ByteDances forskningsteam Seed presenterade den 9 november Seedream 5.5 i sin blogg. Det är en ny modell för att skapa och redigera bilder i professionell bildproduktion. AI-nyhetssajten The Decoder refererade meddelandet samma dag.

Upprepad redigering och transparenta bakgrunder

När en bild redigeras i omgångar, varje gång utifrån det föregående resultatet, kan små fel ackumuleras. Detaljer försvinner och bilden försämras. Enligt ByteDance har Seedream 5.5 tränats särskilt för att bevara oredigerade områden pixelexakt och utan färgförskjutningar. Företaget uppger att detta stöder arbete med samma bild under 100 redigeringsomgångar.

Företaget illustrerar detta med ett exempel där en bild av samma person redigerades 100 gånger i följd. Även då redigerade modellen små föremål som ringar och glasögonbågar exakt, uppger företaget.

För det andra sparar modellen varje pixels transparens, alltså alfakanalen, i bilden. Den skapar RGBA-bilder direkt, med en bakgrund som kan vara helt eller delvis transparent. Ett genererat föremål eller en figur kan därmed läggas in i en layout eller bildkomposition utan separat bakgrundsborttagning och kantputs. Föremål och figurer kan skapas utifrån en textbeskrivning eller en referensbild.

Modellen återger också ljus, material och hud mer naturligt och ritar liten, tät text och kinesiska tecken med många streck mer exakt än tidigare, uppger företaget.

Företagets egna bedömningar

ByteDance testade modellen i sex användningsområden: e-handel, marknadsföring, film- och tv-produktion, spel, kontorsarbete och modedesign. Erfarna bedömare av bildgenerering poängsatte resultatens kvalitet och användbarhet på plattformen MagicArena.

Jämfört med föregående version, Seedream 5.0 Pro, ökade både bedömarnas kvalitetspoäng (MOS) och andelen användbara bilder i alla sex användningsområden. Inom film- och tv-produktion och kontorsarbete var andelen användbara bilder mer än dubbelt så stor.

Experter bedömde textens struktur och realism parvis med GSB-metoden (Good/Same/Bad). Bedömaren anger då vilken bild som är bättre eller om de är lika bra. Den nya modellen var bättre än föregående version i alla fyra jämförelser, både i text-till-bild- och bild-till-bild-uppgifter. För realism i bild-till-bild-uppgifter var GSB-resultatet till exempel +55,62 procent.

Enligt ByteDance är modellen bättre än GPT Image 2.5 Sunburst och Nano Banana 2.1 i fråga om textstruktur i båda uppgiftstyperna. När det gäller realism uppger företaget en tydlig ledning i text-till-bild-uppgifter. The Decoder återger konkurrentjämförelsen som ByteDances påstående.

I ett test med kinesisk och engelsk text var andelen allvarligt förvanskad text 0,4 procent och andelen lätt förvanskad text 1,7 procent. Båda andelarna är klart lägre än i föregående version och bland de bästa i en jämförelse av frontiermodeller, uppger företaget.

Enligt The Decoder införs modellen gradvis i ByteDances tjänster Jimeng och Doubao, i Doubao Work och på plattformen Volcengine Ark. ByteDance uppger att en Pro-version är på väg och att företaget planerar att utöka användningen av modellen i agenters arbetsflöden.