معرفی ChatGPT Images 2.6 با قابلیت‌های جدید
OpenAI از عرضه مدل جدید تولید تصویر خود، ChatGPT Images 2.6، خبر داده است که قابلیت‌های جدیدی از جمله تولید تصاویر متحرک GIF و امکان ذخیره تصاویر مرجع را به همراه دارد. این به‌روزرسانی برای تمامی مشترکان ChatGPT و Codex در دسترس قرار گرفته است.
جزئیات قابلیت‌های جدید
بر اساس اعلام رسمی OpenAI، مدل Images 2.6 سریع‌تر عمل می‌کند و در هنگام ویرایش تصاویر، جزئیات شخصیت‌ها و محصولات با دقت بیشتری حفظ می‌شوند. دو قابلیت کلیدی اضافه شده عبارتند از:
- تولید تصاویر متحرک GIF: کاربران اکنون می‌توانند با استفاده از دستورات متنی، انیمیشن‌های کوتاه و حلقه‌ای ایجاد کنند. همچنین امکان ویرایش این انیمیشن‌ها، تنظیم سرعت پخش و اشتراک‌گذاری مستقیم آن‌ها فراهم شده است.
- ذخیره تصاویر مرجع: این قابلیت به کاربران اجازه می‌دهد تا تصاویری را به عنوان مرجع ذخیره کنند و در آینده با ارجاع به نام آن‌ها، درخواست ویرایش یا تولید تصاویر مشابه را داشته باشند. به عنوان مثال، می‌توان عکس سگ خانگی را با نام “Pepper” ذخیره کرد و سپس درخواست کشیدن پرتره آبرنگی از “@Pepper” را ارائه داد.
قابلیت‌های جدید برای توسعه‌دهندگان در API
برای توسعه‌دهندگان، دو مدل جدید به نام‌های GPT-Image-2.6 Flare و Sunburst از طریق API در دسترس قرار گرفته‌اند. این مدل‌ها با سرعت ۵۰ درصد بیشتر نسبت به نسل قبل، تصاویر را تولید می‌کنند.
- مشخصات فنی GIF در API: توسعه‌دهندگان می‌توانند با تنظیم پارامتر
outputformatبر رویgif، تعداد فریم‌ها (framecount) و مدت زمان نمایش هر فریم (framedurationms) را مشخص کنند. - پارامتر Complexity: این پارامتر جدید که در سه سطح
low،mediumوhighتعریف شده است، به مدل کمک می‌کند تا برای برآورده کردن نیازهای پیچیده، برنامه‌ریزی بیشتری انجام دهد. این پارامتر بر خلاف پارامترqualityکه جزئیات بصری و واقع‌گرایی تصویر را کنترل می‌کند، به جنبه برنامه‌ریزی مدل می‌پردازد. استفاده از سطوح بالاتر پیچیدگی ممکن است منجر به افزایش تأخیر شود و برای مواردی مانند متن‌های متراکم، طرح‌بندی‌های پیچیده و روابط بین اشیاء مفید است. تنظیم این پارامتر هزینه‌ای اضافی ندارد. - ویرایش با Markup: قابلیت ویرایش با استفاده از لایه‌های نشانه‌گذاری (Markup) نیز به API اضافه شده است. توسعه‌دهندگان می‌توانند با مشخص کردن ناحیه‌ای از تصویر (مثلاً با کشیدن یک دایره قرمز دور گلدان) و ارائه دستور ویرایش، مدل را هدایت کنند تا تغییرات را در محل مورد نظر اعمال کند. این قابلیت نیز رایگان است.
- خروجی SVG: API اکنون امکان تولید خروجی در فرمت SVG را فراهم می‌کند. ابتدا یک تصویر نقطه‌چین به عنوان مرجع تولید شده و سپس به فرمت وکتور تبدیل می‌شود. این خروجی به صورت استاتیک و بدون اسکریپت خواهد بود.
تفاوت مدل‌های Flare و Sunburst
- Flare: این مدل برای تکرار سریع طراحی شده است و در کیفیت
lowمی‌تواند تصاویر را در عرض ۶ ثانیه تولید کند. - Sunburst: این مدل برای کارهایی که نیاز به جزئیات بالا دارند، مناسب‌تر است و در کیفیت‌های
mediumیاhigh، سازگاری بیشتری بین تصاویر قبل و بعد از ویرایش ارائه می‌دهد.
قیمت‌گذاری و محدودیت‌ها
قیمت‌گذاری مدل‌های Flare و Sunburst مشابه مدل‌های قبلی است. هزینه ورودی و خروجی تصویر به ازای هر میلیون توکن به ترتیب ۸ دلار و ۳۰ دلار است، در حالی که هزینه ورودی متن ۵ دلار است. با این حال، میزان مصرف توکن بسته به مدل و کیفیت تصویر متفاوت خواهد بود.
نکته مهم این است که مدل‌های 2.6 در حال حاضر از APIهای Batch و Responses پشتیبانی نمی‌کنند و تنها از طریق نقاط پایانی /v1/images/generations و /v1/images/edits قابل دسترسی هستند. این بدان معناست که تیم‌هایی که برای کاهش هزینه از API Batch استفاده می‌کردند یا تولید تصویر را در ابزارهای Responses API ادغام کرده بودند، نمی‌توانند به طور مستقیم از مدل‌های 2.6 استفاده کنند.
نتایج تست‌های مستقل
بر اساس گزارشی از Design Arena، مدل GPT Image 2.6 Sunburst در رتبه اول榜单 Image Arena قرار گرفته و از نسل قبلی خود، 2.5 Sunburst، پیشی گرفته است. در تست‌های جزئی‌تر، Flare در بخش‌های پرتره، معماری و صفحه‌بندی متن رتبه اول را کسب کرده، در حالی که Sunburst در بخش‌های محصول و منظره برتری داشته است.
در زمینه سرعت، Design Arena گزارش داده است که 2.6 Flare در هر دو بخش تولید و ویرایش تصویر، ۲.۶ برابر سریع‌تر از نسل قبلی عمل کرده است. این در حالی است که سرعت Sunburst تنها ۱.۱۵ برابر افزایش یافته است. این تفاوت‌ها با ادعای رسمی OpenAI مبنی بر “۵۰ درصد سریع‌تر” متفاوت است و نیاز به تست‌های مستقل بیشتری دارد.
