Több mint négyszázezren hallgatják havonta a valószínűleg mesterséges intelligenciával generált psych-rock Velvet Sundown zenekar számait a Spotify-on. A streaming platform által hitelesített profiljukon két album van, a június ötödikén megjelent Floating on Echoes és a június huszadikai Dust and Silence.

A művészek biojában négyen szerepelnek: az énekes és „mellotron-varázsló” Gabe Farrow, Lennie West gitáros, a basszusgitáron és szintetizátorokon játszó Milo Rains, valamint a „szabad szellemű” dobos, Orion „Rio” Del Mar. „Filmszerű alternatív pop és álomszerű analóg lélek” – áll még az oldalon.

A zenekar hitelességét Reddit-felhasználók kezdték megkérdőjelezni. A csapatra Discover Weekly playlistjükön figyeltek fel, elkezdtek utánajárni a dolgoknak, és a Spotify-profilokon kívül nagyon kevés háttérinformációt találtak róluk.

Miután Instagram-oldalt nyitottak, június huszonhetedikén további furcsaságokat tapasztaltak: a profilon látható képek nagyon MI által generáltnak tűnnek.

A bioban olvasható Billboard-idézet szerint zenéjük úgy hangzik, mint soha át nem élt valaminek az emléke, ami valahogy mégis valódinak érződik. Csakhogy a magazinban tényleg soha nem jelent meg ilyen anyag róluk…

A Spotify engedélyezi az MI-vel generált zenéket, és fel sem kell tüntetni, hogy létrehozásukhoz használtuk a technológiát. De a Velvet Sundown muzsikái máshol, az Apple Musicon és a Deezeren is elérhetők. Utóbbi az MI-zenéket azonosító és nyilvánosan becímkéző technológiát fejleszt. Ők azt írják a zenekarról, hogy az első album számaiból több MI munkája lehet. 

Sokan követhetik a Velvet Sundown példáját. A Deezer elmondta, hogy napi tízezer MI-zenét töltenek fel az oldalra, ami az összes jelenlegi feltöltés tíz százaléka. 

A technológia berobbant, a következő négy évben a zeneiparban dolgozók bevételeik negyedét veszthetik el miatta. A generatív MI éves piaca hárommilliárd dollár, 2028-ban viszont előrejelzések alapján akár hatvannégy milliárd is lehet.

Az OpenAI a mesterséges intelligenciával történő érvelés, következtetés határait feszegeti folyamatosan. Lépésről lépésre haladnak, eredményeik fokozatosak és egyre ígéretesebbek. Az o1-pro és az o3 után,  júniusban bemutatott o3-pro kiterjedt érvelése különösen többlépéses tudományos problémák megoldásán dolgozó fejlesztők számára lehet vonzó.

Komoly tudományos, matematikai és kódolási problémák megoldására találták ki, a magas ár és a lassúság viszont eltérítheti a felhasználókat a vállalat eddigi leghatékonyabb látás-nyelv következtetőmodelljétől.

A szöveges és képi input felső korlátja 200 ezer token, az output szöveges, százezer token a limit. Ismeretbázisát 2024. június elsejével zárták le, webes keresésre is alkalmas. A ChatGPT Pro és Team felhasználói az OpenAI alkalmazásprogramozói felületen (API) érhetik el. Hamarosan Enterprise és Edu (vállalati és oktatás) userek szintén hozzáférhetnek. Input/outputonként egymillió tokennél húsz/nyolcvan dollár az ár.

Az OpenAI sem az architektúráról, sem a gyakorlóadatokról, sem a gyakorlómódszerről nem közölt részleteket.

Teszteken a vállalat o3 és o1-pro modelljénél is jobban teljesített. Nehéz főiskolai matekverseny problémáinak megoldásában 93 százalékot ért el, míg a másik kettő 90-et és 86-ot. Egyetemi végzős szintű tudományos kérdéseknél 85-öt (81-gyel és 79-cel szemben), és kódolásban is jobbnak bizonyult.

Kvalitatív teszteken a humán vizsgáztatók konzisztensen jobbnak találták a két vetélytársnál. Tudományos elemzésekhez kapcsolódó lekérdezésekben, írásban, számítógépes programozásban és adatelemzésben (64,9, 66,7, 62,7 és 64,3 százalékot teljesítve) egyaránt felülmúlta őket.

