
Генерация изображений GPT-4o теперь доступна в ChatGPT. Новая модель генерации изображений, которая заменяет DALL-E 3, наиболее примечательна своей точной отрисовкой текста, улучшенными возможностями «связывания» и простотой использования.
В отличие от традиционной диффузионной методологии генерации изображений, которая «рисует» детали поверх случайного шума, GPT-4o использует систему авторегрессии сверху вниз и из стороны в сторону. Она медленнее диффузионной, но преимущества авторегрессии очевидны как день. GPT-4o способна выдавать изображения с идеально читаемым текстом — то, чего модели ИИ, такие как DALL-E 3, постоянно не могли достичь.
Не только это, но вы можете указать текстовое содержимое для сгенерированных изображений. Напишите запрос, например, «дайте мне фотореалистичное изображение девушки, пишущей на доске неряшливым почерком», скажите ИИ любые слова, которые вы хотите видеть на доске, и он выдаст вам что-то довольно точное. И, возможно, что еще важнее, модель довольно хороша в написании стилизованного 2D-текста для меню ресторанов, рекламы или других предметов, которые могут быть полезны для бизнеса или любителей.
Авторегрессивный подход также, по-видимому, помогает с «связыванием», что является причудливым способом сказать, что ИИ не путается в подсказках, содержащих несколько субъектов. Если вы попросите DALL-E 3 нарисовать красный круг, синий треугольник, зеленое сердце, розовую звезду и фиолетовый квадрат, он может споткнуться и выплюнуть неправильные формы или цвета. GPT-4o, с другой стороны, может точно обрабатывать до 20 различных объектов.
В сочетании с возможностями модели по отображению текста улучшенная переплетная функция, несомненно, создает интересные возможности для корпоративного искусства или рекламы, хотя это также просто полезная функция, которая упрощает создание изображений.
Конечно, генерация изображений GPT-4o просто «лучше», чем DALL-E 3. Фотореалистичные изображения выглядят более реалистично, цифровое искусство выглядит менее жидким или зернистым, а новые методы вывода уменьшают необходимость вводить длинные, сложные подсказки. Модель также может похвастаться улучшенной «последовательностью символов», что означает, что персонаж или объект, сгенерированный в одной подсказке, может быть точно перенесен в последующие подсказки — если вы скажете ИИ повторно использовать созданного им киборга-кота, он не изменит цвет кота и т. д.
OpenAI признает, что ее новая модель генерации изображений несовершенна. Она все еще борется с галлюцинациями, математическими представлениями (например, диаграммами или графиками), многоязычным текстом и многим другим. Тем не менее, это явное улучшение по сравнению с предыдущими моделями генерации изображений компании.

OpenAI утверждает, что генерация изображений GPT-4o содержит защитные меры для предотвращения несанкционированного использования, а также передовые методы водяных знаков, помогающие людям отличать контент, созданный ИИ, от реального, созданного человеком. Но я рискну предположить, что эти защитные меры можно обойти, приложив усилия. И OpenAI по-прежнему использует водяные знаки C2PA, которые представляют собой просто метаданные. Требуется совсем немного усилий, чтобы удалить эти метаданные из изображения — C2PA неэффективен для предотвращения распространения дезинформации.
Новый генератор изображений GPT-4o также не развеет опасений по поводу авторских прав или добросовестного использования. Он был обучен на смеси «общедоступных» данных и лицензированных данных, согласно заявлению, предоставленному The Wall Street Journal. Известно, что компании, занимающиеся ИИ, нагло игнорируют основные законы об авторском праве, а OpenAI не делится своими данными обучения с общественностью, поэтому не стесняйтесь делать собственные выводы по этому вопросу. (Как бы там ни было, OpenAI приноситзаботиться об авторских правах, когда это (Работа украдена.)

Генерация изображений GPT-4o доступна уже сегодня. Откройте ChatGPT в своем браузере, попросите ИИ сгенерировать изображение и наслаждайтесь. Обратите внимание, что развертывание еще не завершено, поэтому некоторые пользователи все еще могут столкнуться со старой моделью DALL-E 3. Лучший способ заметить разницу — понаблюдать за загрузкой сгенерированного изображения. DALL-E 3 загружает изображения с помощью вращающегося колеса, в то время как изображения GPT-4o загружаются с помощью приятной анимации сверху вниз и сбоку, напоминающей планшетный сканер.
Все пользователи ChatGPT могут получить доступ к генерации изображений GPT-4o, включая бесплатных пользователей. Однако бесплатные пользователи сталкиваются с ограничениями использования, как и при использовании DALL-E 3. Кстати, DALL-E 3 останется доступным в пользовательских GPT для тех, кто захочет его использовать.
Источник: OpenAI