そうだよ。これは画像を作るだけじゃなくて、指示通りに画像を書き換えたり、文字を正確に入れたりもできる最新のモデルなんだ。

そこがこの論文の面白いところでね。普通、これくらいの性能を出すには800億個とかのパラメータ……つまりAIの脳細胞みたいなものが必要なんだけど、これはたった50億個しかないんだ。16分の1以下のサイズなのに、巨大なモデルより賢いんだよ。

鋭いね。このモデルは、VLMっていう「目と耳を持つ脳」と、DiTっていう「絵を描く職人」を合体させてるんだ。特に『Stacked Channel Bridging（SCB）』っていう仕組みが肝なんだよ。

ごめん。簡単に言うと、脳（VLM）のいろんな深さの層から情報をまとめて職人（DiT）に伝える仕組みだよ。浅い層からは細かい見た目の情報を、深い層からは難しい意味の情報を取ってくるんだ。さらに『think tokens』っていう、AIに「よく考えろ」って促す特別な信号も混ぜてるんだよ。

まさにそんな感じ。学習方法も工夫されていて、まずは脳と職人の息を合わせる練習をして、次にいろんな仕事を覚えさせて、最後に強化学習で「人間が喜ぶ絵」を徹底的に叩き込んでるんだ。

そうだね。モデルが軽いってことは、普通のパソコンやデバイスでも動かしやすくなるってことだから、AIの民主化に大きく貢献するはずだよ。ただ、まだ完璧じゃなくて、もっと複雑な推論が必要な場面では限界もあるみたいだけどね。

効率化は研究の大きなトレンドだからね。少ないデータと小さなサイズでどこまで行けるか、この論文はその可能性を示したんだ。

亜美さんの場合は、トークンを入れる前にまず教科書を開くっていう『学習フェーズ』が圧倒的に足りてないと思うけど。