Hvad er gpt-image-1? OpenAIs billedmodel forklaret

En klassisk diffusion-pipeline koder din prompt til en vektor og betinger billedgenereringen på den. Det virker, og det forringes på en bestemt måde: lange prompter bliver uklare, negationer bliver ofte ignoreret, og relationer mellem objekter — bagved, holder, i stedet for — håndhæves svagt.

Når generatoren er koblet til en model, der reelt har læst sætningen, bliver de tilfælde bedre. Beder du om en scene med tre specifikke elementer, hvor ét bevidst mangler, får du det langt oftere, fordi noget i pipelinen forstod ordet "uden".

Den praktiske forskel ses tydeligst på komplicerede anmodninger. Enkle prompter ligner hinanden på tværs af alle modeller i dette katalog; forskellen åbner sig på dem med betingelser i.

Denne modellinje er blandt de bedre til at sætte læsbare ord ind i et billede, hvilket er grunden til, at en bølge af genererede infografikker, mock-annoncer, memes med billedtekster og diagramagtige billeder dukkede op i almindelig brug snarere end kun blandt specialister.

Det er værd at være klar på loftet. Korte strenge er pålidelige, længere passager forringes, og ingen billedmodel kan erstatte at sætte rigtig typografi i et rigtigt værktøj — genereret tekst kan ikke redigeres, stavekontrolleres, oversættes eller restyles bagefter uden at regenerere hele billedet.

Den sunde metode er den samme som gælder for FLUX: generér billedet, tilføj ordene rigtigt. En genereret overskrift er en mock-up af en overskrift.

Den er tilgængelig via en API og inde i ChatGPT. Vægtene er lukkede, der er ingen lokal mulighed, og generering er forbrugsafregnet.

Indholdsregler håndhæves ved generering, hvilket er strammere end de fleste åbne pipelines og afviser lejlighedsvis harmløse ønsker. Det er en reel friktion for noget legitimt arbejde og en reel beskyttelse i andre tilfælde; hvad det er, afhænger helt af, hvad du prøvede at lave.

For alle, der bygger et produkt ovenpå, er den kombination — forbrugsafregnet, politikfiltreret, lukket og underlagt ændringer på udbyderens tidsplan — de begrænsninger, du skal planlægge efter. Det er de samme begrænsninger, som enhver lukket hosted model pålægger.

Over for Nano Banana er det det tætteste makkerpar her: begge lukkede, begge koblet til en stor assistent, begge drevet af samtale. Forskellene, folk rapporterer, ligger i redigeringskonsistens og den præcise karakter i outputtet snarere end i arten.

Over for Midjourney er den mere bogstavelig, med en svagere standardæstetik og bedre håndtering af specifikke instruktioner. Over for FLUX og Stable Diffusion er skellet kontrol og ejerskab — de kan self-hostes, og det kan denne ikke.

Folk søger stadig efter DALL·E, og meget af det, der skrives online om OpenAIs billedgenerering, henviser til den serie. Det er samme slægtslinje snarere end et ubeslægtet produkt, og de praktiske råd om prompting gælder i høj grad stadig.

Vi holder en separat sammenligning side om side af LaFoto mod DALL·E, som går længere ned i, hvor hver er det bedre valg, end en katalogpost med rimelighed kan.