Τι είναι το gpt-image-1; Επεξήγηση του μοντέλου εικόνας της OpenAI

Μια κλασική ροή διάχυσης κωδικοποιεί το prompt σας σε διάνυσμα και εξαρτά από αυτό τη δημιουργία της εικόνας. Αυτό δουλεύει, αλλά υποβαθμίζεται με συγκεκριμένο τρόπο: τα μεγάλα prompts θολώνουν, οι αρνήσεις συχνά αγνοούνται και οι σχέσεις μεταξύ αντικειμένων — πίσω από, που κρατάει, αντί για — επιβάλλονται χαλαρά.

Όταν ο δημιουργός συνδέεται με μοντέλο που έχει πράγματι διαβάσει την πρόταση, αυτά βελτιώνονται. Ζητήστε σκηνή με τρία συγκεκριμένα στοιχεία όπου ένα λείπει σκόπιμα και είναι πολύ πιθανότερο να τη λάβετε, επειδή κάτι στη ροή κατανόησε τη λέξη «χωρίς».

Η πρακτική διαφορά φαίνεται κυρίως σε σύνθετα αιτήματα. Τα απλά prompts μοιάζουν σε όλα σχεδόν τα μοντέλα αυτού του καταλόγου· το χάσμα ανοίγει σε όσα έχουν όρους.

Αυτή η σειρά μοντέλων είναι από τις καλύτερες στο να βάζει ευανάγνωστες λέξεις μέσα σε εικόνα, γι’ αυτό και εμφανίστηκε κύμα από παραγόμενα infografικά, δοκιμαστικές διαφημίσεις, μιμίδια με λεζάντες και εικόνες τύπου διαγράμματος στη γενική χρήση, όχι μόνο μεταξύ ειδικών.

Αξίζει να είμαστε σαφείς για το ταβάνι. Τα σύντομα κείμενα είναι αξιόπιστα, τα μεγαλύτερα αποδομούνται, και κανένα μοντέλο εικόνας δεν αντικαθιστά τη σωστή στοιχειοθεσία σε πραγματικό εργαλείο — το παραγόμενο κείμενο δεν μπορεί να επεξεργαστεί, να περάσει από ορθογραφικό έλεγχο, να μεταφραστεί ή να επαναστοιχειοθετηθεί εκ των υστέρων χωρίς αναδημιουργία ολόκληρης της εικόνας.

Η ορθή τεχνική είναι η ίδια που ισχύει και για το FLUX: παράγετε την εικόνα, προσθέστε τις λέξεις σωστά. Ένας παραγόμενος τίτλος είναι μακέτα τίτλου.

Διατίθεται μέσω διεπαφής προγραμματισμού εφαρμογών και μέσα στο ChatGPT. Τα βάρη είναι κλειστά, δεν υπάρχει τοπική επιλογή και η δημιουργία χρεώνεται ανά χρήση.

Η πολιτική περιεχομένου επιβάλλεται κατά τη δημιουργία, αυστηρότερα από τις περισσότερες ανοικτές ροές, και περιστασιακά απορρίπτει αθώα αιτήματα. Αυτό είναι πραγματική τριβή για νόμιμες εργασίες και πραγματική προστασία σε άλλες· ποιο από τα δύο είναι εξαρτάται απολύτως από το τι προσπαθούσατε να φτιάξετε.

Για όποιον χτίζει προϊόν πάνω του, αυτός ο συνδυασμός — χρέωση ανά χρήση, φίλτρο πολιτικής, κλειστό, και υπόκειται σε αλλαγές στο χρονοδιάγραμμα του παρόχου — είναι το σύνολο περιορισμών γύρω από το οποίο πρέπει να σχεδιάσετε. Είναι οι ίδιοι περιορισμοί που επιβάλλει κάθε κλειστό, φιλοξενούμενο μοντέλο.

Σε σχέση με το Nano Banana είναι το πιο κοντινό ταίριασμα εδώ: και τα δύο κλειστά, και τα δύο συνδεδεμένα με μεγάλο βοηθό, και τα δύο λειτουργούν συνομιλιακά. Οι διαφορές που αναφέρουν οι χρήστες βρίσκονται στη συνέπεια επεξεργασίας και στον ακριβή χαρακτήρα του αποτελέσματος, όχι στο είδος.

Σε σχέση με το Midjourney είναι το πιο κυριολεκτικό από τα δύο, με ασθενέστερη προεπιλεγμένη αισθητική και καλύτερο χειρισμό συγκεκριμένων οδηγιών. Σε σχέση με FLUX και Stable Diffusion το χάσμα αφορά τον έλεγχο και την κυριότητα — αυτά μπορούν να αυτο-φιλοξενηθούν ενώ αυτό όχι.

Ο κόσμος ακόμη αναζητά το DALL·E, και μεγάλο μέρος της γραμματείας για τη δημιουργία εικόνων της OpenAI στο διαδίκτυο αναφέρεται σε αυτή τη σειρά. Είναι η ίδια γενεαλογία και όχι άσχετο προϊόν, και οι πρακτικές συμβουλές για το prompting σε μεγάλο βαθμό εξακολουθούν να ισχύουν.

Διατηρούμε ξεχωριστή σύγκριση δίπλα-δίπλα του LaFoto με το DALL·E, που εμβαθύνει στο πού το καθένα είναι καλύτερη επιλογή περισσότερο απ’ όσο γίνεται εύλογα σε μια καταχώριση καταλόγου.