Уверете се сами: Новият генератор на изображения на ChatGPT е невероятно добър

^{Оригиналът е на Amir M. Bohlooli}

OpenAI току-що пусна чудовищен ъпгрейд за генериране на изображения чрез ChatGPT и това е един от онези моменти, в които примигваш, поглеждаш отново и започваш да се съмняваш в реалността.

Няма да ви губя времето с числа, размери на моделите или колко милиарда часа графичен процесор поглъща новият модел. Просто ще ви покажа какво може това нещо – и как се справя в сравнение с по-стария модел DALL-E.

Ръце и пръсти

Близък план на човек, който свири ми минорен акорд на китара, с пръсти, притискащи струните, с ниска дълбочина на рязкост.

Генерирането на изображения с изкуствен интелект взриви съзнанието ни, когато за първи път стана масово. И тогава… се вгледахме по-отблизо. Отличителният белег на едно изображение, създадено с изкуствен интелект, е странната анатомия на ръцете и пръстите. И така, какъв по-добър начин да тестваме моделите от това да ги помолим да изобразят китарен акорд?

За да запазя най-доброто за накрая, първо зададох тази задача на оригиналния модел DALL-E, а след това на новия генератор на изображения, интегриран в модела ChatGPT 4o.

По-горе се вижда какво е създал DALL-E. Въпреки недостатъците на DALL-E, тук той се справя доста добре с пръстите и общата анатомия. Но самият акорд… не чак толкова. Ръката е разположена твърде високо на грифа, за да се свири ми минор. Ако увеличите малко мащаба, ще забележите, че китарата има повече от седем струни. Разстоянието между струните също е твърде голямо.

Имайки предвид това, нека преминем към ChatGPT 4o.

Можех да ви кажа, че се шегувам и че това всъщност е стара снимка от времето, когато свирех на китара. ChatGPT 4o е наистина толкова добър. Шест струни, равномерно разположени, а акордът всъщност е точно ми минор. Впечатлен съм.

Исторически фигури

Алберт Айнщайн си хапва сладолед в Сентръл парк, облечен с обикновена риза и презрамки.

Сега, след като си изцапахме ръцете (и пръстите), нека се позабавляваме с някои лица. Реших да опитаме с исторически личности, тъй като те няма да се обидят, а и ще е забавно да ги видим в съвременна обстановка.

Пълно разочарование. Честно казано, DALL-E ме предупреди, че няма да може да използва самия Айнщайн и вместо него ще използва някой, който „много прилича“ на него. Една от класическите черти на DALL-E е неговият карикатурен и същевременно реалистичен стил, който тук се проявява с пълна сила.

На фона на Сан Ремо се загатва, че това е Сентрал парк, но това е единствената находка в случая. Продължаваме към ChatGPT 4o.

Ако сложа един черно-бял филтър върху нея, щях да ви убедя, че това е истинска винтидж снимка. Сметаната върху конуса изглежда подобаващо кремообразна, Алберт е с характерното си безгрижно излъчване, а „Сан Ремо“ все още стои там, издигнат нависоко. Всичко е наред. ChatGPT 4o се е справил просто великолепно.

Измислени фигури

Фигура, подобна на ситски лорд, която вика такси на площад „Джордж“ в Глазгоу, на фона на лек дъжд и светофари.

Вече видяхме, че ChatGPT може да рисува исторически фигури доста добре. Тъй като лицата и хората все още са един от най-добрите начини за стрес-тест на изкуствения интелект, нека опитаме още няколко.

Избрах „подобен“, за да накарам бота да ми съдейства, без да ми натяква за авторските права. Резултатът на DALL-E е добър. Фигурата наистина напомня на сит, а останалите елементи са повече или по-малко точни.

В нея няма нищо изрично карикатурно, но просто не се усеща като истинска. Искате да е истинска? Вижте какво е произвел ChatGPT 4o при същата задача:

Харесва ми атмосферата – осветлението, дъждът, мрачното присъствие на ситския лорд. Всичко е налице. Единственият проблем е, че нашият тъмен лорд стои на улицата и вика такси, докато е обърнат с лице към… тротоара. А и на табелата на таксито пише „TAXL“.

Нека да преминем от фантастиката на бъдещето към историческата фантастика. Нещо като:

Герой, подобен на Гералт от Ривия, който пазарува хранителни стоки в съвременен супермаркет, бута количка и се мръщи на консервите.

Суров, белокос мъж с белег по лицето, приличащ на фентъзи ловец на чудовища, пазаруващ в съвременен супермаркет
Съвсем не е лошо. Изображението все още носи онази синтетична карикатурна атмосфера, а текстът върху кутиите със зърнени храни е пълна безсмислица, както се очакваше.

ChatGPT 4o първоначално отказа подкана заради авторските права – но тя проработи, след като замених „подобен на“ с „наподобяващ“. Само вижте:

Нямам думи. Подобно на повечето хора, интерпретацията на Гералт от страна на ChatGPT в общи линии е просто Хенри Кавил, а не версията от видеоиграта – но той го изпипа. Гримасата е на място, а обстановката е естествена.

Това може да мине за снимка от снимачната площадка на странна кросоувър реклама. И да, четох книгите за Witcher, преди сериалът да се появи.

