شرکت اوپنایآی (OpenAI) در ۸ سپتامبر رسماً از مدل چتجیپیتی ایمیجز ۲.۵ (ChatGPT Images ۲.۵) رونمایی کرد. وعده اصلی این نسخه کاملاً مشخص بود: جزئیات دقیقتر، بافتهای غنیتر، نورپردازی طبیعیتر و ویرایشی که به بخشهای دستنخورده تصویر احترام میگذارد. طبق ادعای اوپنایآی، تاخیر تولید تصویر در مقایسه با نسخه ۲.۰ تا ۵۰ درصد کاهش پیدا کرده است و دو مدل جدید یعنی GPT-Image-۲.۵ Flare به عنوان گزینه پیشفرض سریع و GPT-Image-۲.۵ Sunburst برای ویرایشهای فوقالعاده دقیق به رابط برنامهنویسی (API) اضافه شدهاند.
- چه تغییراتی در نسخه جدید چتجیپیتی رخ داده است؟
- چالش اول: تراکم نوشته و متن در صحنه ابزارفروشی کلرمن
- چالش دوم: درک فضایی در برج ساعت استیمپانک
- چالش سوم: سبک انیمه و تصویرسازی فانتزی
- چالش چهارم: فوتورئالیسم و پرتره معمار روی پشتبام
- چالش پنجم: جستجوی واقعیتمحور و تایملاین بیت کوین
- چالش ششم: مفاهیم انتزاعی با کلمات ساختگی
- نتیجه نهایی؛ کدام مدل انتخاب بهتری است؟
این مسابقه، رقابتی نفسگیر و رودررو میان جدیدترین دستاورد تصویری اوپنایآی و رقیب سرسخت آن از سوی گوگل یعنی نانو بنانا ۲ (Nano Banana ۲)، نام اختصاصی مدل جمینای ۳.۱ فلش ایمیج (Gemini ۳.۱ Flash Image)، است. در این بررسی موشکافانه براساس گزارش دیکریپت (decrypt)، هر دو مدل در شش زمینه چالشبرانگیز سنجیده شدهاند تا مشخص شود کدام غول هوش مصنوعی در سال ۲۰۲۶ پیشتاز بلامنازع خلق تصویر است.
چه تغییراتی در نسخه جدید چتجیپیتی رخ داده است؟
مدلهای تصویرساز پیشین اوپنایآی همواره از یک نقص امضاشده رنج میبردند. اولین مدل اختصاصی تصویر در چتجیپیتی، تناژ رنگی زرد و گرم پایداری روی تصاویر ایجاد میکرد؛ نقصی که کاربران اینترنت آن را فیلتر زرد نامیدند و اوپنایآی هرگز توضیح شفافی برای آن ارائه نداد. سپس در نسخه ۲.۰ این نقص با مشکل دیگری جایگزین شد: اگر دستور متنی (پرامپت) با قیدها و جزئیات فراوان همراه میشد، تصویر خروجی بهشدت بیشازحد شارپ (Oversharpened) و مصنوعی از آب درمیآمد.
در آزمایشهای نسخه ۲.۵ هیچ اثری از این دو نقص قدیمی دیده نشد. تعادل رنگ و جزئیات حتی در اوج پیچیدگی صحنه حفظ شدند. علاوه بر این، ابزارهای کاربری جدیدی مانند اسکچ (Sketch) برای ترسیم پیشطرح اولیه، اشتراکگذاری پرامپت، امکان ثبت بازخورد روی نقاط خاص تصویر و قالبهای پوستر نیز به نسخه جدید افزوده شدهاند. اکنون ببینیم عملکرد این دو غول در بوته آزمایش چگونه بوده است.
چالش اول: تراکم نوشته و متن در صحنه ابزارفروشی کلرمن
این آزمون دشوار، بازآفرینی یک تقاطع در ساعت ۲ بامداد با انبوهی از متون مختلف بود؛ از تابلوی قدیمی فروشگاه و گرافیتی روی دیوار گرفته تا برچسبهای کیوسک تلفن و پوسترهای پارهشده کنسرت.
