متنی ہدایت لکھیں
منظر، موضوع اور روشنی بیان کریں۔ واضح ہدایات مبہم ہدایات سے بہتر تصاویر دیتی ہیں۔
تصویر بیان کریں اور Z-Image-Turbo اسے آپ کے کمپیوٹر پر بنائے گا۔ ماڈل ایک بار Hugging Face سے حاصل ہو کر براؤزر میں کیش ہوتا ہے، اس لیے ماڈل 73hi سرور سے نہیں گزرتا اور آپ کی ہدایت کبھی اپ لوڈ نہیں ہوتی۔
GPU ابھی نہیں جانچا گیا۔ جانچ سے ماڈل فائلیں ڈاؤن لوڈ نہیں ہوتیں۔
Windows پر Chrome وہ GPU استعمال کرتا ہے جو براؤزر کو دیا گیا ہے۔ یہ صفحہ تمام نصب شدہ گرافکس کارڈ نہیں دکھا سکتا، نہ ایسے کارڈ پر بدل سکتا ہے جس تک براؤزر رسائی نہ دے۔
chrome://flags/#force-high-performance-gpu، اختیار دستیاب ہو تو فعال کریں اور Chrome دوبارہ شروع کریں۔ اس سے اعلیٰ کارکردگی والا GPU طلب ہوتا ہے؛ کارڈ نام سے منتخب نہیں ہوتا۔اگر Windows کے دونوں اختیارات میں وہی غیر مطلوب کارڈ دکھے، تو صرف High performance چننے سے دوسرا GPU منتخب نہیں ہوگا۔ پہلے براؤزر کو اس کارڈ تک رسائی دینی ہوگی۔ GPU کا پورا ماڈل نام دکھنے کے بجائے سازندہ اور ساخت کا نام دکھ سکتا ہے۔
Windows پر Chrome کی GPU حدودپہلے ماڈل لوڈ کریں، پھر متنی ہدایت درج کر کے تصویر بنائیں۔
پہلی بار ماڈل لوڈ کریں Hugging Face سے تقریباً 5.5 GB ڈاؤن لوڈ ہوتا ہے، اس لیے کئی منٹ اور سست کنکشن پر مزید وقت لگ سکتا ہے۔ پٹی مکمل ہونے تک ٹیب کھلا رکھیں۔ براؤزر میں جگہ ہو تو فائلیں کیش ہوتی ہیں؛ مقامی فائلیں منتخب کرنے سے ڈاؤن لوڈ نہیں ہوتا۔ ماڈل فائلیں حاصل کرنے سے پہلے مختصر GPU ٹیسٹ ہوتا ہے۔ براؤزر کو WebGPU f16 shader سپورٹ والا GPU دستیاب ہونا چاہیے۔ متعدد GPUs والے کمپیوٹر پر سسٹم کی گرافکس ترتیبات میں براؤزر کے لیے موافق GPU منتخب کر کے براؤزر مکمل دوبارہ شروع کرنا پڑ سکتا ہے۔
آپ کی تصویر یہاں ظاہر ہوگی
اوپر ہر فائل نام براہ راست لنک ہے، اس پر کلک کرنے سے صرف وہی فائل ڈاؤن لوڈ ہوتی ہے؛
.onnx_data ساتھی فائلیں ان کے گراف کے ساتھ حاصل کرنا ضروری ہے تاکہ دستی لوڈ کام کرے۔ INT4 ONNX بلڈ یہاں موجود ہے:
huggingface.co/webnn/Z-Image-Turbo۔ Hugging Face کراس اوریجن درخواستوں کی اجازت دیتا ہے، اس لیے صفحہ اسے براہ راست Hub سے حاصل کرتا ہے۔
اکاؤنٹ، قطار یا سرور سے رابطے کے بغیر الفاظ سے تصویر بنائیں۔
منظر، موضوع اور روشنی بیان کریں۔ واضح ہدایات مبہم ہدایات سے بہتر تصاویر دیتی ہیں۔
منتخب کریں ماڈل لوڈ کریں اور فائلیں تیار ہونے کا انتظار کریں، پھر منتخب کریں بنائیں۔ تصویر سازی لوڈ شدہ فائلیں استعمال کرتی ہے اور ماڈل دوبارہ ڈاؤن لوڈ نہیں ہوتا۔
شور ہٹانے کے مراحل مکمل ہونے پر تصویر کینوس پر بن جاتی ہے اور PNG کے طور پر ڈاؤن لوڈ کی جا سکتی ہے۔
پورا عمل صفحے میں چلتا ہے: ہدایت انکوڈ ہوتی ہے، چند مراحل میں مخفی نمائندگی سے شور ہٹتا ہے، اور VAE اسے پکسلز میں بدلتا ہے۔
| مرحلہ | یہ کیا کرتا ہے | کہاں چلتا ہے |
|---|---|---|
| ٹوکنائزر اور متن انکوڈر | ہدایت کو ماڈل کی سمجھ میں آنے والی ایمبیڈنگز میں بدلتا ہے | آپ کا براؤزر |