A modellről készült eddigi beszámolók pozitívak, a válaszadással eltöltött hosszú idő miatt viszont kritizálják. Általános vélemény, hogy „iszonyatosan jó matekban és logikában”, de „a leglassabb és a dolgokat leginkább túlgondoló modell.”

A kínai Tencent nemrég kiadott Hunyuan3D 2.0-ja elmozdulás a végpontok közötti, azaz teljeskörű digitális eszközgenerálás felé. A geometria és a textúra folyamatainak szétválasztásával a platform a bemenetek és a kimenetek között jobban illeszkedő 3D modelleket hoz létre. Leegyszerűsíti, áramvonalasítja az animációt, a prototípuskészítést, összességében a 3D nyomtatást (3DP). Explicit módon nem additív gyártásra tervezték, nyílt keretei és a használható geometriák mozgatásának lehetőségével viszont desktop és ipari printerrel végzett munkafolyamatokra is alkalmazható.

A Cube 3D kiadásával a Roblox Corporation is hasonló lépést tett: a generatív modell természetes nyelvű promptokat szerkesztett, gépre kész 3D hálókká alakítja azokat. A vállalat natív eszközein gyakoroltatott (transzformer architektúrát használó) modell tokenről tokenre jelzi előre a geometriát. Jelenleg ugyan játéktartalmakra összpontosít, nyílt forrású „alaptermészete” miatt azonban a szórakoztatóiparon túlmutató, MI-vel támogatott tervezőmodellként is működik, 3D nyomtatáshoz is használható.

A dél-koreai 5min Lab szoftverfejlesztő egyedi szimulátora (3D Printer Simulator) hajszálpontosan, részletesen és interaktív környezetben emulálja a szálhúzásos (fused deposit modeling, FDP) 3DP munkafolyamatokat. A felhasználó fizikai anyagok nélkül kontrollálhatja a munka összes lépését, szakaszát.

A valódi Ender-3 gépet utánzó virtuális printerrel folytat interakciókat. A szimulátor a fúvóka mozgásától kezdve a nyomtatószál adagolási üteméig, mindent megmutat, kamera és módosítható világítás segít a rétegek vizualizálásában. A környezet realisztikus raktárstílusú munkaközeg.

A paraméterek megadásával a nyomtatási sebességen módosíthatunk, előre ugorhatunk az időben, geometria-specifikus viselkedések modellezhetők, extrudálási parancsok adhatók stb.

Jövőbeli frissítésekkel a nyomtatótípusok körét igyekeznek bővíteni, például a dupla extrudálás és a többszínű nyomtatás is az opciók között fog szerepelni. Bonyolultabb változókat is be akarnak vezetni, még hitelesebbé és részletesebbé téve a nyomtatást.

A 3D Printer Simulator kilencedik generációs Intel Core i5 vagy AMD Ryzen 5 processzorokon fut, 6 GB memória és sugárkövetés támogatást nyújtó, dedikált GPU (grafikus feldolgozóegység) kell hozzá.

Mivel mesterségesintelligencia-rendszerekhez irdatlan mennyiségű adat kell, fejlesztőik úgy érezték, minden jellemzően online található, szerzői jogvédett anyagot használhatnak hozzájuk. Eleinte nem is volt különösebb baj, de látva a generatív MI egyre nagyobb potenciálját, például jogvédett munkák reprodukálását vagy azokból újak létrehozását, a jogok birtokosai egyre erőteljesebben hallatják hangjukat: kártérítést és védelmet követelnek.

Egyetlen per ugyan nem oldja meg a problémát, viszont ha a leghatalmasabb hollywoodi szórakoztatóipari vállalatok bíróságra mennek, a jövőt befolyásoló, precedensértékű verdikt születhet.

Filmstúdiók és lemezkiadók korábban a szerzői jogok megsértőjének tartották a YouTube-ot. Az MTV mögötti Viacom perelte is őket, végül a bíróságot mellőzve sikerült megegyezniük, a videómegosztó azóta jobban figyel a védett tartalmakra, folyamatosan javítja ezirányú kapacitásait.

Manapság a film- és lemezkiadó cégek a YouTube-ra támaszkodnak anyagaik népszerűsítésekor. Hollywood fontolóra vehetné az MI-vállalatokkal való hasonló együttműködést, bár a részesedési arányokat nyilván előzetesen ki kellene találniuk. Mindenesetre mindkét oldal jobban járna pereskedés nélkül.

