مدل‌های جدید GPT-Image-2.6 شرکت OpenAI صدرنشین جدول تولید و ویرایش تصویر شدند

خانواده مدل‌های Images 2.6 شرکت OpenAI موفق شده‌اند رتبه‌های اول و دوم بنچمارک معتبر Artificial Analysis را در دو بخش تبدیل متن به تصویر و ویرایش تصاویر به خود اختصاص دهند. این رابط برنامه‌نویسی در قالب دو نسخه متفاوت عرضه می‌شود: مدل GPT-Image-2.6 Flare که برای کاهش تأخیر و پاسخ‌دهی سریع‌تر بهینه‌سازی شده است و مدل GPT-Image-2.6 Sunburst که تمرکز آن بر ارائه جزئیات بسیار دقیق و کیفیت بصری بالاتر قرار دارد. هر دو مدل در ارزیابی‌های مستقل و دوسوکور موفق شده‌اند نسل پیشین، یعنی نسخه ۲.۵، را پشت سر بگذارند.

پلتفرم ارزیابی Artificial Analysis رتبه‌بندی‌های کیفی خود را بر اساس آرای مقایسه‌ای مستقیم به دست می‌آورد و در عین حال زمان پاسخ‌دهی و هزینه‌ها را به‌شکل جداگانه اندازه‌گیری می‌کند. نتایج این بررسی‌ها تفاوت چشمگیر عملکرد این دو نسخه را آشکار می‌سازد؛ مدل Flare زمان ساخت تصویر را تقریباً به نصف کاهش می‌دهد، در حالی که مدل Sunburst با صرف زمان بیشتر، جزئیاتی بسیار ظریف‌تر، تایپوگرافی خواناتر و ویرایش‌های یکدست‌تری ارائه می‌کند.

شتاب بالای Flare در برابر دقت و تمرکز عمیق Sunburst

میانگین زمان تولید تصویر از روی متن در مدل Flare طی آزمون‌های Artificial Analysis از حدود ۵۵ ثانیه به ۳۰ ثانیه کاهش یافته است. مدت‌زمان ویرایش تصویر نیز از ۵۸ ثانیه به ۳۲ ثانیه رسیده است. تمام این سنجش‌ها بر پایه بالاترین سطح کیفیت، خروجی با ابعاد ۱۰۲۴ در ۱۰۲۴ پیکسل در قالب فرمت PNG و با فعال بودن تنظیمات پیچیدگی بالای پیش‌فرض رابط کاربری به دست آمده‌اند.

در مقابل، مدل Sunburst برای تولید هر تصویر از روی متن به حدود ۱۳۵ ثانیه و برای ویرایش آن به ۱۲۰ ثانیه زمان نیاز دارد که این ارقام نشان‌دهنده افزایش زمان پردازش نسبت به نسل قبلی در آزمون‌های مقایسه‌ای است. با این حال، این مدل رتبه نخست شاخص AA-Image-T2I v2.1 را از آن خود کرد و بیشترین جهش کیفی آن در استدلال بصری، نگارش متون روی تصویر، نورپردازی طبیعی و بازآفرینی واقعی بافت اجسام دیده می‌شود. شرکت OpenAI هم‌چنین اعلام کرده که ثبات بصری تصاویر طی فرایند ویرایش در کیفیت‌های متوسط و بالا به‌شکل محسوسی تقویت شده است.

برتری قاطع Sunburst در پرامپت‌های ساختاریافته و پیچیده

مدل Sunburst در ۷ بخش از ۱۰ حوزه کاربردی تبدیل متن به تصویر که توسط پلتفرم Artificial Analysis بررسی می‌شوند، رتبه اول را کسب کرده است. بارزترین نقاط قوت این نسخه به سناریوهایی مربوط می‌شود که نیازمند ساختار فضایی دقیق، تایپوگرافی خوانا یا استدلال چندمرحله‌ای هستند:

• انیمیشن و بازی‌سازی شامل طرح‌های مفهومی، طراحی کاراکترها و کتاب‌های مصور
• معماری و املاک شامل فضاسازی داخلی، نماهای بیرونی و پلان‌های طبقات
• طراحی رابط و تجربه کاربری (UI/UX) شامل طرح‌های اولیه اپلیکیشن، وب و سامانه‌های داخل خودرو
• پرامپت‌های تحلیلی و استدلالی شامل محاسبات، روابط فضایی، منطق و مفاهیم ترکیبی
• رندر و نگارش دقیق متن شامل بندهای طولانی، فونت‌های ریز و خوش‌نویسی‌های هنری

از سوی دیگر، مدل Flare در بخش‌های عمومی، بازاریابی و تبلیغات تجاری جایگاه اول را به دست آورده و بالاترین میزان پیشرفت را نسبت به نسخه قبلی خود یعنی 2.5 Flare ثبت کرده است. با وجود این پیشرفت‌ها، بازنمایی دقیق آناتومی انسان به‌ویژه در بخش دست‌ها، چهره‌ها و حالت‌های بدنی پویا و پیچیده همچنان از چالش‌ها و نقاط ضعف هر دو مدل محسوب می‌شود.

