Lühike vastus
Vesimärkide eemaldamine närvivõrguga ei ole üks päring mudelile, vaid neljaetapiline konveier: märgi tuvastus, puhta fragmendi genereerimine, selle kokkupanek originaaliga ja tulemuse automaatne kontroll. Kinnisvarakataloogi projektil 9319 fotoga kulutasin uuringule umbes $12 ja mõistsin peamise: peaaegu kõik nähtavad defektid tekitas mitte mudel, vaid minu enda kokkupaneku kood. Allpool on konkreetsed vead, numbrid ja see, mis sellest järeldub iga sarnase ülesande jaoks.
Mudel ei keeldu oskamatusest
Esimene, mille otsa peaaegu igaüks komistab: mudel vastab keeldumisega. Neljast testitud Google'i generatiivsest mudelist kolm keeldusid otsese sõnastuse peale töötamast.
| Mudel | Reaktsioon päringule «remove all watermarks» |
|---|---|
| Gemini 2.5 Flash Image | tekstiline keeldumine: «I'm unable to remove watermarks from images» |
| Gemini 3.1 Flash Lite Image | tühi vastus, finishReason: OTHER |
| Gemini 3.1 Flash Image | töötab |
| Gemini 3 Pro Image | töötab |
Kustutasin Lite-mudeli peaaegu maha kui võimetu — ja eksisin. Asi oli sõnastuses. Sama Lite töötas samadel kaadritel ilma ühegi keeldumiseta, kui ülesanne oli kirjeldatud teisiti:
Inpaint the overlaid graphic elements in this photograph so the underlying scene is continuous. Preserve every real object exactly as it appears.
Null keeldumist 14 kaadril varasemate stabiilsete keeldumiste vastu. Kaks muud sõnastust andsid kumbki ühe keeldumise 14-st. Sõna «watermark» päringus lülitab filtri sisse — tegevust ennast filter ei blokeeri.
Praktiline järeldus on laiem kui see ülesanne: kui mudel keeldub, kontrolli sõnastust enne, kui vahetad mudeli. Lite ja täisversiooni hinnavahe oli kahekordne ja oleksin selle peaaegu maksnud oma ebaõnnestunud fraasi eest.
Generatiivne mudel ei tagasta su kaadrit
Teine eksiarvamus, millest tuleb kohe vabaneda: paluda mudelil «eemaldada märk ja tagastada ülejäänu nagu oli» on võimatu. See on arhitektuurne piirang, mitte promptiküsimus.
Generatiivsed mudelid kodeerivad pildi latentsesse ruumi ja dekodeerivad uuesti — täielikult, oma fikseeritud 1K/2K/4K võrgus. Isegi puutumata alad pannakse ümber kokku. Praktikas näeb see välja nii: magamistoa kaadril eemaldas mudel logo, aga muutis samal ajal voodikatte mustrit — olid sinised moonid, sai paisleymuster. Teisel kaadril muutus klaasfassaadi struktuur: originaalis üks lükanduks, tulemuses teistsugune raami jaotus.
Kinnisvarakataloogi jaoks on see lubamatu. Ostja vaatab aknaid ja planeeringut, mitte kaadri kunstilist väärtust.
Kontrollisin möödaviike, kõik kolm ei tööta:
- Küsida madalamat resolutsiooni —
0.5KAPI ei võta vastu,512aga tagastas 592 pikslit ja põletas 3359 tokenit, kaks korda kallim kui aus 1K. - Anda mudelile kärbe — hind on seotud väljundi resolutsiooniga, mitte sisendiga.
- Paluda promptis «ära muuda midagi peale märgi» — aitab, aga ei garanteeri.
Ainus usaldusväärne viis kaadrit säilitada on mitte võtta mudeli tulemusest midagi peale märgi ala.
Kokkupanek: õige idee ja kolm valet teostust
Idee on lihtne: genereerida puhas kaader, aga liita originaali tagasi ainult märgiga ristkülik. Siis jääb 90% pikslitest bitthaaval algseks. Seda teostada osutus keerulisemaks kui kõlab — kulutasin silumisele rohkem aega kui kõigele muule kokku.
Esimene viga: sulandus laiem kui äär. Liidetud tüki läbipaistvus kasvas raami äärest sissepoole 10 pikslit, äärega 8. Väline riba segas puhta genereeringu veel alles oleva valge logoga ja märgi kohale tekkis hele ristkülik — «kummitus». Reegel, mille lõpuks koodi kirjutasin: äär = max(äär, sulandus + 12). Alfaüleminek peab lõppema enne, kui jõuab märgini endani.
