Noul model ChatGPT Images 2.0 de la OpenAI generează imagini cu text clar și detalii fine, gata de folosit în materiale reale

În urmă cu doar doi ani era relativ simplu să deosebești imaginile create de oameni de cele generate de inteligența artificială. Modelele de generare de imagini nu puteau realiza nici măcar un meniu pentru un restaurant mexican fără să „inventeze” preparate noi precum „enchuita”, „churiros”, „burrto” și „margartas”.

Acum însă, dacă cer noului model ChatGPT Images 2.0 să creeze un meniu cu mâncare mexicană, obțin un rezultat care ar putea fi folosit imediat într-un restaurant, fără ca clienții să observe că ceva este în neregulă. Totuși, un ceviche listat la prețul de 13,50 dolari m-ar face să pun la indoiala calitatea peștelui.

Prin comparație, rezultatul obținut cu DALL‑E 3 acum doi ani era mult mai puțin convingător, iar la acel moment ChatGPT nici măcar nu genera imagini.

În mod tradițional, generatorii de imagini bazați pe inteligență artificială au avut dificultăți în redarea corectă a textului, pentru că se bazau în principal pe modele de tip difuzie, care reconstruiesc imaginile pornind din „zgomot”.

„The diffusion models […] are reconstructing a given input”, a explicat în 2024 Asmelash Teka Hadgu, fondator și CEO al Lesan AI. „We can assume writings on an image are a very, very tiny part, so the image generator learns the patterns that cover more of these pixels.”

Între timp, cercetătorii au început să testeze și alte mecanisme de generare a imaginilor, cum sunt modelele autoregresive, care fac predicții despre cum ar trebui să arate o imagine și funcționează într-un mod mai apropiat de un model de limbaj de tip LLM.

Din păcate, OpenAI a refuzat în această săptămână, în cadrul unui briefing de presă, să răspundă la întrebarea legată de tipul concret de model care stă la baza ChatGPT Images 2.0.

Compania a precizat totuși că noul model are „thinking capabilities”, adică abilități de tip raționament, ceea ce îi permite să caute informații pe web, să creeze mai multe imagini pornind de la un singur prompt și să își verifice rezultatele. Astfel, Images 2.0 poate produce rapid materiale de marketing în diverse formate și dimensiuni, dar și benzi desenate cu mai multe panouri.

OpenAI mai susține că Images are acum o înțelegere mult mai bună a redării textului non‑latin în limbi precum japoneza, coreeana, hindi și bengali. Cunoștințele modelului se opresc însă la nivelul lunii decembrie 2025, ceea ce ar putea afecta acuratețea cu care generează imagini pentru prompturi legate de evenimente foarte recente.

„Images 2.0 brings an unprecedented level of specificity and fidelity to image creation. It can not only conceptualize more sophisticated images, but it actually brings that vision to life effectively, able to follow instructions, preserve requested details, and render the fine-grained elements that often break image models: small text, iconography, UI elements, dense compositions, and subtle stylistic constraints, all at up to 2K resolution,” a transmis OpenAI într-un comunicat de presă.

Aceste capabilități înseamnă că generarea de imagini nu este la fel de rapidă ca tastarea unei întrebări în ChatGPT, însă chiar și pentru ceva complex, cum ar fi o bandă desenată cu mai multe panouri, timpul de așteptare rămâne de doar câteva minute.

Toți utilizatorii ChatGPT și Codex vor putea accesa Images 2.0 începând de marți, iar utilizatorii cu abonament plătit vor avea posibilitatea de a genera rezultate mai avansate. Compania va lansa și API‑ul gpt-image-2, cu prețuri stabilite în funcție de calitatea și rezoluția imaginilor obținute.