Alice AI ART 2.0: зачем Яндекс объединяет генерацию и редактирование изображений
Яндекс показал технический путь Alice AI ART 2.0: единый стек для генерации и редактирования изображений, перенос знаний и новые метрики качества.
Факты проверены 14 июля 2026 года. Alice AI ART 2.0 - модель Яндекса для генерации и редактирования изображений, где сценарии text-to-image и image-to-image постепенно сводятся в один стек. В свежем техническом разборе команда Яндекса описала, как пришла к unified-модели: общий претрейн, единая архитектура, общие метрики и перенос знаний между генерацией с нуля и редактированием по инструкции.
Повод заметнее обычного релизного поста: Яндекс публично показывает инженерный переход от двух отдельных пайплайнов к одному фундаменту. Для пользователя это должно означать более предсказуемое качество в Шедевруме как потребительском сценарии и в Алисе AI, а для команды разработки - меньше дублирования данных, обучения и оценки.
Сразу оговорка: опубликованные сравнения надо читать как внутреннюю оценку Яндекса по его методике, а не как независимый открытый бенчмарк всего рынка. В этом материале разбираем, что именно изменилось в Alice AI ART 2.0, где у unified-подхода сильная сторона и почему его нельзя сводить к гонке с Midjourney или Stable Diffusion.
Что значит unified-модель для картинок
В классическом T2I-сценарии модель получает текстовый запрос и строит изображение с нуля. В I2I-сценарии у неё уже есть входная картинка, а пользователь просит что-то изменить: заменить фон, добавить предмет, стилизовать изображение, убрать текст или поправить детали. В Alice AI ART 1.0 эти направления жили раздельно: у генерации и редактирования были свои модели, данные, метрики и этапы обучения.
В Alice AI ART 2.0 Яндекс делает первый шаг к объединению. На уровне идеи всё просто: модель во время обучения видит и пары «текст - картинка», и тройки «картинка + инструкция - новая картинка». Если T2I учит модель богаче понимать текст и визуальные концепты, то I2I заставляет её точнее читать исходное изображение и сохранять важные детали.
| Сценарий | Что получает модель | Главная трудность |
|---|---|---|
| T2I | Текстовый запрос | Понять описание, композицию, стиль и текст на изображении |
| I2I | Исходную картинку и инструкцию | Изменить нужное, не разрушив остальное |
| Unified | Оба типа задач в одном обучении | Не потерять качество отдельных режимов при объединении |
Такой подход хорошо рифмуется с более широкой тенденцией в генеративных медиа: меньше отдельных «узких» моделей, больше единых моделей, которые понимают, генерируют и редактируют один тип контента. Похожую ставку на единую модель для медиа мы разбирали в материале про ByteDance Lance.
Как Яндекс меряет качество
В статье Яндекса важна не только архитектура, но и методика оценки. Команда пишет, что для T2I и I2I собирает основные корзины из реальных пользовательских запросов в Алисе AI, Шедевруме и других продуктах. Эти наборы делятся на validation, test и deploy, а размер базовой корзины отличается: 500 примеров для T2I и 1000 для I2I. Редактирование требует больше сценариев, потому что нужно проверять не только выполнение инструкции, но и сохранение исходных деталей.
Для генерации по тексту ключевые сигналы - общее предпочтение результата, следование запросу и качество отрисовки текста. Для редактирования добавляются релевантность, дефекты и сохранение нетронутых областей. Итоговый результат I2I Яндекс считает по слабому месту: если релевантность высокая, но сохранение плохое, модель не получает хороший итоговый балл.
Здесь есть здоровая инженерная осторожность. Команда отдельно пишет о доверительных интервалах и о том, что на небольших корзинах разница в пару процентов может быть шумом. Это полезная деталь: без неё рейтинги генераторов быстро превращаются в таблицу с красивыми числами, за которыми не видно устойчивости результата.
Что изменилось в архитектуре
Для unified-экспериментов Яндекс отказался от прежнего свёрточного генератора в пользу архитектуры, близкой к MMDiT-трансформеру с single-stream-подходом. Смысл single-stream в том, что текстовые и визуальные токены проходят через общий поток внимания. Для T2I входной картинки нет, для I2I она становится частью общей последовательности вместе с инструкцией.
В опубликованном разборе названы два ключевых решения: joint attention и U-RoPE. Первое объединяет текстовые и визуальные токены в общем attention, второе помогает позиционному кодированию работать с разными разрешениями и с конкатенацией «картинка + текст». Пайплайн обучения разделён на три этапа: претрейн, supervised fine-tuning и дистилляция для ускорения инференса.
Самый практичный аргумент в пользу unified-подхода - перенос знаний из T2I в I2I. Яндекс проверял это на русскоспецифичных концептах вроде самовара, хохломы, избы, Красной площади и собора Василия Блаженного. Если такие концепты уже встречались в данных для генерации по тексту, модель могла лучше применять их в режиме редактирования, не собирая отдельный узкий датасет только под I2I.
Почему русский текст стал отдельной метрикой
Для российских продуктов качество текста на картинке не второстепенная деталь. Открытые датасеты чаще богаче английскими примерами, а пользователь просит афишу, открытку, баннер или картинку с русской надписью. Поэтому Яндекс отдельно готовил данные для lettering: датасеты с русским и английским текстом, синтетику с надписями и текстовый инпейнтинг.
