de desenvolvimento próprio, MAI-Image-2.6-Flash, já disponibilizando a pré-visualização pública por meio do Microsoft Foundry. Como uma versão de alta eficiência do MAI-Image-2.6, que ocupou as primeiras posições na lista técnica do mês passado, o lançamento deste modelo marca o compromisso da Microsoft em abordar totalmente aplicações industriais sensíveis a concorrência, latência baixa e custo no campo de geração de imagens por IA.
Desempenho
Os dados de teste mostram que a velocidade de geração de imagens do MAI-Image-2.6-Flash atinge 2,8 vezes a do GPT-Image-2-Medium, com um aumento geral de eficiência de 72%. Ao reduzir significativamente a latência de inferência e o custo computacional, essa variante mantém integralmente as capacidades centrais de geração e edição do modelo principal, suportando geração de imagem a partir de texto com alta precisão e edição local de objetos na imagem.
Atualização da arquitetura
Além disso, a série MAI-Image-2.6 traz várias atualizações arquiteturais, incluindo suporte a até cinco imagens de referência para garantir consistência entre personagens e produtos em múltiplas imagens, integração da função de localização na web com o Bing para complementar informações de imagens do mundo real, e suporte nativo adicional para proporções dinâmicas e saídas de maior resolução.
Na estratégia de precificação comercial, a versão Flash reduziu os preços por milhão de tokens para entrada de texto, entrada de imagem e saída de imagem para US$ 1,75, US$ 2,50 e US$ 19, respectivamente, representando uma redução de custos superior a 50% em comparação com o modelo principal.
A Microsoft recomenda aplicar o modelo principal a projetos comerciais e ativos de produção finais que exijam alta qualidade de imagem e renderização de texto, enquanto a versão Flash é especificamente direcionada a aplicações interativas, iterações criativas rápidas e processos automatizados em larga escala. Essa matriz de modelos multimodais que equilibra desempenho extremo e custo-benefício máximo reflete a tendência da indústria de transição da inteligência artificial generativa de avanços tecnológicos isolados para implementação engenharia de alto throughput e baixo custo.