VectorSpaceLab представила OmniGen V2 — новую мультимодальную модель с подходом any-to-any, предлагающую два пути декодирования для расширенного редактирования изображений.
1 июня 2025 года компания VectorSpaceLab официально представила OmniGen V2, масштабное обновление своей флагманской мультимодальной модели. В отличие от традиционных систем, которые разделяют задачи генерации текста в изображение и редактирования готовых файлов, OmniGen V2 придерживается философии 'any-to-any'. Это означает, что модель способна обрабатывать широкий спектр входных данных для получения гибких визуальных результатов в рамках единого архитектурного подхода.
Для разработчиков и AI-инженеров этот релиз важен прежде всего своей открытостью. OmniGen V2 поставляется с открытыми весами (open-weights), что позволяет интегрировать её в локальные пайплайны, проводить fine-tuning под специфические доменные задачи и полностью контролировать процесс генерации без зависимости от закрытых API-провайдеров.
Главное техническое отличие OmniGen V2 от первой версии заключается в архитектурной эволюции. Если в V1 использовалась более компактная, но монолитная структура, то во второй версии VectorSpaceLab внедрила два различных пути декодирования (two distinct decoding pathways). Это разделение позволяет более эффективно распределять вычислительные ресурсы между задачами чистого синтеза новых изображений и задачами высокоточного редактирования существующих визуальных контекстов.
Модель использует продвинутый механизм извлечения визуальных признаков через VAE (Variational Autoencoder), которые затем обрабатываются трансформерной архитектурой. Это обеспечивает глубокое понимание семантики текста и визуальных подсказок, позволяя модели сохранять консистентность объектов при их трансформации или добавлении новых элементов в сцену.
На этапе ранних исследований OmniGen V2 продемонстрировала показатель Artificial Analysis Elo 704. Важно отметить, что на текущий момент модель позиционируется скорее как исследовательский инструмент (early research entrant), чем как прямой претендент на лидерство в глобальных рейтингах, таких как LMSYS, однако её архитектурные инновации закладывают фундамент для будущих прорывов.
Для оценки возможностей модели VectorSpaceLab представила новый бенчмарк OmniContext. В отличие от стандартных тестов на text-to-image, OmniContext фокусируется на способности модели удерживать сложный визуальный контекст при многошаговом редактировании. Методология оценки включает проверку точности следования инструкциям (instruction following) и сохранения структурной целостности объектов при изменении их атрибутов.
Несмотря на открытость весов, для разработчиков, предпочитающих масштабируемые облачные решения, доступны сервисы от партнеров VectorSpaceLab. Стоимость использования через провайдеров инференса ориентирована на профессиональный сегмент и высоконагруженные приложения.
Текущая рыночная стоимость составляет $150 за 1000 сгенерированных изображений. Это решение подходит для компаний, которым требуется стабильный SLA и высокая доступность без необходимости самостоятельного управления GPU-кластерами.
Благодаря унифицированной архитектуре, OmniGen V2 находит применение в самых разных областях: от автоматизированного создания игрового контента до профессионального ретуширования. В сфере дизайна она позволяет быстро вносить правки в композицию, используя текстовые команды, что значительно ускоряет итеративный процесс творчества.
Для разработчиков AI-агентов модель представляет интерес как мультимодальный модуль, способный не только 'видеть' контекст, но и активно изменять его. Это открывает возможности для создания сложных RAG-систем, работающих с визуальными данными, и агентов, способных выполнять визуальные задачи по запросу пользователя.
Разработчики могут получить доступ к весам модели и коду оценки через официальные репозитории на GitHub и Hugging Face. Для интеграции в свои проекты рекомендуется использовать официальный SDK от VectorSpaceLab, который упрощает работу с мультимодальными тензорами и пайплайнами декодирования.
Если вы предпочитаете готовое API, вы можете использовать эндпоинты сервинг-партнеров, указанных в документации проекта. Рекомендуется начать с тестирования на OmniContext, чтобы понять границы возможностей модели в ваших специфических задачах.
API Pricing — Output: $150 per 1k images