مدل نانو بنانا ۲ تقریباً تمام متنها را تمیز و بینقص رندر کرد. تنها لغزش آن برچسبی روی باجه تلفن بود که متنی تکراری و نامفهوم ایجاد کرد.
در مقابل، چتجیپیتی ۲.۵ تیر برقی با پوسترهای چسباندهشده و فرسوده اضافه کرد که از نظر واقعگرایی فوقالعاده بود، اما در نوشتن متن دو اشتباه آشکار داشت: کلمه STILLL با سه حرف L نوشته شد و علامت آپاستروف در نام تابلوی KELLERMAN’S به کلی جا افتاد. برای مدلی که ادعای رندر دقیق حروف را دارد، این لغزش قابل چشمپوشی نبود.
برنده این بخش: نانو بنانا ۲ (Google Nano Banana ۲).
چالش دوم: درک فضایی در برج ساعت استیمپانک
این آزمون، زاویه دید هوایی دشوار با پنج لایه عمق فضایی را هدف گرفت. صحنه نیازمند برج ساعتی با صفحاتی بود که ساعتهای متفاوتی را با اعداد رومی خوانا نشان دهند، همراه با شش عنصر متنی مجزا در سراسر کادر.
چتجیپیتی ۲.۵ تصویر بسیار اتمسفریکتری با بخار واقعی متصاعد شده از پشتبامها و رودخانهای در عمق میانی تولید کرد و بازه رنگی فوقالعادهای میان لایهها ساخت. خوانایی حروف نیز در این اثر بسیار مطلوب بود.
نانو بنانا ۲ اتمسفری تختتر تحویل داد و هرچند اعداد رومی را خوانا رسم کرد، عقربههای هر دو صفحه ساعت زمان تقریباً یکسانی را نشان میدادند که برخلاف دستور ورودی بود.
برنده این بخش: چتجیپیتی ۲.۵ اوپنایآی به دلیل پایبندی دقیقتر به دستورات ساختاری و عمق تصویر.
چالش سوم: سبک انیمه و تصویرسازی فانتزی
این پرامپت تصویری کلیدی به سبک استودیو یوفوتیبل (Studio Ufotable) طلب میکرد: دختری در حال تبدیل شدن به انرژی معنوی مقابل دروازه توری (Torii Gate)، روباه نه دم و آسمان گرگومیشی به سبک آثار ماکوتو شینکای.
چتجیپیتی تصاویری از درخشانترین آسمانهای ممکن ارائه کرد؛ قرص خورشید، انعکاس آب و نمای کوهستان کاملاً با استانداردهای انیمههای ماکوتو شینکای همخوانی داشت. با این حال، دستور حل شدن در انرژی به جرقه و صاعقه روی موها تعبیر شد.
رد ردای آبی-سفید نانو بنانا ۲ به خواسته حل شدن تدریجی نزدیکتر بود، اما هیچکدام روباه نه دم قابلقبولی نکشیدند. از منظر بصری و چشمنوازی، خروجی اوپنایآی خیرهکنندهتر بود.
برنده این بخش: چتجیپیتی ۲.۵ اوپنایآی با جذابیت بصری بینظیر.
چالش چهارم: فوتورئالیسم و پرتره معمار روی پشتبام
پرترهای سینمایی با فهرستی طولانی از محدودیتهای مجزا: بارانی بژ، عینک گرد، در دست داشتن نقشههای معماری منحصراً در دست چپ، نور ساعت طلایی و عمق میدان کم.
چتجیپیتی ۲.۵ نور بینقصی ساخت؛ بافت پوست اگرچه اندکی صیقلی بود اما حسی مشابه عکاسی آنالوگ تداعی میکرد. جالب اینکه افزودن کلماتی که عموماً کیفیت عکس را کاهش میدهند (مثل فلاش نامتعادل و دانه فیلم) واقعگرایی خروجی اوپنایآی را به حداکثر رساند.
