Mikä on gpt-image-1? OpenAI:n kuvamalli selitetty

Perinteinen diffuusioputki koodaa promptin vektoriksi ja ehdollistaa kuvanluonnin sillä. Se toimii, mutta hajoaa tietyllä tavalla: pitkät prompit sumentuvat, kieltoja ei helposti huomioida ja objektien väliset suhteet — takana, pitelee, jonkin sijaan — toteutuvat heikosti.

Kun generaattori on kytketty malliin, joka on aidosti lukenut lauseen, nämä tapaukset paranevat. Pyydä kohtausta, jossa on kolme tarkkaa elementtiä ja yksi on tarkoituksella poissa, ja saat sen todennäköisemmin, koska jokin putkessa ymmärsi sanan "ilman".

Käytännön ero näkyy eniten monimutkaisissa pyynnöissä. Yksinkertaisilla prompteilla tulos näyttää samalta lähes kaikissa tämän hakemiston malleissa; ero aukeaa niissä, joissa on ehtoja.

Tämä mallisarja on kärkipäätä luettavan tekstin piirtämisessä kuvaan, mistä syystä infograafit, mainosluonnokset, kuvatekstein varustetut meemit ja kaaviotyyppiset kuvat levisivät yleiseen käyttöön eivätkä vain spesialisteille.

On hyvä sanoittaa raja. Lyhyet merkkijonot ovat luotettavia, pidemmät pätkät heikkenevät, eikä mikään kuvamalli korvaa oikeaa tekstin asettelua oikeassa työkalussa — generoitu tekstiä ei voi muokata, oikolukea, kääntää tai tyylittää uudelleen ilman koko kuvan uudelleengenerointia.

Järkevä tekniikka on sama kuin FLUX:n kanssa: generoi kuva, lisää sanat oikein. Generoitu otsikko on otsikon mockup.

Saatavilla API:n kautta ja ChatGPT:ssä. Painot ovat suljetut, paikallista vaihtoehtoa ei ole, ja generointi on käyttöön sidotusti laskutettua.

Sisältöpolitiikkaa valvotaan generoinnissa, mikä on tiukempaa kuin useimmissa avoimissa putkissa ja toisinaan hylkää harmittomiakin pyyntöjä. Se on joillekin aidosti kitkaa ja toisissa tapauksissa aitoa suojaa; kumpaa se on, riippuu täysin siitä, mitä olit tekemässä.

Tuotteita tämän päälle rakentaville yhdistelmä — käytön mukaan laskutettu, sisältöpolitiikan suodattama, suljettu ja palveluntarjoajan aikataulun mukaan muuttuva — on se rajoitesetti, jonka varaan pitää suunnitella. Samat rajat pätevät kaikkiin suljettuihin hostattuihin malleihin.

Nano Bananaan nähden tämä on lähin pari: molemmat suljettuja, molemmat kytketty suuriin avustajiin ja molempia ohjataan keskustellen. Raportoidut erot ovat muokkausten johdonmukaisuudessa ja ulostulon luonteessa, eivät lajissa.

Midjourneyyn verrattuna tämä on kirjaimellisempi, oletusesiintymä on esteettisesti heikompi ja yksityiskohtaisia ohjeita noudatetaan paremmin. FLUX:iin ja Stable Diffusioniin nähden jako on hallinnassa ja omistuksessa — ne voi ajaa itse, tätä ei.

Ihmiset hakevat yhä DALL·E:ä, ja suuri osa netin kirjoituksista OpenAI:n kuvageneroinnista viittaa siihen linjaan. Kyse on samasta sukulinjasta, ei erillisestä tuotteesta, ja suurin osa siihen kirjoitetuista promptausvinkeistä pätee yhä.

Pidämme erillisen LaFoto vs. DALL·E -rinnakkaisvertailun, joka menee pidemmälle siinä, missä kumpikin on parempi valinta, kuin mitä hakemistomerkintä järkevästi voi.