Meta は、Meta Superintelligence Labs が開発した最初のメディア生成モデルである Muse Image の発売とプレビュー版 Muse Video を発表しました。これらの新しいツールは、ビジュアルおよびオーディオビジュアル コンテンツの作成において大きな進歩をもたらします。
Muse Image は、同社のこれまでで最も洗練されたモデルと考えられており、指示に正確に従い、詳細な編集を実行し、複数の参照から要素を構成し、ソーシャル コンテキストに Instagram を使用する能力が際立っています。さらに、インタラクティブなツール機能を提供し、Muse Spark と統合します。また、同じ事前トレーニング基盤上に構築された Muse Video は、ネイティブ オーディオ サポートによる優れた視覚的忠実度を約束します。
可用性の点では、Muse Image は、Meta AI アプリ、meta.ai プラットフォーム、米国のユーザー向け Instagram ストーリー、および一部の国では WhatsApp からアクセスできるようになりました。近日中にFacebookでも利用できるようになる予定です。 Muse Video は、コンテンツ クリエーターおよび Meta AI に間もなく提供される予定です。
Muse Imageによる代理店イメージの生成
Muse Image は、単に命令を画像に変換するのではなく、インテリジェント エージェントとして機能します。検索およびコーディング ツールを呼び出して精度を向上させ、自身の世代を改善し、テスト中に計算能力をスケーリングすることでパフォーマンスを最適化します。 Muse Spark との統合により、両方のモデルがツールを共有して一緒に計画できるようになり、強力な代理店メディア生成機能が提供されます。
ツールを使用する能力
Muse Image は、パフォーマンス機能を強化するいくつかのツールにアクセスできます。彼は、強化学習を通じて、正確なグラフィックスと QR コードを生成するコードを作成して実行する方法を学び、レンダリングされた図を条件付けして、生成された画像の精度を向上させました。 Muse Spark と組み合わせると、アニメーション GIF、画像が埋め込まれた Web サイト、およびインタラクティブなビジュアル ゲームを作成できます。
彼のプログラミング能力の注目に値する例は、韓国の漫画風の複雑なイラスト内に読み取り可能な QR コードを作成し、芸術的にシーンに統合しながらコードが正しく機能することを保証することです。このモデルは、ジュリア セットやシェルピンスキー三角形などの詳細なフラクタル グラフィックを生成し、スタイル固有のポスター レイアウトに適用することもできます。
アニメーションの分野では、Muse Image がフリップブック シーケンスの作成をデモンストレーションします。各フレームの風景と照明の一貫性を維持しながら、キャラクターの詳細を強化し、位置を調整してパンチや回避の動きなどの動的なインタラクションを生成します。別のアプリケーションには、ビジュアル ゲームで使用するために、クリーム色のペルシャ猫が生まれたばかりの子猫や細身のティーンエイジャーに変身するなど、ペットのさまざまなライフ ステージを作成し、画像をデータ URI に変換して瞬時にロードできるようにすることが含まれます。
プログラミングに加えて、検索機能により、Muse Image は Web にクエリを実行して、生成された画像をリアルタイムの事実情報や視覚的参照で実証することができます。この機能は、特に現在の出来事や現実世界の事実に関する事前知識を必要とするリクエストの精度を向上させるために非常に重要です。
この調査ツールは、2026 年夏のファッション トレンドを特定するために使用され、キャットウォーク レポートと製品カタログを分析して、購入リンクと服装の提案を生成しました。科学の分野では、このモデルは巨大衝突仮説に関する図表と信頼できる情報源を調査し、月の形成に関する正確で視覚的に一貫したインフォグラフィックを作成しました。別のデモンストレーションでは、ミューズ イメージがサンフランシスコの Facebook マーケットプレイスからノーブランドのビンテージ アイテムを計画および選択し、それらを寝室の居心地の良いシンプルな装飾スタイルと組み合わせました。
自己改善と反省をモデル化する
Muse Image の新たな特徴の 1 つは、自己改善能力です。モデルは自身の作業を反映し、小さなエラーに対してローカル編集を行うか、大きな欠陥がある場合にまったく新しいイメージを生成するかにかかわらず、その推論の範囲内でモデルを改善します。この動作は、画像の品質が向上し、その結果、より大きな報酬が得られるため、強化学習トレーニング中に出現しました。
自己改善の例では、モデルは雑誌のページをまとめ、レビュー、タイトル、ファッションポートレートのステップを、一貫したレイアウトと完璧なディテールで統合する能力を実証しました。別の図では、数式の修正、レイアウトの調整、テキストの明瞭さのチェックが含まれます。このプロセスには、生成された画像の最終レビューも含まれており、共有する前にマクロの詳細、光沢仕上げ、精度を確認します。
スケーラビリティと計算効率
言語モデルと同様に、Muse Image は推論中に処理する情報が増えるにつれて徐々に改善されます。テスト時の計算能力が向上することで、モデルは推論を深め、より多くのツール呼び出しを行い、より多くの自己改善ステップを採用してその世代を洗練します。推論能力と計算能力が向上すると、人間の好みの Elo スコアが向上し、ほぼ対数線形のスケーリング関係が示されます。
研究により、効果的なスケーリングにはトークンの予算設定を賢明に使用することが不可欠であることが明らかになりました。 Best-of-N 方式 (複数の画像を生成し、最良のものを選択する) では、最初は品質が向上しますが、すぐに飽和します。一方で、同じ計算能力を意図的な推論に投資すると、スケーラビリティが大幅に向上します。推論とツールの使用は相互に強化し、参考資料の検索や正確な詳細のコードの作成など、モデルが以前の知識を超えて、推論だけでは埋められないギャップを埋めることができます。
精密な画像編集
Muse Image は、ユーザーがさまざまな指示で要求したものを正確に変更する、精密な画像編集機能を示します。たとえば、ズームを調整してシーンの状況を把握するだけでなく、画像から霧を消して谷を明らかにしたり、花びらを変更して虹のグラデーションを形成したり、標識の文字や数字を変更したりすることができます。
また、モデルは編集段階全体を通じて一貫性を維持し、反復的な改良と自由な実験を容易にして、目的の結果を達成します。あるデモンストレーションでは、他の画像の特定の要素を使用して、リビング ルームを Japandi スタイルに変えることができました。別の複雑な例には、猫と犬のピクニックを構成し、それをカフェの額入り写真として想像し、最後にテーマのアイテムと動物のイラストを使用して施設のメニューを生成することが含まれていました。
複数の参照を含むコンポジションの作成
Muse Image の機能は、プロンプトに挿入された複数の参照画像から、人物、物体、衣服、スタイル、環境などの要素を構成するまで拡張されます。このテンプレートは、複雑なビジュアル作成のためのプロンプトで直接テキストと画像をインターリーブすることをサポートしています。
これは、複数の視覚的参照を使用して、自転車に乗り、服を着て公園のベンチに座っている人物の画像をすべて特定の描画スタイルで構成することで実証されます。別のケースでは、モデルはリビング ルームの色を壁の特定のパターンに変更し、コーヒー テーブル、サイドボード、画面上に特定の画像が表示された 65 インチ テレビを追加し、特定のアイテムを持ってソファに座っている人を挿入しました。
最新の Human Preference Elo 評価によると、Muse Image は現在、テキストから画像への変換、単一画像編集、複数画像編集の分野で Arena で 2 位にランクされています。