اما نانو بنانا ۲ ترکیببندی کاملتری ارائه کرد و حتی برچسب روی نقشه معماری را دقیقاً پیاده کرد، هرچند نقشه را در دست راست قرار داد.
برنده این بخش: نانو بنانا ۲ برای تولید تصویر در تلاش اول (تکشات).
چالش پنجم: جستجوی واقعیتمحور و تایملاین بیت کوین
از هر دو مدل خواسته شد تاریخچه زمانی بیت کوین (Bitcoin) را به سبک نقاشی کودکانه با نهایت دقت تاریخی به تصویر بکشند. این بخش که اتکای مدل به استدلال و پژوهش لحظهای را میسنجید، بزرگترین تفاوت را رقم زد.
چتجیپیتی اینفوگرافیکی تمیز خلق کرد اما دچار خطای تاریخی فاحشی شد: تاریخ تایید صندوقهای قابل معامله بورسی (ETF) اسپات بیت کوین در آمریکا را سال ۲۰۲۳ درج کرد، در حالی که کمیسیون بورس و اوراق بهادار آمریکا (SEC) رسماً در ۱۰ ژانویه ۲۰۲۴ این مجوز را صادر کرد.
نانو بنana ۲ با ذکر بازه زمانی ۲۰۲۳-۲۰۲۴ برای تایید ETF و هاوینگ چهارم بیت کوین، با زیرکی مانع از ثبت اطلاعات غلط شد.
برنده این بخش: نانو بنانا ۲، زیرا در ارزیابی استدلال فکتمحور، قطعیت در ارائه اطلاعات نادرست نقصی نابخشودنی است.
چالش ششم: مفاهیم انتزاعی با کلمات ساختگی
پرامپتی با کلمات بیمعنی: زنی در حال خوردن shmfiyxl در Lyxin، در حالی که همدم او Lymglsushing مشغول بازی با Lakishkark است. هیچ معنایی در فرهنگ لغت برای این واژهها وجود ندارد.
چتجیپیتی کلمات را مستقیماً وارد صحنه کرد؛ Lyxin تابلوی نئونی یک رستوران شد و Lakishkark روی جعبه بازی موجود فضایی نقش بست. واژههای گنگ به عناصری ملموس تبدیل شدند.
نانو بنانا ۲ فضایی سنتی ساخت و واژه بازی را به نواختن ساز تعبیر کرد، بدون آنکه اسامی ساختگی جایی در تصویر دیده شوند.
برنده این بخش: چتجیپیتی ۲.۵ برای درک مستقیمتر و تبدیل واژهها به هویت بصری.
نتیجه نهایی؛ کدام مدل انتخاب بهتری است؟
نتیجه این نبرد برابری کامل ۳ بر ۳ بود. چتجیپیتی ۲.۵ نقصهای تاریخی بزرگ پیشین مانند اعوجاج ناشی از شارپنس بیشازحد و فیلتر زرد را کاملاً پشت سر گذاشته و از دیدگاه چشمنوازی و بعد سینمایی گامی بزرگ به جلو برداشته است. از سوی دیگر، گوگل نانو بنانا ۲ در درک متون پیچیده و اجتناب از ارائهی اطلاعات نادرست عملکردی باثباتتر دارد.
انتخاب میان این دو مدل مستقیماً به کاربرد مدنظر شما بستگی دارد؛ اگر برای طراحیهای گرافیکی، رندرهای اتمسفریک و هنری نیازمند کیفیت هستید چتجیپیتی گزینه ایدهآلی است، اما برای حفظ کلمات، تایپوگرافی بدون نقص و دادههای مستند، هوش مصنوعی گوگل همچنان رقیبی کمنظیر به شمار میرود.