Анимационни герои

Пиратски капитан в анимационен стил с дълго червено палто и кибернетична ръка, който се смее на палубата на летящ кораб. Прозрачен фон.

Генерирането на изображения от OpenAI не се ограничава само до реализма. Докато DALL-E винаги клони към леко аерографски, независимо от това какво му поднасяте, реших да вкарам и двата модела в напълно анимационен режим.

Всъщност DALL-E се справя добре с тази задача – и дори разбира искането за прозрачен фон. В известен смисъл. Получи се класическият сиво-бял шахматен модел, който обикновено означава прозрачен… само че тук той е вграден в изображението. Така че изобщо не е прозрачен.

Също така, по ирония на съдбата, биологичната ръка на нашия пират с изкуствен интелект има четири пръста, докато кибернетичната е с пет. Може би е хромирал погрешната ръка?

Версията на ChatGPT 4o е по-изострена и целенасочена. Стилът на оцветяване е различен – дали е по-добър или не, е субективно, но явно изглежда, че художникът е искал да го нарисува по този начин.

Освен това фонът всъщност е прозрачен. Можете да го сложите на тениска, да го отпечатате или дори да го превърнете в стикер за WhatsApp.

Огледала и отражения

Модерна мивка в банята с четка за зъби и самобръсначка на плота, които се виждат в огледалото и в реалния свят – осветлението е меко и равномерно.

Огледалата отразяват, а отраженията се нуждаят от пространствена логика, за да изглеждат естествено. Отправих това предизвикателство, за което знаех, че ще затрудни DALL-E.

Както се очакваше. Нещо се опитва да бъде отражение от чешмата в огледалото, но е прекалено дълго. Четката за зъби левитира, вътре в мивката, и не хвърля никакво отражение.

По-новият модел се справя много по-добре с придаването на усещане за реалност на изображението, като истинска снимка. Отражението на крана е малко изкривено, но е приемливо. След това има четка за зъби, която има отражение, но не съществува във физическия свят.

Тук няма категоричен победител. Резултатите от изкуствения интелект са противоречиви, затова дадох и на двамата още един шанс с нещо малко по-амбициозно:

Жена стои пред огледало в цял ръст в осветена от слънцето спалня, облеклото и позата й са отразени точно, с ясно видимото отражение на прозореца зад нея.

… Дори не искам да го анализирам. Хора, ако искате да изкарате DALL-E лош, просто подхвърлете думата „огледало“ в заявката си. Продължаваме.

Както се очакваше, версията на ChatGPT 4o изглежда много по-реалистична – но може би този път е малко сюрреалистична? Позата и облеклото на жената са отразени, но само частично, като 3D ефекта на Photoshop. Ъглите на отразяване също не са подходящи. ИИ все още не може да се справи с пространствената логика.

Автомобили и улици

Ford GT от 2006 г. и Peugeot 206 на червен светофар на Уолстрийт, Ню Йорк, по обяд.

Аз съм автомобилен ентусиаст. Когато генераторите на изображения с изкуствен интелект се появиха за първи път, едно от първите неща, които опитах, беше да правя изображения на автомобили. Резултатите тогава не бяха добри, но след като излезе новият модел, трябваше да опитам още веднъж.

Отново се появява DALL-E с неговата все по-досадна анимационна естетика. Пежото е на тротоара, светофарите, за които помолих, са обърнати към сградите, а номерата на табелите са пълна глупост.

Резултатите на ChatGPT 4o са значително по-добри. Автомобилите са правилно изобразени – дори капакът на колелото на Peugeot е точен и отговаря на епохата. Този вид детайли не е случаен. Но нещата стават още по-добри:

Всъщност бих могъл да използвам тази снимка като тапет на телефона си. Осветлението, композицията, отраженията – всичко е наред. С изключение на странната празнота на улицата, това може да се приеме за истинска снимка.

Текстове и писма

Ръкописно писмо върху състарена хартия с курсивен шрифт, разположено до писалка и шишенце с мастило.

Накрая се насочваме към ахилесовата пета на всеки генератор на изображения. Повечето изкуствени интелекти за генериране на изображения се затрудняват да се справят с текста. Вече сме видели достатъчно небивалици от DALL-E в предишните примери, за да разберете какво имам предвид.

За да стане по-интересно – и по-последователно – добавих, че писмото трябва да съдържа текста на речта на крал Теренас към Артхас от Warcraft III.

DALL-E направи това, което умее най-добре с текста: превърна го в размазан, неразбираем бълвоч. Успява да се справи с някои думи, но пък атмосферата се получава – писалката и шишенцето с мастило изглеждат солидно.

ChatGPT 4o го постига – всяка една дума е написана с чист курсивен шрифт. Перфектни букви. В сравнение с DALL-E това е огромен скок напред. Свалям ви шапка, OpenAI.

Генерирането на изображения с помощта на изкуствен интелект е изминало дълъг път – и това се вижда. ChatGPT 4o е първият модел, който наистина разбира от осветление, текстура и контекст.

На този етап единственият въпрос, който остава, е: колко силни са защитните механизми на ChatGPT? Лесно преминах през ограниченията за авторски права. Колко време ще мине, преди някой да разбие ChatGPT и да започне да генерира каквото си иска съдържание, използвайки този абсурдно ефективен модел?