Kas yra gpt-image-1? OpenAI vaizdų modelio paaiškinimas

Klasikinėje diffusion grandinėje Jūsų prompt užkoduojamas į vektorių ir pagal jį sąlygojama generacija. Tai veikia, bet griūva specifiniu būdu: ilgi prompt liejasi, neiginiai dažnai nepaisomi, o objektų tarpusavio ryšiai — už, laiko, vietoj — silpnai laikomi.

Kai generatorius prijungtas prie modelio, kuris iš tiesų perskaitė sakinį, šios situacijos pagerėja. Paprašykite scenos su trimis konkrečiais elementais, kur vieno sąmoningai nėra, ir daug labiau tikėtina, kad tą gausite, nes kažkas grandinėje suprato žodį „be“.

Praktinis skirtumas ryškiausias sudėtingose užklausose. Paprasti prompt kelia panašius rezultatus beveik visuose šiame kataloge esančiuose modeliuose; skirtumai atsiveria ten, kur yra sąlygos.

Ši modelių linija — viena geresnių, kai reikia dėti į vaizdą įskaitomus žodžius, todėl į kasdienę praktiką (ne tik pas specialistus) atėjo banga generuotų infografikų, maketinių skelbimų, memų su antraštėmis ir scheminių iliustracijų.

Verta aiškiai žinoti ribas. Trumpos eilutės patikimos, ilgesni tekstai degraduoja, o jokio vaizdų modelio negalima laikyti realaus maketavimo įrankio pakaitalu — sugeneruoto teksto po to neišredaguosite, nepatikrinsite rašybos, neišversite ir neperstiliuosite kitaip, nei regeneruodami visą vaizdą.

Teisinga technika tokia pati, kaip taikoma su FLUX: sugeneruokite paveikslą, o žodžius uždėkite tvarkingai. Sugeneruota antraštė — tik antraštės maketas.

Jis pasiekiamas per API ir pačiame ChatGPT. Svoriniai parametrai uždari, lokalaus varianto nėra, generacija skaičiuojama pagal sunaudojimą.

Turinio politika taikoma generavimo metu; ji griežtesnė nei daugumoje atvirų grandinių ir kartais atmeta nekaltas užklausas. Kai kuriems teisėtiems darbams tai — tikras trukdis, o kitais atvejais — tikra apsauga; kas tai bus Jums, visiškai priklauso nuo to, ką bandėte sukurti.

Kuriantiems produktą ant šio pagrindo šis derinys — skaičiuojama, politika filtruojama, uždara ir tiekėjo grafiko keičiama prieiga — yra tie apribojimai, kuriuos reikia įsivertinti. Tai tie patys apribojimai, kuriuos taiko kiekvienas uždaras, talpinamas modelis.

Su Nano Banana tai artimiausia pora: abu uždari, abu prijungti prie didelio asistento, abu veikia pokalbio režimu. Skirtumai, apie kuriuos dažniausiai pranešama, — redagavimo nuoseklumas ir išvesties charakteris, o ne rūšis.

Lyginant su Midjourney, jis labiau tiesmukai laikosi nurodymų, turi silpnesnę numatytąją estetiką ir geriau tvarkosi su konkrečiomis instrukcijomis. Palyginti su FLUX ir Stable Diffusion, skiriasi kontrolė ir nuosavybė — juos galima diegti lokaliai, o šio — ne.

Žmonės vis dar ieško pagal DALL·E, o daug rašinių apie OpenAI vaizdų generaciją internete mini būtent tą liniją. Tai ta pati giminė, o ne nesusijęs produktas, ir didžioji dalis patarimų, kaip ją promptinti, vis dar galioja.

Turime atskirą LaFoto ir DALL·E palyginimą šalia, kuris giliau paaiškina, kada kuris pasirinkimas tinkamesnis, nei protinga daryti katalogo įraše.