Ещё один слой - промптилка, то есть модель, которая переписывает запрос пользователя в более удобную для генератора форму. По данным Яндекса, такая переработка запроса дала до 9% роста доли хороших редактирований, в основном за счёт роста релевантности до 12%. Это важный пример: иногда качество продукта растёт не от большего генератора, а от лучшей постановки задачи перед ним.
Что показывают сравнения с другими моделями
Яндекс свёл попарные сравнения моделей в рейтинг Bradley-Terry. По T2I в опубликованной таблице впереди Gemini 3.1 Flash с рейтингом 1171, Alice AI ART 2.0 получает 1051, а предыдущий релиз Alice AI ART - 979. Внутри этой методики новая модель заметно выше старой.
В I2I картина плотнее. В таблице Яндекса Nano Banana 2 получает 1077, HunyuanImage-3 Instruct - 1020, Qwen3-Max - 1011, Alice AI ART 2.0 - 1009, Kandinsky 6.0 Image Pro - 1002. По словам авторов, модели со второй по пятую строчки находятся в пределах доверительных интервалов друг друга. Поэтому корректный вывод не «Alice всех победила», а «Alice AI ART 2.0 попала в плотную верхнюю группу по редактированию».
У модели есть и понятная зона роста. По I2I Яндекс отдельно выделяет сохранение нетронутых областей: релевантность инструкции выглядит сильной, но preservation пока средний. Для редактора, который смотрит на картинку глазами пользователя, это важнее абсолютного места в таблице. Плохо сохранённое лицо, фон или объект могут испортить результат даже при формально выполненной инструкции.
Что это даёт продуктам Яндекса
Alice AI ART работает в Алисе AI, Шедевруме, приложении Яндекс и Яндекс Браузере. На практике unified-подход нужен не для красивого термина, а для более ровного качества между сценариями: пользователь может сначала сгенерировать изображение, потом попросить поправить фон, добавить текст, изменить персонажа или стилизовать кадр.
Если общий фундамент действительно переносит знания между T2I и I2I, продукту проще развивать новые сценарии. Улучшение русских надписей в генерации может помогать редактированию, а опыт сохранения деталей в I2I - делать генерацию более аккуратной. Для Яндекса это ещё и способ уменьшить стоимость поддержки двух отдельных ML-стеков. Другой пример ухода Яндекса от каскадных ML-стеков мы разбирали в статье про Yandex ARGUS рекомендации.
В Habr-разборе есть продуктовые сигналы: скачивания результатов на срезах работы с текстом выросли на 37%, а количество запросов на генерацию изображений с заданным персонажем - на 23%. Эти числа показывают не рыночное лидерство, а набор сценариев, которые команда считает важными для реальных пользователей.
Где не стоит перегибать
Alice AI ART 2.0 пока не стоит подавать как замену всем генераторам изображений. Яндекс показал сильный технический прогресс в своём продукте и по своей методике оценки. Для открытого сравнения с глобальными моделями не хватает независимого набора тестов, воспроизводимого протокола и публичных примеров в одинаковых условиях.
Второй риск - смешать эту тему с пользовательским гайдом по Шедевруму. Да, модель работает в Шедевруме, но статья Яндекса говорит прежде всего о ML-архитектуре, метриках и данных. Для поиска это тоже разные намерения: один читатель хочет понять, как пользоваться сервисом, другой - что означает unified-подход в генеративных моделях.
По состоянию на 14 июля 2026 года самый аккуратный вывод такой: Alice AI ART 2.0 показывает, как Яндекс переводит генерацию и редактирование изображений на общий фундамент. Ставка выглядит разумной: она снижает дублирование, даёт перенос знаний между задачами и лучше подходит для продуктового цикла, где пользователь не различает T2I и I2I, а просто хочет получить хорошую картинку и быстро её поправить.
FAQ
Что такое Alice AI ART 2.0?
Alice AI ART 2.0 - модель Яндекса для генерации и редактирования изображений. В техническом разборе Яндекс описывает её как шаг к unified-подходу, где text-to-image и image-to-image обучаются и оцениваются в более общем стеке.
Где работает Alice AI ART?
По официальной странице Яндекса, Alice AI ART доступна в приложении Алиса AI, Шедевруме, на alice.yandex.ru, а также в чате с Алисой AI в приложении Яндекс и Яндекс Браузере.
Alice AI ART 2.0 лучше Midjourney или Stable Diffusion?
Такой вывод из опубликованных данных делать нельзя. Яндекс привёл внутренние сравнения по своей методике и с выбранными моделями. Этого достаточно для оценки прогресса внутри продукта, но не для универсального рейтинга всех генераторов изображений.
Источники
- Habr / Яндекс: Alice AI ART 2.0: путь к unified-модели, опубликовано 14 июля 2026 года.
- Яндекс: Alice AI - новые генеративные модели Яндекса, раздел Alice AI ART.
- Yandex Medium: Tech Report on Alice AI, 23 марта 2026 года.
- Коммерсантъ: Яндекс представил обновлённую ИИ-модель для генерации изображений с русскоязычным текстом, 19 мая 2026 года.