در حوزه ویرایش تصاویر نیز خانواده مدل‌های ۲.۶ در شش بخش از هفت دسته‌بندی مختلف پیشتاز شدند. مدل Sunburst در زمینه‌های بهبود و ترمیم کیفیت، تغییر متون یا نشانه‌ها، ویرایش در سطح اشیا و حفظ هویت سوژه به مقام اول رسید. در همین حال، مدل Flare در بخش‌های ویرایش مبتنی بر منطق و تنظیم مجدد کادربندی یا ترکیب‌بندی صدرنشین شد. تنها در حوزه ویرایش سبک و پس‌زمینه صحنه بود که مدل MAI-Image-2.7-Preview متعلق به شرکت مایکروسافت توانست جایگاه نخست خود را حفظ کند.

تثبیت قیمت در سطح ۳۰ دلار به ازای هر میلیون توکن

هزینه استفاده از هر دو نسخه معادل ۳۰ دلار به ازای هر یک میلیون توکن خروجی تصویر تعیین شده که کاملاً هم‌سطح با نسل ۲.۵ است. محاسبات پلتفرم ارزیابی Artificial Analysis نشان می‌دهد که ساخت یک تصویر با کیفیت حداکثری و ابعاد ۱۰۲۴ در ۱۰۲۴ پیکسل تقریباً ۰٫۲۱ دلار، معادل ۲۱۱ دلار به ازای هر ۱۰۰۰ تصویر، هزینه دارد. البته هزینه نهایی استفاده از رابط برنامه‌نویسی متناسب با ابعاد انتخابی، سطح کیفیت، فرمت خروجی و میزان مصرف توکن متغیر خواهد بود.

بر اساس بررسی‌های این پلتفرم، هزینه ساخت هر تصویر در نسخه قدیمی‌تر GPT-Image-2.5 Sunburst حدود ۶٫۳ برابر مدل Nano Banana 2.1 بود؛ در حالی که مدل متعلق به OpenAI در آزمون‌های تبدیل متن به تصویر با ۴۷ امتیاز Elo و در ویرایش تصویر با ۴۸ امتیاز برتری داشت. امتیاز Elo نشان‌دهنده ترجیح کاربران در مقایسه‌های رودررو است و نشانگر درصد بهبود عملکرد مستقیم نیست.

چهار قابلیت کنترلی تازه برای ارتقای فرایند کار با ابزارها

سری جدید Images 2.6 تنظیمات کنترلی و فرمت‌های خروجی نوینی ارائه می‌دهد که امکان برنامه‌ریزی طولانی‌تر مدل، ساخت پویانمایی‌های سبک، دریافت فایل‌های وکتور و اجرای دقیق‌تر دستورات ویرایشی را فراهم می‌سازد:

• میزان پیچیدگی (Complexity): این گزینه تعیین می‌کند که مدل پیش از رندر نهایی چه مقدار زمان صرف برنامه‌ریزی و پردازش کند. در آزمون‌های این بنچمارک از حالت پیش‌فرضِ پیچیدگی بالا استفاده شده است.
• خروجی پویانمایی GIF: امکان تولید یک فایل GIF متحرک و تکرارشونده تا حداکثر ۱۶ فریم را از روی پرامپت یا تصویر پایه فراهم می‌کند.
• خروجی وکتور SVG: تصویری برداری تولید می‌کند که با تغییر اندازه دچار افت کیفیت یا تاری نمی‌شود.
• ویرایش با راهنمایی بصری (Markup-guided editing): امکان دریافت خطوط و نشانه‌گذاری‌های دستی روی تصویر را فراهم می‌سازد تا مدل دقیقاً متوجه شود کدام بخش و به چه شکلی باید تغییر کند.

انتخاب مدل بر اساس اولویت سرعت یا کیفیت

نسخه Flare گزینه‌ای ایده‌آل برای رابط‌های تعاملی محصولات، آزمون سریع پرامپت‌ها، خطوط تولید محتوای تبلیغاتی و پردازش‌های گروهی به‌شمار می‌آید؛ یعنی فضاهایی که تأخیر دو دقیقه‌ای در آنها سرعت کار را مختل می‌کند. میانگین زمان پاسخ‌دهی حدوداً ۳۰ ثانیه‌ای این نسخه، آن را به انتخابی کاربردی برای برنامه‌هایی بدل کرده است که نیاز دارند خروجی را هم‌زمان با حضور فعال کاربر در سیستم نمایش دهند.

در مقابل، مدل Sunburst برای تولید دارایی‌های بصری نهایی که به متون بسیار دقیق، جزئیات بافت‌ها، چیدمان ساختاریافته یا ویرایش‌های پیاپی روی یک سوژه خاص احتیاج دارند، مناسب‌ترین گزینه است. در یادداشت‌های رسمی انتشار نسخه توسط OpenAI، حفظ یکدستی و یکپارچگی کاراکتر در طول ویرایش‌ها به‌عنوان یکی از اهداف اصلی آموزش مدل ذکر شده و نتایج آزمون‌های مستقل نیز درستی این ادعا را تأیید می‌کند.

تیم‌هایی که در حال مهاجرت از نسخه ۲.۵ هستند می‌توانند شناسه‌های مدل‌های جدید را بدون پرداخت هیچ‌گونه هزینه اضافه در نرخ توکن‌ها آزمایش کنند. البته به توسعه‌دهندگان توصیه می‌شود پیش از استقرار نهایی، سازگاری پرامپت‌ها، محدودیت‌های زمانی پاسخ‌دهی، مصرف توکن‌ها، کاربردهای حساس به آناتومی و هرگونه فرایند وابسته به ثبات نتایج در ویرایش‌های متوالی را مجدداً بازبینی و اعتبارسنجی کنند.