| Transformer | ہر مرحلے میں ہٹانے والے شور کی پیش گوئی کرتا ہے | آپ کا براؤزر |
| شیڈیولر معاون | flow matching کا مرحلہ لاگو کر کے اگلی مخفی نمائندگی بناتا ہے | آپ کا براؤزر |
| VAE ڈی کوڈر | تیار مخفی نمائندگی کو نظر آنے والی تصویر میں بدلتا ہے | آپ کا براؤزر |
صرف پہلی بار کی لاگت: ماڈل فائلیں کل تقریباً 5.5 GB ہیں۔ یہ 73hi کے بجائے Hugging Face سے آتی ہیں اور براؤزر انہیں اگلی بار کے لیے کیش کرتا ہے۔
اپنی ہدایت کسی تیسرے فریق کو دیے بغیر تصویر بنانے کے لیے سب کچھ دستیاب۔
ہدایت اور تصویر آلے سے باہر نہیں جاتیں۔ صرف ماڈل ڈاؤن لوڈ ہوتا ہے۔
WebGPU کے ساتھ شور ہٹانے کا عمل گرافکس کارڈ پر چلتا ہے، اس لیے تصویر منٹوں کے بجائے سیکنڈوں میں بنتی ہے۔
ریزولیوشن، مراحل کی تعداد اور سیڈ چنیں، اور کوئی بھی تصویر بالکل اسی طرح دوبارہ بنائیں۔
نہ رجسٹریشن، نہ روزانہ کی حد، اور بنائی گئی کسی چیز پر واٹرمارک نہیں۔
صفحہ Z-Image-Turbo کا INT4 ONNX بلڈ براہ راست Hugging Face سے ڈاؤن لوڈ کرتا ہے، جو اجازت دینے والے کراس اوریجن ہیڈرز فراہم کرتا ہے۔ 73hi سرور ماڈل نہ محفوظ کرتا ہے نہ آگے بھیجتا ہے۔
متن انکوڈر اور ٹرانسفارمر مل کر 4 بِٹ کوانٹائزیشن میں بھی تقریباً 5.5 GB ہیں۔ پہلی بار کے بعد یہ براؤزر میں کیش ہو جاتے ہیں۔
جی ہاں۔ صرف ٹرانسفارمر کے وزن 3.44 GB ہیں، جبکہ WebAssembly بیک اینڈ wasm32 کے لیے بنا ہے جس کی کل میموری 4 GB تک ہے، اس لیے ماڈل وہاں سما نہیں سکتا۔ WebGPU وزن گرافکس کارڈ تک پہنچاتا ہے؛ یہی براؤزر میں اس ماڈل کو چلانے کا طریقہ ہے۔ Chrome یا Edge 130 یا جدید استعمال کریں۔
نہیں۔ ہدایت کی انکوڈنگ اور تصویر سازی مکمل طور پر آلے پر ہوتی ہے۔ صرف ماڈل اور چھوٹا ٹوکنائزر ڈاؤن لوڈ ہوتے ہیں۔
ہر ریزولیوشن پر وزن یکساں ہیں، مگر ٹرانسفارمر کے attention maps تصویری ٹوکنز کی تعداد کے مربع کے ساتھ بڑھتے ہیں۔ 512 x 512 تصویر 64 x 64 مخفی نمائندگی، یعنی 4,096 ٹوکنز، پر کام کرتی ہے؛ 1024 x 1024 میں 128 x 128 نمائندگی، یعنی 16,384 ٹوکنز اور سولہ گنا درمیانی ڈیٹا ہوتا ہے۔ یہ گرافکس میموری ہے، WebAssembly نہیں: رن ٹائم پہلے ہی اڈاپٹر سے اس کی سب سے بڑی حدود مانگتا ہے۔ کارڈ پر 1024 ناکام ہو تو پہلے 768 آزمائیں؛ 768 اور اس سے اوپر ٹول شور ہٹانے سے پہلے متن انکوڈر کی میموری خالی کرتا ہے تاکہ تصویر کے لیے زیادہ سے زیادہ جگہ بچے۔
خالی چھوڑیں تو کچھ نہیں بدلتا۔ اسے بھر کر رہنمائی 1 سے زیادہ کریں تو classifier free guidance چلتی ہے: ہر مرحلے میں ماڈل دونوں ہدایات جانچتا اور نتائج ملاتا ہے، جس سے تصویر آپ کی درج کردہ چیزوں سے دور رہتی ہے۔ رہنمائی 1 کا مطلب کوئی سمت دہی نہیں۔ Z-Image-Turbo مختصر مراحل والا کشید کردہ ماڈل ہے، اس لیے قدر تقریباً 1.2 سے 2 تک کم رکھیں؛ زیادہ قدر سے رنگ حد سے زیادہ شوخ ہو سکتے ہیں۔ رہنمائی سے ٹرانسفارمر کے چکر دوگنے ہوتے ہیں، اس لیے تصویر بننے میں تقریباً دوگنا وقت لگتا ہے۔
جی ہاں۔ فائل منتخب کرنے کے اختیار سے ماڈل فائلیں چنیں؛ ٹول دوبارہ ڈاؤن لوڈ کے بجائے مقامی نقول استعمال کرے گا۔