OpenAI مدل ChatGPT Images 2.0 را با قابلیت‌های پیشرفته در تولید تصویر منتشر کرد

حدود یک سال پس از آنکه OpenAI به کاربران ChatGPT اجازه داد تا تصاویر و طراحی‌های مدنظر خود را مستقیماً در داخل این چت‌بات خلق کنند، این شرکت اکنون نسخه جدید و پیشرفته‌تر خود، ChatGPT Images 2.0 را معرفی کرده است. این سیستم به عنوان یک جهش بزرگ در مدل‌های تولید تصویر شناخته می‌شود که قابلیت‌های بی‌نظیری در دنبال کردن دقیق دستورالعمل‌ها، تولید متن با کیفیت و جایگذاری اشیا در صحنه‌های پیچیده ارائه می‌دهد.

معرفی مدل هوش مصنوعی ChatGPT Images 2.0: گامی نوین در تولید تصویر

مدل‌های هوش مصنوعی تصویرساز همواره در تولید متن با چالش‌هایی روبرو بوده‌اند، اما Images 2.0 این محدودیت‌ها را به طرز چشمگیری کاهش داده است. این مدل به ویژه در فهم و تولید متون غیرلاتین در زبان‌هایی مانند ژاپنی، کره‌ای، هندی و بنگالی عملکردی بسیار بهبودیافته دارد.

«مدل Images 2.0 سطح بی‌بدیلی از تخصص و وفاداری را در زمینه تولید تصویر ارائه می‌کند. این مدل نه‌تنها می‌تواند تصاویر پیچیده‌تر بسازد، بلکه به بینش خود بهتر حیات می‌بخشد، می‌تواند دستورالعمل‌ها را دنبال کند، جزئیات خواسته‌شده را رعایت نماید، و عناصر دقیقی را رندر کند که معمولاً مدل‌های تصویرساز را دچار مشکل می‌کنند، عناصری مثل متون کوچک، نمادها، عناصر رابط کاربری، ترکیب‌های متراکم و محدودیت‌های سبک طراحی. همه این خروجی‌ها تا رزولوشن 2K قابل تولید هستند.»

برای درک بهتر قابلیت‌های این مدل، تصور کنید از Images 2.0 بخواهید منوی غذاهای یک رستوران مکزیکی را تولید کند؛ خروجی آن به قدری واقعی و کاربردی خواهد بود که بلافاصله در یک رستوران واقعی قابل استفاده است.

برای مقایسه، دو سال پیش همین درخواست به مدل DALL-E 3 داده شده بود که خروجی متفاوتی را ارائه می‌کرد:

سرعت و قابلیت‌های پیشرفته Images 2.0

اگرچه Images 2.0 به سرعت ChatGPT در تولید پاسخ نیست، اما قادر است در عرض چند دقیقه، طرح‌های پیچیده‌ای مانند کامیک‌های چند صفحه‌ای را خلق کند. این مدل اولین مدل تصویرساز با قابلیت استدلال است که به هوش مصنوعی اجازه می‌دهد در وب جستجو کرده و خروجی‌ها را بررسی کند، که این امر به طور قابل توجهی دقت مدل را افزایش می‌دهد.

کاربردها و انعطاف‌پذیری

OpenAI تأکید کرده است که مدل Images 2.0 به طور خاص در انجام کارهایی مانند تهیه پروتوتایپ بازی‌ها و استوری‌برد فیلم‌ها عملکرد بسیار خوبی دارد. همچنین، این مدل در بخش تنظیم نسبت تصویر از انعطاف‌پذیری بالایی برخوردار است و می‌تواند تصاویری با نسبت‌های متنوعی از جمله ۳:۱ و حتی ۱:۳ تولید کند.

دسترسی و API

از امروز، تمامی کاربران رایگان و پولی ChatGPT و Codex می‌توانند از مدل Images 2.0 بهره‌مند شوند. کاربران با اشتراک‌های پولی قادر به تولید خروجی‌های پیشرفته‌تر خواهند بود. OpenAI همچنین API مدل gpt-image-2 را در دسترس توسعه‌دهندگان قرار داده است که هزینه آن بر اساس کیفیت و رزولوشن خروجی تعیین می‌شود.