Бенчмарк ИИ-палитр и архитектура локального пайплайна
Как мы спроектировали нейросетевой генератор цвета, который работает локально в браузере, поддерживает русский и английский языки и избегает типичных проблем прямого регрессионного моделирования.
1. Проблема прямой нейросетевой регрессии
В ранних прототипах мы обучали MLP-голову напрямую предсказывать координаты OKLCH по текстовым эмбеддингам. Это приводило к регрессии к среднему:
Поскольку функция потерь минимизирует среднюю ошибку по датасету, на крайних цветах вроде «чёрный» модель смещалась к средним значениям светлоты и хромы (генерируя тёмно-коричневый вместо нейтрального чёрного).
2. Архитектура семантических якорей
Мы разделили семантическую интерпретацию и колористическую математику:
- Многоязычный эмбеддинг: Локальная модель преобразует текст в вектор.
- Семантические якоря: Вектор сопоставляется с выверенными якорями настроений и материалов.
- Прямые цвета: Точные названия цветов гарантированно получают корректные границы.
- Гармония OKLCH: Базовый цвет разворачивается в полноценную 4-цветную палитру с адаптацией к sRGB.
3. Результаты бенчмарка качества
Прямые цвета
PASS · 100%Названия цветов на русском и английском («чёрный», «red», «циан», «золотой»). Тестируется нейтральность и границы тонов.
Семантические концепты
PASS · 95%+Сложные описания атмосферы («зимний лес», «ржавый завод на закате», «глубоководный ужас»). Тестируется маппинг настроения в цвет.
Синонимы и многоязычная эквивалентность
PASS · 95%+Равенство результатов между языками («лава» / «lava», «снег» / «snow»). Тестируется выравнивание векторных пространств.
Out-of-Distribution (OOD) запросы
PASS · 90%+Необычные метафоры и абстрактные концепции («отравленный лунный свет», «цифровой распад»). Тестируется устойчивость обобщения.