Az MI-re, modellek gyakoroltatására vonatkozó szerzői jogvédelem ingoványos terep, amerikai bíróságokon több per folyik, az Alphabet, a Meta és az OpenAI elleni 2023-as keresetekkel indult az egész, tavaly a Suno és az Udio zenei MI-startupokkal folytatódott. Az első komoly döntést egy Delaware szövetségi állambeli bíróság hozta idén februárban. A végzés értelmében nem volt jogszerű MI-modellek Reuters-anyagokon történő betanítása.

Hollywoodi stúdiók most csatlakoztak a lemezkiadókhoz, médiacégekhez és művészekhez: a Disney és a Universal beperelte a képgeneráló appjáról híres Midjourney-t, mivel a startup jogvédett anyagaikon engedély nélkül trenírozta modelljeit, használja karaktereiket. Kártérítést követelnek.

A következő filmek, tévésorozatok karaktereiről van szó: Csilagok háborúja, Toy Story, Cars, Vasember, Simpson-család és mások. A Midjourney még akkor is védett anyagokat tartalmazó outputokkal áll elő, ha a felhasználó explicit módon nem is utasítja rá – állítják a stúdiók.

Korábban felvették már a kapcsolatot a startuppal, de a gyakorlat nem változott. Holott használhatnának jogvédett tartalmakat azonosító, a belőlük történő képgenerálást és terjesztését automatikusan megakadályozó szoftvereket – magyarázzák.

Semmi új nincs abban, hogy napjaink háborúi földi, vízi és légi csataterek mellett az információs térben, a cybertérben is zajlanak. Orosz és észak-koreai hackerekről, csoportokról viszonylag gyakran olvashatunk a nemzetközi médiában, az Ukrajna Oroszország általi inváziója miatti hadviselésben mindkét fél intenzíven használja a digitális környezetet.

Az Izrael-Irán konfliktusban viszont olyan történt, amiről eddig még sehonnan sem tudósítottak. Elképzelhető, hogy máshol is észleltek már hasonló akciókat, nyilvánosságra viszont még nem került akkora kriptovaluta elleni támadás, mint június második felében, amelyről a The Jerusalem Post számolt be elsőként. 

Az Izraellel kapcsolatban álló Ragadozó Veréb (Gonjeshke Darande) hackercsoport június tizennyolcadikán megfenyegette Iránt, majd másnap közzétette a közép-keleti ország legnagyobb kriptotőzsdéjének forráskódját és belső hálózatára vonatkozó információkat.

A tőzsde neve Nobitex, digitális és kriptovalutákkal kereskednek rajta. A Ragadozó Veréb szerint a kriptovállalat segíti a rezsimet a nemzetközi terrorizmus finanszírozásában, a virtuális pénzeket pedig az országot sújtó szankciók megkerülésére használják.

A csoport korábban bejelentette, hogy a tőzsdéről 48 millió dollár értékű kriptovalutát loptak el, és magára vállalta az Iszlám Forradalmi Gárda által ellenőrzött Sepah Bank elleni cybertámadást is.

A Nobitexben hagyott eszközök most teljesen nyitottak – közölték az X-en. Állításukat hitelesítendő, közleményükhöz kiszivárgott dokumentumokat csatoltak.

A Ragadozó Veréb lépésének volt előzménye, és az ayatollahok rendszerét sem érhette váratlanul. A hackerek a támadás előtt ugyanis figyelmeztették az irániakat, hogy a „terrorista infrastruktúrával való együttműködés veszélyezteti a vagyonukat. Cselekedjenek mielőtt túl késő lenne!”

Arra vonatkozóan értelemszerűen nincs információ, hogy iráni magánszemélyek és szervezetek részéről történt-e virtuális javaik kimentését célzó bármilyen próbálkozás.

Az Apple mesterségesintelligencia-fejlesztésekben ugyan lemaradt a vetélytársaktól, az iOS feletti kontrollja viszont komoly előny. Ha az operációs rendszer egy bizonyos modellel érkezik, és alapértelmezettként tölti be a korlátozott memóriába, a fejlesztők sokkal nagyobb ösztönzést éreznek az „iOS-kompatiblis” modell, s nem az alternatívák használatára.

A telefonok korlátozott memóriája és a jó modellek nagy mérete miatt sok alkalmazásfejlesztő számára egyáltalán nem praktikus szoftveréhez modellt mellékelni. Azaz, ha az Apple támogatja a modellt, valószínűleg jelentős mértékben elterjed az eszközökön (on-device) történő használata. (Ugyanez persze az Androidra is érvényes.)

