Koniec z koszmarkami typu “burrto” i “margartas”. ChatGPT Images 2.0 zaprezentowany przez OpenAI to model, który nie tylko tworzy obrazy, ale wreszcie potrafi pisać.
W skrócie:
- Nowy model ChatGPT Images 2.0 potrafi poprawnie generować tekst na obrazach, eliminując błędy znane z poprzednich wersji, takich jak DALL‑E 3.
- Narzędzie zyskało “zdolności myślenia”, dzięki czemu może tworzyć wielopanelowe komiksy i materiały marketingowe, a nawet wyszukiwać informacje w sieci.
- Images 2.0 jest dostępne od wtorku dla wszystkich użytkowników ChatGPT i Codex, a płatni subskrybenci zyskają dostęp do bardziej zaawansowanych opcji.
Były czasy – i to wcale nie tak odległe – kiedy odróżnienie grafiki stworzonej przez człowieka od tej wyplutej przez AI było dziecinnie proste. Wystarczyło poprosić sztuczną inteligencję o menu meksykańskiej restauracji. Jeszcze dwa lata temu DALL‑E 3 serwował nam kulinarne potworki w stylu “enchuita”, “churiros” czy “margartas”. To było zabawne, urocze i dawało poczucie, że maszyna wciąż potrzebuje ludzkiego nadzoru. Dziś ta epoka właśnie się skończyła.
Gdy to samo polecenie wydamy nowemu modelowi ChatGPT Images 2.0, otrzymamy kartę dań, którą można by bez wstydu położyć na stole w prawdziwej restauracji. Nikt z gości nie zorientowałby się, że za projekt odpowiada algorytm. No, może poza ceną ceviche za 13,50 dolara – to mogłoby wzbudzić podejrzenia co do jakości ryby.
Dlaczego generatory obrazów tak długo nie potrafiły pisać?
Historycznie generatory obrazów AI miały ogromny problem z renderowaniem tekstu. Wynikało to z samej architektury modeli dyfuzyjnych, które stanowiły trzon tej technologii. Jak to działało? W uproszczeniu, model uczył się odtwarzać obraz z losowego szumu, stopniowo go “odszumiając” zgodnie z podanym promptem. W tym procesie tekst był traktowany po macoszemu.
“Możemy założyć, że napisy na obrazie to bardzo, bardzo mała część, więc generator obrazów uczy się wzorców, które pokrywają więcej pikseli” – tłumaczył na początku 2024 roku w rozmowie z TechCrunch Asmelash Teka Hadgu, założyciel i CEO Lesan AI. Innymi słowy, dla algorytmu ważniejsza była poprawna kompozycja, kolory i kształty niż jakieś tam litery, które stanowią ledwie ułamek całości. Efektem były lingwistyczne koszmary, które bawiły internautów, ale dyskwalifikowały AI w profesjonalnych zastosowaniach.
Jak OpenAI rozwiązało ten problem?
Choć OpenAI unika odpowiedzi na pytania o architekturę nowego modelu, wszystko wskazuje na to, że firma odeszła od czystej dyfuzji na rzecz mechanizmów hybrydowych. Badacze od jakiegoś czasu eksperymentują z modelami autoregresywnymi, które działają bardziej jak duże modele językowe (LLM) – przewidują, co powinno pojawić się na obrazie krok po kroku, zamiast odtwarzać go z szumu. To podejście pozwala na znacznie lepsze zrozumienie kontekstu i detali, w tym tekstu.
Przedstawiciele OpenAI wyjaśnili jednak, że nowy model ma “zdolności myślenia”. To marketingowe hasło kryje za sobą konkretne funkcje: Images 2.0 potrafi przeszukiwać sieć w poszukiwaniu inspiracji, generować kilka wariantów obrazu na podstawie jednego polecenia i, co najważniejsze, weryfikować własne dzieła. Dzięki temu narzędzie radzi sobie ze tworzeniem wielopanelowych komiksów czy spójnych materiałów marketingowych w różnych formatach. Co więcej, OpenAI chwali się, że model znacznie lepiej rozumie tekst w językach innych niż angielski, takich jak japoński, koreański, hindi czy bengalski.
Co to oznacza dla branży kreatywnej?
W oficjalnym komunikacie prasowym OpenAI nie bawi się w subtelności. “Images 2.0 wnosi bezprecedensowy poziom specyficzności i wierności w tworzeniu obrazów. Potrafi nie tylko konceptualizować bardziej wyrafinowane obrazy, ale także skutecznie wcielać tę wizję w życie, wykonując instrukcje, zachowując żądane szczegóły i renderując drobne elementy, które często psują modele graficzne: mały tekst, ikonografię, elementy interfejsu użytkownika, gęste kompozycje i subtelne ograniczenia stylistyczne, a wszystko to w rozdzielczości do 2K”.
Generowanie złożonej grafiki, takiej jak komiks, zajmuje teraz zaledwie kilka minut. To zmiana, której nie da się zignorować. To już nie jest zabawka do tworzenia memów. To potężne narzędzie, które w rękach specjalistów może zautomatyzować ogromną część pracy koncepcyjnej i wykonawczej. Jedynym ograniczeniem wydaje się wiedza modelu, która kończy się na grudniu 2025 roku, co może wpływać na trafność generowania obrazów związanych z najnowszymi wydarzeniami.
Nowy model jest dostępny dla wszystkich użytkowników ChatGPT i Codex. Płatni subskrybenci otrzymają możliwość generowania bardziej zaawansowanych grafik. OpenAI udostępniło również API gpt-image‑2, w którym cena będzie zależeć od jakości i rozdzielczości obrazów. Rewolucja nie będzie transmitowana w telewizji – ona już dzieje się na naszych ekranach.