Koniec wyścigu na gigabajty? Microsoft Lens pokazuje, że małe jest nie tylko piękne, ale i wydajniejsze

Branża AI przyzwyczaiła nas do myślenia, że więcej znaczy lepiej. Tymczasem Microsoft Research oddaje w ręce społeczności projekt Lens, który wywraca tę logikę do góry nogami. Zamiast budować kolejne monstrum pożerające energię małego miasta, inżynierowie stworzyli model o rozmiarze zaledwie 3,8 miliarda parametrów, który bez kompleksów staje do walki z systemami dwukrotnie większymi.

Dlaczego to ważne właśnie teraz

Publikacja modelu Lens wyznacza nową ścieżkę w rozwoju generatywnej grafiki. W momencie, gdy koszty trenowania i utrzymania potężnych modeli text-to-image stają się barierą nawet dla dużych graczy, Microsoft udowadnia, że mniejszy system może dorównać gigantom. To sygnał, że branża nasyciła się surową skalą i zaczyna szukać ratunku w optymalizacji oraz drastycznym obniżaniu kosztów treningu, co ma kluczowe znaczenie dla demokratyzacji technologii.

Jakość tekstu przekłada się na obraz

Fundamentem Lens nie jest potężna moc obliczeniowa, ale pedantyczne podejście do danych. Tradycyjne modele uczą się na śmieciowych opisach z sieci. Microsoft postawił na zbiór Lens-800M, gdzie każda z 800 milionów par obraz-tekst posiada opis wygenerowany przez GPT-4.1. Statystyki robią wrażenie: średnia długość opisu to aż 109 słów na grafikę. Dzięki tak gęstym danym model rozumie niuanse, których jego więksi konkurenci po prostu nie dostrzegają. Jak podkreśla zespół Microsoft Research: Przełomem nie jest skala, lecz jakość danych.

Mały model, wielka efektywność

Liczby mówią same za siebie. Lens osiąga swoją wysoką wydajność przy wykorzystaniu zaledwie 19,3% mocy obliczeniowej potrzebnej porównywalnym modelom przekraczającym 6 miliardów parametrów. Pod maską znajdziemy semantyczny VAE z FLUX.2 oraz enkoder GPT-OSS. Co ciekawe, system potrafi generować obrazy w aż 27 kombinacjach rozdzielczości i proporcji — od 1:2 do 2:1, z natywnym wsparciem do 1440×1440 pikseli. Mimo treningu opartego na języku angielskim, model zaskakująco dobrze radzi sobie z interpretacją promptów w języku hiszpańskim czy japońskim.

Szybkość bez kompromisów

Dla tych, którzy nie lubią czekać, powstał wariant Lens-Turbo. Wykorzystuje on technikę destylacji wiedzy, co pozwala wygenerować wysokiej jakości grafikę w zaledwie cztery kroki. Na karcie graficznej H100 zajmuje to około 0,84 sekundy. To prędkość, która pozwala myśleć o generowaniu grafiki w czasie niemal rzeczywistym.

Otwartość z gwiazdką

Microsoft zdecydował się na odważny krok i udostępnił model na otwartej licencji MIT. Oznacza to, że każdy może pobrać kod z GitHuba i dostosować go do własnych potrzeb. Trzeba jednak pamiętać o badawczym rodowodzie projektu. Twórcy szczerze przyznają, że Lens — jak każdy model trenowany na danych z sieci — może powielać społeczne uprzedzenia. To użytkownik końcowy musi zadbać o filtry bezpieczeństwa, zanim wdroży to rozwiązanie w komercyjnym produkcie. Pełną dokumentację i szczegóły techniczne można znaleźć w oficjalnej publikacji Microsoft Research.