Az Apple régóta ígéri a Siri MI-asszisztens frissítését, de az folyamatosan késik, illetve messzire nem vezető, korlátozott ráncfelvarrásokat végeznek rajta. És ez csak a Siri… A Google és Android platformja egyértelműen előnyben van. Az almás cég, ha megkésve is, de a tavaly bevezette Apple Alapmodellek (Apple Foundation Models, AFM) keretet, most pedig a frissítésével reagált. 

A családba eszközökön használt kisebb és szervereken hosztolt nagyobb modellek egyaránt tartoznak. Kapacitásaikat bővítették, sebességüket és hatékonyságukat növelték. Az AFM-keret, egy alkalmazásprogramozói felület (API) kiadásával a fejlesztők az eszközökön működő modelleket minden olyan Apple hardveren használhatják ezentúl, amelyeken az AFM engedélyezett.

Az input szöveg- és kép- (maximum 65 ezer tokenig), az output szövegalapú. Az on-device modellek transzformer neurális hálói hárommilliárd, vizuális transzformerei 300 millió paraméteresek. A nyilvánosság számára nem elérhető AFM-szerveren lévő, egyedire kialakított „szekértők keveréke” (mixture-of-experts) transzformer méretét nem tették közzé, míg a vizuális egymilliárd paraméteres. 

A tizenöt nyelven működő család nagyon jó a nem amerikai angol és a képmegértésben. A gyakorló adatkészletről, a kiértékelő protokollról, a látás-adapter architektúrájáról és az output tokenek korlátjáról a nagyvállalat nem tett közzé infókat.

A hasonló méretű vagy nagyobb modellekkel megmérettetve, az AFM-modellek (az ábrán látható) felemás teljesítményt értek el a nyelvi feladatokból álló teszteken.

A generatív mesterséges intelligencia gyors térhódításának köszönhetően új csúcsszakma született, a GenMI alkalmazásmérnök. Bár a munkakör leírása bonyolult és bizonytalan, gyorsan nő a hozzáértők iránti igény. 

Andrew Ng gépitanulás-szakértő leírja, kikről van szó. Két alapelvárásnak kell megfelelniük: egyrészt új „MI-építőkockákkal” gyorsan dolgozzanak ki hatékony alkalmazásokat, másrészt MI-vel gyors mérnöki munkát kell végezniük, szoftverrendszereket a korábbinál nagyságrendekkel rövidebb idő alatt fejleszteniük. A jó termék/tervezési érzék komoly bónuszelőny.

MI-építőkockákon azt érti, hogy ha csak egy ilyennel rendelkezünk, alapszerkezeteket ugyan létrehozunk belőlük, komplex és működő megoldásokhoz viszont többre van szükségünk. Kiindulási pontnak a nagy nyelvmodellek (LLM-ek) alkalmazásprogramozói felületének (API) ismeretét tartja. De ha ismerjük a promptolási technikákat, az aszinkron programozást, az ágenskereteket, modellek finomhangolását és így tovább, tehát, ha több építőkocka áll rendelkezésünkre, gazdagabb kombinációkat alakíthatunk ki belőlük. Számuk folyamatosan nő, és az egy-két éves “kockák” is relevánsak.

Az MI-vel támogatott kódolás növeli a fejlesztők hatékonyságát. A 2021 óta meglévő, úttörő GitHub Copilot mellett több ilyen eszköz áll rendelkezésre, például a Cursor és a Windsurf. Ma már ágensalapú asszisztensek is, mint az OpenAI Codexe vagy az Anthropic Claude Code-ja. Értő mérnökök kezében soha nem látott gyorsasággal és eredményességgel fejleszthetők velük szoftverek.

Ng szerint az MI-vel támogatott kódolási eszközök hamarabb elavulnak, mint az MI-építőkockák, az egy-két éve használt technikák nem veszik fel a versenyt a maiakkal. Részben azzal magyarázza, hogy míg tucatnyi építőkocka használható, addig kódolást támogató eszköz jóval kevesebb, és a darwini verseny erősebben érvényesül ezen a területen. Mivel az Anthropic, a Google, az OpenAI és mások rengeteget invesztáltak bele, a fejlesztési tempó a mostaninál is frenetikusabb lesz. Tehát, a jó GenMI alkalmazásmérnöknek a legeslegújabb generációkat is ismernie kell, mert minden egyes generáció sokkal jobb az előzőnél.

