Over the past year, AI ဖြင့် ဖန်တီးထားသော ဗီဒီယိုလိမ့် လုပ်ဆောင်မှု မော်ဒယ်များသည် မြင်ကွင်းအတိအကျနှင့် အာရုံစူးစိုက်မှု အပေါ် ထူးခြားသောတိုးတက်မှုများပြသခဲ့ပါသည်။ ဥပမာအားဖြင့် OpenAI ၏ Sora 2၊ Google ၏ Veo 3၊ နှင့် Runway Gen-4 မော်ဒယ်များအပါအဝင်။ AI ဗီဒီယို ထုတ်လုပ်မှုသည် ထိပ်တန်းအဆင့်ကိုရောက်ရှိနေပြီဖြစ်ပြီး၊ နောက်ဆုံး မော်ဒယ်များအနေဖြင့် အလွန်လှပ၍ လုပ်ကြည့်ခရဲ႕ ဗီဒီယို ခလုတ်များဖန်တီးနိုင်လာသည်။ ဒါပေမယ့် ဤမော်ဒယ်များ၏ စံချိန်ဆိုင်ရာ ဖွဲ့စည်းပုံများသည် တိုက်ရိုက် သုံးစွဲမှုများအတွက်အသုံးပြုနိုင်မှုကို ကန့်သတ်နေပါသည်။ ၎င်းတို့သည် ရုပ်ပုံများကို အဆင့်တန်းစီ ထုတ်လုပ်ပြီး တစ်ဆက်တည်း နည်းလမ်းများဖြင့် ရိုက်ကူးခြင်းကို ချဉ်းကပ်လျက်ရှိပြီး၊ ဆက်လက်တိုးတက်လာသောကြောင့် တစ်ကြိမ်ချင်းစီစစ်တမ်းများကို များစွာရလဒ်များနဲ့ များစွာကာလခွဲများကို ထပ်မံလုပ်ဆောင်ရခြင်းကြောင့် ဗီဒီယိုများကို live streaming ပြုလုပ်ခြင်း အတော်လေးခက်ခက်ခဲခဲဖြစ်လာခဲ့သည်။ မည်သည့်အခါတွင်မဆို စနစ်တကျ ထုတ်လုပ်မှုများအတွက် मात्रैမက၊ live အျမင်ဖြင့် AI ဗီဒီယို ပြောင်းလဲမှုကို မျှော်လင့်ခြင်းမှာ များစွာခွင့်လွှတ်ထားပါသည်။ Decart ၏ အသင်းသည် ဤဖွဲ့စည်းပုံ၏ အခက်အခဲကို ရင်ဆိုင်ခဲ့ပြီး၊ LSD v2 ကို ဖန်တီးတည်ဆောင်နိုင်ခဲ့သည်။ ဤမော်ဒယ်သည် မည်သည့်အခြေအနေမှာမဆို latency ကိုအနည်းဆုံး ထိန်းချုပ်နိုင်မည့် နည်းလမ်းအသစ်များကို ပြသခဲ့သည်။ သူတို့သည် GPU ၏ အသုံးချမှုအများဆုံး ဖြစ်စေသောအတွက် အခြေခံအဆာက္အအုံများကို ပိုမိုမြှင့်တင်ခဲ့ပြီး၊ မှားယြင်းမှုများကို ကာကွယ်ရန်အတွက် denoising လုပ်ငန်းစဉ်ကို မြန်ဆန်စေခဲ့သည်။ LSD v2 သည် causal auto-regressive ဖွဲ့စည်းပုံကို အသုံးပြု၍ ဗီဒီယိုကို အချိန်မရွေး တစေ့တစောင်း ဖန်တီးနိုင်စေပြီး၊ အချိန်မကန့်သတ်သော ထုတ်လုပ်မှုအတွက်လည်း မကန့်သတ်ပါ။ အဓိကဖန်တီးမှုအသစ်များမှာ - 1. **Causal Auto-regressive မော်ဒယ်များဖြင့် သိလောက်အရေးတော်လွယ် ကမ္ဘာမနေနိုင်စေသော မျှတမှု** ဗီဒီယိုစီးရီးအတွက် အစွန်အဖျားကတည်းက " causally" လုပ်ဆောင်နိုင်သည်မှာ မျှတစေသည်။ တစ်ခုချင်းစီကိုလည်း မဆိုပြီး၊ ငြင်းငြင်းပယ်ပယ်မဆို ဗီဒီယိုပုံများကို ပထမဆုံး ဖန်တီးစေသည်။ ဤနည်းပညာသည် မျှပျော်မှုကိုအာမခံပေးသော်လည်း၊ အချိန်ကြာလာသည်နှင့်အမျှ အမှားစုစုစည်းမှုများဖြစ်လာနိုင်သည်။ ဥပမာအားဖြင့် မမှန်သော မှောင်မိုက်မိနစ်များ သို့မဟုတ် မခိုင်မာသော မျှတမှုများ သည် များစွာအကျိုးသက်ရောက်မှုရှိလာသည်။ ဒါကြောင့် Decart သည် diffusion forcing ကို မြှင့်တင်ခဲ့ပြီး၊ ဗီဒီယိုများကို ထုတ်လုပ်စဉ်အတွင်း စစ်ဆေးနိုင်ရန် "history augmentation" ကို အားပြုလုပ်ခဲ့သည်။ ဤကြားခံစနစ်သည် ယခင်ဖန်တီးထားသော ပုံများ၊ လက်ရှိ inputများနှင့် အသုံးပြုသူ၏ prompt များကို ပစ်မှတ်တစ်ခုအနေဖြင့် သုံးပြီး၊ ပုံဖျက်အမှားများကို သုံးသပ်၍ တိုးတက်စေနိုင်စေသည်။ ဤနိုင်စွမ်းကြောင့် ဘာမှားနေသည်ကို သတ်မှတ်နိုင်ပြီး၊ မျှတမှုအပေါ် မူတည်၍ ထုတိုးချဲ့နိုင်ပါသည်။ ထို့ကြောင့် မျှတမှုတစ်လျှောက်မျှ ရုပ်ပုံများကို အချိန်မရွေး တည်းဖြတ်ခြင်းနှင့် ပြောင်းလဲနိုင်စေသည်။ 2.

