Революція штучного інтелекту: як ChatGPT Images 2.0 змінює світ генерації зображень
Ще два роки тому відрізнити малюнки, створені людиною, від роботизованих було досить просто. Тоді моделі штучного інтелекту часто «вигадували» нові страви для мексиканського меню, пропонуючи такі несподівані слова як «enchuita», «churiros», «burrto» чи «margartas» — помилки видавалися одразу.
Новий рівень реалістичності в генерації зображень
Натомість сьогодні, попросивши нову модель ChatGPT Images 2.0 створити меню мексиканської кухні, можна отримати настільки реалістичний результат, що відвідувачі ресторану навряд чи помітять бодай найменші неточності. Хоча ціна на севіче в $13.50 може викликати підозру щодо свіжості риби, сама візуалізація виглядає вкрай переконливо.
Порівняння з минулим
Для порівняння, ось як виглядало меню, створене за допомогою DALL-E 3 два роки тому — на той час ChatGPT ще не генерував зображення.
Чому раніше були проблеми з текстом на зображеннях?
Історично парсери зображень на основі штучного інтелекту часто «спотикалися» на написах, адже здебільшого використовували дифузійні моделі. Вони працюють шляхом поступового відновлення картинки із шуму, і дрібні деталі, як текст, ставали своєрідним викликом.
Asmelash Teka Hadgu, засновник і генеральний директор Lesan AI, пояснював у 2024 році, що письмові символи займають дуже малу частку зображення, тому генератор більше орієнтується на візуальні патерни, які охоплюють більші області пікселів, ніж на дрібні літери.
Нові методи генерації зображень
Вчені почали досліджувати інші підходи, зокрема авторегресивні моделі. Вони прогнозують, як має виглядати зображення, працюючи схоже на великі мовні моделі (LLM), що значно покращує якість та точність, особливо у відтворенні тексту.
Проте, на останній прес-конференції OpenAI утрималася від відповіді, яку саме модель використовує ChatGPT Images 2.0.
Нові «мислячі» здібності та їх можливості
Водночас компанія розкрила, що її новинка має справжні «мислячі функції»: зможе шукати інформацію онлайн, генерувати декілька варіантів за одним запитом і самостійно перевіряти свої роботи. Завдяки цьому вона створює маркетингові матеріали різних розмірів і навіть складні багатопанельні комікси.
Крім того, OpenAI заявляє про покращене розпізнавання нелатинських мов, таких як японська, корейська, хінді та бенгальська, що є проривом у підтримці різноманітних скриптів.
Однак треба врахувати, що знання моделі оновлюються лише до грудня 2025 року — це може впливати на точність у питаннях, пов’язаних із недавніми подіями.
Що говорять у OpenAI
- «Images 2.0 забезпечує безпрецедентну деталізацію та вірогідність у створенні зображень.»
- «Модель здатна точно слідувати інструкціям і відтворювати складні елементи — текст, іконки, інтерфейси, багатошарову композицію, а також стилістичні нюанси, і все це — у роздільній здатності до 2К.»
Швидкість та доступність
Хоча процес генерування складних картинок — як-от багатопанельних коміксів — займає кілька хвилин, це все ж досить оперативно для такого рівня деталізації.
Компанія планує надати доступ до ChatGPT Images 2.0 усім користувачам ChatGPT та Codex починаючи з вівторка. Платні підписники отримають можливість створювати більш складні роботи. Окрім того, відкриється API gpt-image-2 з цінами, що будуть залежати від якості й роздільності результатів.
Ключові дати та подія
Не пропустіть можливість дізнатися більше на TechCrunch події в Сан-Франциско, Каліфорнія, яка відбудеться 13-15 жовтня 2026 року.