A bónuszt illetően, egyes cégeknél elvárás, hogy a mérnök termékek pixelpontos rajzát készítse el, nagyon menjen bele a részletekbe, és kódot is írjon az implementáláshoz. Ha a termékmenedzsernek a legkisebb részletet is specifikálnia kell, értelemszerűen lelassul a csapatmunka. Mivel kevés az MI-termékmenedzser, a probléma egyre hangsúlyosabb.

Ng a két alapkritériumon és a bónuszon kívül még azt is megkérdezné az elképzelt állásinterjún, hogy az illető hogyan tartja a lépést a legújabb MI-fejlesztésekkel, milyen stratégiát alkalmaz hozzá.

A kortárs számítástudomány egyik legmarkánsabb törekvése humanoid robotika és mesterséges intelligencia szintézise, a fizikai intelligencia megvalósítása. MI-fejlesztő nagyágyúk és robotikai vállalatok összefogásával 2024 nyarától kezd változni a korábban siralmas helyzet: intelligenciában a robotok nagyon messze kullogtak a szoftveres MI-ktől.

A humanoid „forradalom” egyik élharcosa a Figure idén mutatta be a Helix kifinomult vizuális nyelvrendszert használó, például logisztikai raktárban akár órákon keresztül, megszakítás nélkül csomagokat szortírozó Figure 02 modellt. A neurális hálót legújabban érintés és rövidtávú memória kapacitásokkal bővítették, teljesítménye folyamatosan javul. 

A humanoidok három hónapja ügyesen felszedtek különféle méretű, formájú és keménységű csomagokat, és manipulálták az irányukat. Legutóbb egy ugyanolyan robot még nagyobb csomagválasztékot, köztük deformált polietilén zacskókat és lapos borítékokat is szortírozott.

Figure 02 szépen szemlélteti, hogy raktár-környezetben humanoid robotok mennyire közel kerültek legalábbis speciális feladatok emberszintű végrehajtásához. A Figure persze nincs egyedül, más cégek, mint a Tesla és az Agility Robotics szintén komoly erőfeszítéseket tesznek ismétlődő humán feladatok automatizálására. Még soha nem álltunk ennyire közel ahhoz a jövőhöz, amelyben kereskedelmi környezetek tele lesznek munkájukat végző kétlábú robotokkal.

Figure 02 valamivel több mint négy másodpercet tölt el csomagonként, egy teljes másodperccel javítva korábbi tempóján, és a gyorsulás nem ment a teljesítmény rovására. A szállítási címkék szkenneléshez történő elhelyezése kilencvenöt százalékban pontos, ami huszonöt százaléknyi javulást jelent az idei év elejéhez képest.

A robot fogási stratégiáján javítva, dinamikusan alkalmazkodik a csomagok egyedi alakjához, például csipeszfogásokkal ragad meg lapos borítékokat, vagy erőteljesen fordít meg puha zacskókat. Sok mozgást komoly tanulással sajátított el. A vonalkód így teljesen látható marad a szkenner számára.

Az ilyen szintű alkalmazkodás egyértelművé teszi a teljes, end-to-end tanulás szerepét. A gép olyan bemutató stratégiákból, közvetlenül az adatokból okul, amelyekben soha nem írták le explicit módon, mit kell tennie.

A raktárrobotok célja, hogy egy modell többfajta, és ne csak erősen specializált feladatokat hajtson végre. Kérdés, mikor érik el a költséghatékonyság és a megbízhatóság azon szintjét, hogy az emberi munkaerőt biztonságosan, kockázat nélkül helyettesíthetik velük.

Ez az egyik legnagyobb kihívás.

A Trump Média és Technológia Csoport tőzsdén kereskedett alapot (exchange-traded fund, ETF) kíván indítani. Az ETF a két legnagyobb kriptovalutába, a bitcoinba és az ethereumba fektet be. A dokumentumot június tizenhatodikán nyújtották be az Egyesült Államok Érték- és Tőzsdefelügyeletén (SEC).

„Az ETF befektetési alap és tőzsdei termék is egyben. Olyan eszközöket tartalmaz, mint részvények, kötvények, valuták, határidős ügyletek és/vagy áruk, például aranyrudak. Általában úgy működik, hogy a piaci árat a nettó eszközérték közelében tartsa, bár esetenként eltérések is előfordulhatnak” – áll a Wikipédiában. (Az USA legnépszerűbb ETF-e az S&P 500 index.)