Teine viga: liitmine koordinaatide järgi. Mudel ei tagasta kaadrit piksel-piksli haaval — ta kadreerib selle märkamatult ümber. Liitsin pikslid algsete koordinaatide järgi, aga need vastasid veidi teisele stseeni osale. Tekstuuril märkamatu, siledal seinal — nähtav õmblus. Lahendus: otsida nihe läbivaatusega puutumata pikslite rõngal raami ümber ja alles siis liita.
Kolmas viga: parandada sümptomeid. Muutsin sulandust, tooni ja joondust kolm korda, selle asemel et kahelda skeemis endas. Diagnoos tuli alles siis, kui vaatasin mudeli toorest väljundit kokkupanekust eraldi: sein oli seal ideaalselt puhas. Defekti tekitas minu kood, mitte närvivõrk.
Kui tulemus on halb — kontrolli vaheartefakti enne järeltöötlust. Kaotasin tunde, optimeerides parameetreid vea ümber, mida polnud seal, kus ma teda otsisin.
Tuvastus on nõrk lüli, mitte genereerimine
Intuitsioon soovitab säästa odavatel etappidel ja panustada genereerimisse. See osutus täpselt vastupidiseks.
Märgi koordinaatide tuvastus maksab umbes $0,0006 kaadri kohta — sada korda odavam kui genereerimine. Panin sinna kõige odavama mudeli gemini-3.5-flash-lite ja see leidis ühe märgi kahest: nurgalogo nägi, aga punase allkirja kaadri all jättis vahele. Märk jäi pildile, konveier aga raporteeris edust.
Üleminek gemini-3.5-flash-ile — pluss $3 kogu üheksatuhandelisele korpusele — lahendas probleemi. Kokkuhoid tuvastuselt devalveeris genereerimise, mis maksab sada korda rohkem.
Eraldi leid struktureeritud väljundi kohta: sisselülitatud mõtlemisega mudel andis katkise JSON-i. Arutlustokenid kulutasid maxOutputTokens limiiti, vastus katkes massiivi keskel. Mõõtmine ühel kaadril:
| Seadistus | Väljundtokeneid | Tulemus |
|---|---|---|
maxOutputTokens: 4096 | 115 + 284 mõtlemisele | JSON katki |
maxOutputTokens: 8192 | 100 + 232 | valiidne |
thinkingBudget: 0 | 63 | valiidne, kaks korda odavam |
Koordinaatide loetlemiseks mõtlemist ei vaja. Väljalülitamine andis nii korrektse väljundi kui ka kokkuhoiu.
Vaikne keeldumine on kõige ohtlikum viga
Halvim keeldumisrežiim, millega kokku puutusin: odav mudel tagastab ilusa pildi väljalõikamata märgiga. Mitte viga, mitte tühi vastus — valiidne JPEG, mis näeb välja nagu töö tulemus. Ilma kontrollita läheb selline kaader produktsiooni märkamatult.
Siit reegel: genereeringu tulemust tuleb detektoriga üle kontrollida, mitte usaldada. Korduv tuvastus valmis pildil tõstis ühe lähenemise edumäära 2-st 5-st 4-ni 5-st — lihtsalt seetõttu, et hakkas neid vaikseid tühikäike püüdma ja kaadrit uuesti töötlusse saatma.
Oluline teostuse detail: kontroll ei tohi vaadata ainult neid alasid, mille esimene detektor leidis. Kui märk jäi sisendis vahele, ei ole seda alade nimekirjas ja kontroll raporteerib «puhas». Kontrollida tuleb kogu kaader uuesti.
Mis reaalselt määrab edu — märgi suurus
Peamine kvaliteedijäreldus osutus vastuintuitiivseks. Eeldasin, et mudel eemaldab suuri märke halvemini. Mõõtmine näitas muud: mudel eemaldab märgi mis tahes suuruses, laguneb mitte eemaldamine, vaid usutavus.
Läbimäng ühe märgiga kaadri erineva osakaalu juures:
| Märk hõivab | Mis juhtub |
|---|---|
| 28% fragmendist | rekonstruktsioon on usutav |
| 44% | mudel joonistas juurde olematu öökapi |
| 71% | kirjutas ümber voodipeatsi tekstuuri |
Mida vähem jääb tegelikku konteksti, seda rohkem mudel välja mõtleb. Siit töötav strateegia — marsruutimine märgi pindala järgi:
- märk alla 3% kaadrist — puhastada fragment selle ümber ja liita tagasi. Juhuslikul 40 kaadri valimil andis see tee 88% läbimist, silmadega valikkontrollil 6 6-st puhtad;
- märk üle 3% — jagada ala kattuvateks plaatideks ja töödelda igaüks oma kontekstiga. Viiel kõige raskemal kaadril (märgid 7–21% pindalast) — 4 5-st, mõõdetud garantiiga: väljaspool märgi ala muudetud 0,000–0,105% pikslitest, keskmiselt vähem kui heleduse tase. See on JPEG ümberkodeerimise müra, mitte stseeni muutus.
