プリンストン大が画像生成モデル「i1」公開：3B構成でコードと学習レシピを全開示

プリンストン大学の研究チームが、30億パラメータのテキスト画像生成拡散モデル「i1」を公開した。モデルサイズは約12GBで、一般的なコンシューマー向けデバイスでも十分に動作する。写実的な写真表現から多様なアートスタイル、アニメ風のイラストに対応し、文字を含む画像のレイアウトやレンダリングにも強みを持つ。

何ができるのか、その実力は

まず前提として、i1は現行のトップモデルを打ち破るために作られたモデルではない。研究チーム自身も率直に認めている通り、Z ImageやQwen Imageには及ばず、IdeogramやERNIE Imageといった最新モデルに対しても後れを取る。日常的なイラスト生成ツールを求めている一般ユーザーなら、あえてこれを選ぶ理由は薄い。

だが、「完全オープン」という枠組みで見ると話は別だ。

論文ではGenEval、DPG、PRISM、CVTG-2K、LongTextという5つの代表的ベンチマークで性能を測定している。その結果、i1は有力モデルと競合できる水準を維持しつつ、既存の最高性能の完全オープンモデルに対して平均で29.5ポイントのスコア向上を記録した。

全てを開示した完全な学習レシピ

現在のオープンAIコミュニティでは、モデルの重みファイルだけが配られ、学習データの選別基準や詳細なレシピはブラックボックスのままというケースが珍しくない。これでは外部の研究者がゼロから追試することも、技術の進歩要因を特定することも難しい。

プリンストン大のアプローチは、その対極にある。

チームはモデルの重みと推論コードだけでなく、学習コードやエンドツーエンドのデータ処理パイプラインまで完全に公開した。しかも、学習には公開データセットのみを使用している。

最適な構成を見極めるため、チームは70万時間以上のTPU v6eリソースを投じ、300回以上の厳密な対照実験を実施した。そこから得られた実践的な知見は極めて具体的だ。例えば、選別された複数のデータセットを混合する際は均等配分が極めて堅牢なデフォルト設定になることや、テキストエンコーダのアダプタを拡大すればわずかなパラメータ追加で性能が大きく伸びることなどが明かされている。

試してみたい開発者は、論文からリンクされているコードリポジトリを通じて、チェックポイントやデータパイプライン、実行手順を直接確認できる。

なぜ重要か

画像を生成して楽しみたいだけのクリエイターにとって、i1を自前で導入するメリットはあまりない。すでにクラウドで使える商用サービスや大規模モデルの方が品質は高いからだ。

しかし、画像生成モデルをゼロから内製したい開発チームや大学の研究室にとって、i1は極めて価値の高い教科書になる。データの収集・加工からモデルの学習に至るプロセスが完全に透明化されたことで、大手企業の門外不出だったノウハウを誰でも検証できるようになった。

私たちは、i1が「真のオープンモデル」の基準を引き直したと考えている。公開データと丁寧な実験設計の積み重ねだけで十分実用的なモデルが作れると示した意義は大きく、今後の再現可能な学術研究の強固な土台となるはずだ。