**GPU သုံးပြုမှုအပေါ် မူတည်၍ မိနစ်ကျော်အချိန်နည်းနည်းအထိ မြင့်မားစေခြင်း** တိုက်ရိုက်လှုပ်ရှားမှု AI ဗီဒီယိုအတွက် ဗီဒီယိုတစ်ပုံကို မိနစ် 40 အတွင်း ထုတ်လုပ်နိုင်ရမည်။ ဒါပေမယ့် causal AI မော်ဒယ်များအတွက်တွက်ချက်မှုအလွန်အမင်းပြင်းထန်ပြီး၊ မော်ဒယ်များအတွက်အကြီးစား batch များလုပ်ရန် စက်ကန့်နှင့်လူကြိုက်များသည်။ Decart သည် Nvidia ၏ Hopper GPU kernel များကို သီးသန့် optimize လုပ်ခဲ့သည်။ များစွာသော kernel များကို အသုံးမပြုဘဲ၊ များစွာသောအလုပ်များကို တစ်နေရာတည်းမှာ လုပ်နိုင်အောင် “mega kernel” တစ်ခုဖန်တီးခဲ့သည်။ ဤနည်းလမ်းသည် GPU ၏အသုံးချမှုကို အလွန်တိုးတက်စေပြီး၊ လုပ်ငန်းစဉ်ကို များစွာမြန်ဆန်စေကာ အချိန်တစ် လုံးကောင်းလုပ်နိုင်အောင် ဖြစ်လာသည်။ တကယ့်တန်း ပြုစုစက်လုပ်ငန်းမျာက်မျာ့ကဲ့သို့ ဇီဝဝါဒပြိုင်ပွဲများတိုးတက်အောင် ပြုလုပ်ခဲ့သည်။ 3. **အလွယ်တကူ ပျင်းရိမှုများကို ဖယ်ရှားပြီး Shortcut Distillation ဖြင့် စွမ်းဆောင်ရည်မြှင့်တင်ခြင်း** နယ်ရေးနေရာများတွင် neural network များသည် အများအပြား parameter များပါဝင်ပြီး၊ လိုအပ်သောရလဒ်များမထွက်နိုင်သော parameter များပါဝင်သည်။ Decart သည် architecture-aware pruning ကိုအသုံးပြု၍ မလိုအပ်သော parameters များကို ကောက်ထားပြီး၊ လည်ပတ်မှုကို လျော့ချပေးသည်။ ထို့အပြင် "shortcut distillation" ကို မြှင့်တင်ခဲ့ပြီး၊ ပိုလျှော့ပမာဏရှိသော၊ အလေးချိန်နည်းသော မော်ဒယ်များကိုမှတ်သားစေပြီး၊ ပိုမိုကြီးမားသည့် models များနှင့်ညီညွတ်အောင် သင်ကြားပေးသည်။ ဤနည်းလမ်းများကြောင့် ပုံစံများကို တည်ဆောက်ရာတွင် လုပ်ဆောင်မှုပိုင်းကို လျှော့ချပေး၍ အချိန်မှီအောင် ပြုလုပ်နိုင်သည်။ ဤအောင်မြင်မှုများအတူတကွ တစ်စိတ်တစ်ပိုင်းရှိသော လုပ်ဆောင်မှု များကို မနည်းပဲ တစ်စိတ်တစ်ပိုင်းလှုပ်ရှားနိုင်သည့် အစာနာမကျွန်မှလမ်းကြောင်းကို ဖွင့်လှစ်နိုင်ပြီဖြစ်ပြီး၊ အသုံးပြုသူများသည် prompt များဖြင့် ဗီဒီယိုအကြိမ်ကြီးများအားလုံးကို မျှဗျာနိုင်ကြလေသည်။ ဤစွမ်းအားအကြောင်းအရာသည် live streaming များအတွက် တော်တော်သင့်တော်သောအလားအလာများ လှုံ့ဆော်နေပြီး၊ Twitch များအပါအဝင် live ကိုယ်တိုင်ပြုလုပ်ရန် မျှော်လင့်သည့် လူကြိုက်များသည်လည်း တိုးတက်လာသည်။ မြန်မာနိုင်ငံအနေနဲ့ရော၊ ကြားနေတဲ့အခါမှာပါ၊ ဤနည်းပညာသည် လူကြည့်များအတွက် ပိုမိုဖန်တီးမှုများ ပြုလုပ်နိုင်စေမည်။