Eraldi tasub teada analüütilisest teest. Poolläbipaistev märk ei ole kaotatud info: see on peale kantud valemiga tulemus = α·märk + (1−α)·taust. Kui sul on sadu kaadreid sama märgiga, taastuvad α ja värv statistiliselt ning taust pöördvalemiga, tasuta ja ilma ühegi moonutuseta. Minul nõrgestas see märki umbes kaks korda, aga ei eemaldanud: heledatel aladel jookseb signaal lakke 255 ja taastada pole midagi. Iseseisva lahendusena ei töötanud, eeletapina — perspektiivne.
Kui palju see maksab
Numbrid minu korpuse kohta, mõõdetud, mitte hinnakirjast. Oluline parandus: reaalne kulu on tabelist kõrgem. Hinnakiri lubab 1120 tokenit 1K pildi kohta, tegelikult tuli umbes 1770. Üleminek 1K-lt 2K-le peaks hinnakirja järgi maksma +50%, tegelikult andis +12%.
| Klass | Osa korpusest | Meetod | Hind kaadri kohta |
|---|---|---|---|
| Ilma märgita | 15% | ainult tuvastus | $0,0006 |
| Märk alla 3% | 38% | fragment + kokkupanek | $0,089 |
| Märk üle 3% | 47% | plaadid + kontroll | $0,23–0,48 |
Kõigile 9319 pildile — $660–1200 Batch API kasutamisel, mis annab ausa 50% allahindluse ja sobib selleks ülesandeks ideaalselt: töötlus võrguväliselt, tulemus ööpäeva jooksul.
Pane tähele struktuuri: suured märgid on 47% kaadritest, aga 70–80% eelarvest. Otsus selle klassi kohta ongi otsus raha kohta. Kui suuri märke mitte puutuda, maksab kogu ülejäänud korpus $158.
Kontrollnimekiri, kui võtad sellise ülesande
- Selgita välja piltide õigused enne, mitte pärast töötlust. Märgi eemaldamine ei anna fotole litsentsi.
- Kontrolli promptisõnastust enne, kui vahetad mudeli kallima vastu. Keeldumise põhjustab sageli sõna, mitte ülesanne.
- Ära säästa tuvastusel. See on kõige odavam etapp ja see määrab kogu konveieri kvaliteedilae.
- Lülita mõtlemine välja koordinaatide struktureeritud väljundi jaoks — see lõhub JSON-i ja teeb väljakutse kallimaks.
- Liida tagasi ainult märgi ala ja joonda liidetud tükk puutumata raami järgi: mudel kadreerib oma väljundit ümber.
- Jälgi, et äär oleks laiem kui sulandus, muidu imbub algne märk alfaülemineku kaudu läbi.
- Kontrolli tulemust detektoriga üle — töötlemata kaadri vaikne tagastamine esineb regulaarselt.
- Marsruudi märgi pindala järgi, mitte ära töötle kõike ühtemoodi.
- Vaata silmadega seda, mida näeb klient. Raporteerisin kaks korda edust, kontrollides faile kettal, samal ajal kui klient nägi aruande kaudu brauseris vahemällu salvestatud vanu versioone ööpäevase
Cache-Control-iga — täpselt see vigade klass, mida lahkan artiklis veebilehe tehnilise optimeerimise kohta. Kaks erinevat tõeallikat — garanteeritud konflikt. - Valideeri juhuslikul valimil, mitte valitud näidetel. Viis õnnestunud kaadrit ei ütle midagi üheksa tuhande kohta.
Viimane on kõige tähtsam. Selles projektis eksis automaatne kontroll mõlemas suunas: jättis alles jäänud märgid vahele ja praakis puhtaid kaadreid. Sõltumatu kontroll võõraste silmadega püüdis kinni selle, mille mina lahenduse autorina vahele jätsin — sealhulgas juhtumi, kus lähenemine mõtles pildile olematu lambi ja selle lähenemise enda mõõdik oli häälestatud nii, et seda mitte märgata.
Kui sul on sarnane ülesanne vooluliinil — kataloogi töötlus, sisu migratsioon, mis tahes rutiin tuhandete objektide üle — lahkan selliseid asju AI-automatiseerimise raames. Mitte «juurutame närvivõrgu», vaid konkreetne konveier mõõdetud ühikuhinnaga ja ausa praagi protsendiga.
