Vedci z MIT vyvinuli techniku s názvom “distribution matching distillation” (DMD), ktorá urýchľuje populárne generátory obrázkov umelej inteligencie tým, že zhustí 100-stupňový proces do jedného kroku. Výsledkom tejto metódy sú menšie a rýchlejšie modely AI pri zachovaní kvality obrazu. Nový prístup znižuje výpočtový čas 30-krát a zachováva alebo prekonáva kvalitu generovaného vizuálneho obsahu. Difúzne modely, ako napríklad DALL-E 3 a stabilná difúzia, sa učia nové modely AI pomocou DMD. Tieto modely generujú obrazy kódovaním náhodných obrazov so šumom a následným vyčistením šumu prostredníctvom viacstupňového procesu. Aplikáciou DMD na nový model vedci skrátili čas generovania obrázkov z 2,59 sekundy na 90 milisekúnd, čím ho zrýchlili 28,8-krát. DMD pozostáva z dvoch zložiek: “regresnej straty,” ktorá usporadúva obrazy na základe podobnosti, a “straty zhody distribúcie,” ktorá minimalizuje cudzorodosť generovaných obrazov. Tento prelomový objav výrazne znižuje výpočtový výkon a urýchľuje proces generovania obrázkov, čím je výhodný pre odvetvia vyžadujúce rýchle a efektívne vytváranie obsahu.