Jelen lépés két hét leforgása alatt a Trump elnökhöz kapcsolódó csoport második kriptovalutás ETF-beadványa volt. Amennyiben elfogadják, a Truth Social Bitcoin ETF és a Truth Social Bitcoin & Ethereum ETF zsúfolt és versenyképes piachoz csatlakozik. A terepet néhány befutott eszközkezelő uralja, mint például a BlackRock, az ő iShares Bitcoin ETF-ük 72,5 milliárd dollárnyi eszközvagyonnal rendelkezik.

Szakértők szerint minden új belépőnek nagyon komoly kihívás a piac. A kiemelkedés egyetlen módjai az illetékek és a márkaépítés. A bitcoin és ethereum ETF-beadványban nem szerepelnek illetékek, és a bitcoin ETF-hez is javasolniuk kell. Hasonló termékek illetéke 0,12 százalék.

A legutóbbi bejelentés mindenesetre meghatározza a bitcoin és az ethereum közötti specifikus, konkrét allokációs arányt. A kibocsátó, a Yorkville America Digital elmondta, hogy minden egyes ETF-ben lévő ethereum token után három bitcoinnal számolnak.

Sui Chung, a CF Benchmarks elnök-vezérigazgatója szerint az új vállalkozás nem sokban, elsősorban a marketing módjában különbözhet a többitől. Lehet, hogy közvetlenül egyéni befektetőknek értékesítik, ők pedig felkeltik a többiek, a nagyobbak figyelmét. Kicsit úgy, mint az iPhone-jukat imádó felhasználók, akik aztán Apple-részvényeket vásárolnak.

Karakterek konzisztenciája, megszemélyesítése, mint szakterület, hosszú utat tett meg az első szövegből képet generáló modellek óta. 

A Textual Immersion 2022-ben bemutatta, hogyan tanulható meg karakterek beágyazása, hogyan használható ez a beágyazás későbbi képek létrehozásához. A DreamBooth 2023-ban szemléltette, miként érhető el jobb eredmény a modell finomhangolásával néhány képen, és a karakter miként helyezhető új szituációkba. A képeditáló modellek rengeteget fejlődtek 2023 óta, legismertebbek a Meta Emu-Edit, az OmniGen és az OpenAI GPT Image 1-e.

Konzisztenciával és pontos editálással művészek egyedi karakterekről alkothatnak történeteket. A modellek valóban sokat javultak képeken átívelő konzisztens részletek generálásában, néha viszont hajlamosak apró részleteket, sőt, egész karaktereket és háttereket is megváltoztatni. Minél jobban segítik a felhasználói ötletek megvalósulását, annál inkább beépülnek az alkotói eszköztárba.

A német Black Forest Labs legújabb szöveg-kép generatív modellje, a FLUX.1 Kontext család ugyanazt a karaktert teszi új háttérbe (mint a második és a harmadik képen), végeztet új cselekvéseket vele. Ez a fejlesztés iránya. Több változatát (max, pro, dev) dolgozták ki, mindegyiket kontrollált módon gyakoroltatták be képek megváltoztatására. A dev súlyait közkinccsé akarják tenni, a licenc-feltételeket viszont még nem fogalmazták meg.

Az input szöveg, kép, az output kép. Architektúrája nem pontosított szövegkódolóból, konvolúciós neurális hálóból, képkódolóból és dekódolóból, transzformerből áll. A dev 12 milliárd paraméteres; a karakterek konzisztensek, lokális és globális módosítások végezhetők. A modellek a FLUX Playgroundon és több partneren keresztül érhetők el, a maxnál 0,08 dollár, a pronál 0,04 dollár egy kép.

A kódoló beágyazza az input szöveget/képet, a transzformer feldolgozza, a képdekódoló képeket generál. A konvolúciós ideghálót (kódoló-dekódolót) képek reprodukálására és a diszkriminátor (megkülönböztető) megtévesztésére tanították be. A transzformerrel a zaj eltávolítását, zajmentes beágyazások létrehozását gyakoroltatták be. A képek valódiságát egy második diszkriminátor állapítja meg. 

A modellel csökken az input és az output közötti lépések száma. Öt riválissal mérettették meg, köztük a GPT Image 1-gyel és a Google Gemini 2.0 Flash-sel. A max és a pro mindegyiknél jobban teljesített, a dev-et csak a család másik két tagja és a GPT Image 1 előzte meg.