Ключевые выводы
- ChatGPT Images 2.0 умеет точно воспроизводить мелкий текст, иконки и UI‑элементы, чего не могли старые диффузионные модели.
- Новая модель использует гибридный подход: автрегрессионные предсказания в сочетании с «thinking capabilities» (поиск в интернете, проверка фактов).
- OpenAI открывает API gpt-image-2, но цены зависят от разрешения и качества, а доступ к продвинутым функциям получат только платные пользователи.
Сейчас ИИ‑модели могут создавать меню мексиканского ресторана, в котором названия блюд читаются без ошибок, а картинки выглядят профессионально – и это уже не фантастика, а реальность.
От «печёных» орфографических ошибок к четким макетам
Два года назад попытка сгенерировать меню для мексиканского ресторана часто заканчивалась словами вроде «enchuita», «churiros» или «burrto». Такие «прикольные» строки возникали из‑за того, что диффузионные модели фокусировались на общей картинке и игнорировали крошечный, но важный слой текста.
Сейчас, задав тот же запрос новейшей системе ChatGPT Images 2.0, пользователь получает готовый макет: яркие картинки, правильные названия блюд и даже цены, которые выглядят правдоподобно. Ошибки в тексте почти исчезли, а графика сохраняет детали до 2 К пикселей.
Что изменилось? Прежде всего – смена архитектуры. Вместо чисто диффузионного подхода OpenAI внедрила автрегрессионный элемент, который предсказывает каждый пиксель последовательно, как делает это крупная языковая модель. Это позволяет «видеть» мелкие символы и сохранять их форму.
Помимо того, в модель встроили так называемые «thinking capabilities»: возможность искать информацию в интернете, генерировать несколько вариантов из одного промта и проверять результаты. Поэтому, если вы попросите создать рекламный баннер с надписью на корейском, система сначала проверит орфографию, а затем отобразит её без шума.
Техническая эволюция: от диффузии к автрегрессии
Кратко о старых моделях. Диффузионные сети работают по принципу «размытия‑восстановления»: они берут шум и постепенно превращают его в изображение, обучаясь воспроизводить статистику пикселей. При этом текст занимает лишь небольшую часть изображения, поэтому сеть «не замечает» его.
Исследователи из Lesan AI, в частности Asmelash Teka Hadgu, отмечали, что «пишущие элементы – очень маленькая часть кадра, и модель учится в первую очередь распознавать более крупные паттерны». Поэтому орфография оставалась проблемой.
Автрегрессионные модели берут иной путь: они предсказывают каждый элемент изображения, учитывая уже сгенерированные. Такой подход ближе к работе языковых моделей (LLM) и дает возможность контролировать каждый символ, пиксель и контур.
OpenAI пока не раскрыла детали, но ясно, что гибридный дизайн позволяет объединить преимущества обеих технологий: быстрый глобальный «скетч» от диффузии и точный «детализм» от автрегрессии.
Практические возможности для дизайнеров и маркетологов
Сейчас система может выдавать готовые маркетинговые активы разных размеров – от постов в Instagram*** до баннеров 4K. Пользователь задаёт один запрос, а модель генерирует набор изображений, каждый из которых оптимизирован под определённый канал.
Еще одна фишка – создание multi‑paneled комиксов. Система разбивает историю на кадры, сохраняет согласованность персонажей и даже добавляет диалоговые облачка без ошибок. Всё это за несколько минут, вместо часов ручной работы.
Для тех, кто работает с нелатинским текстом, открыт новый уровень: японские кандзи, корейские хангыль, хинди и бенгальские шрифты теперь отображаются без искажений, что было проблемой даже у DALL·E 3.
Важно помнить, что модель «знает» мир только до декабря 2025 года. Поэтому если спросить о событиях 2026 года, ответы могут быть неполными или устаревшими.
Доступ и цены: кто и как сможет пользоваться Images 2.0
Все пользователи ChatGPT получат доступ к Images 2.0 уже во вторник после официального анонса. Бесплатные аккаунты смогут генерировать базовые изображения, но только платные подписчики получат «продвинутый режим», включающий более высокое разрешение и расширенные настройки.
Для разработчиков открыт API gpt-image-2. Цены зависят от качества (SDR/ HDR) и разрешения (720p, 1080p, 2K). Точная тарификация пока не объявлена, но ожидается, что базовый пакет будет стоить от $0.02 за мегапиксель, а премиум – около $0.05.
OpenAI обещает, что система будет автоматически проверять права на контент и предлагать лицензии, если генерируемый материал пересекается с известными брендами.
Сравнение с DALL·E 3 и другими конкурентами
Если вспомнить DALL·E 3, запущенный ещё в 2023 году, то её «текст в изображении» часто выглядел как абракадабра. Идея была в том, что модель умеет понять смысл запроса, но не может воспроизводить мелкие буквы.
ChatGPT Images 2.0 уже закрыла этот разрыв: теперь текст выглядит чисто, как в векторных редакторах. По сравнению с Midjourney V5, которая тоже улучшила работу с шрифтами, Images 2.0 добавляет возможность «думать», то есть проверять факты в реальном времени.
Для стилистических задач, когда требуется строгое соответствие брендовому гайдлайну, автрегрессионный подход дает преимущество – каждая деталь контролируется, а не «случайно появляется».
Справка
OpenAI – американская исследовательская компания, основанная в 2015 году Илоной Маск, Сэмом Олтманом и другими. Считается пионером в области больших языковых моделей (GPT‑3, GPT‑4) и генеративных изображений (DALL·E). За последние годы фирма перешла от чисто исследовательской модели к коммерческим продуктам, включая ChatGPT и API‑сервисы.
ChatGPT Images 2.0 – последняя версия генератора изображений от OpenAI, анонсированная в 2024 году. Объединяет диффузионный и автрегрессионный подход, поддерживает поиск в интернете и проверку фактов, работает до 2 K разрешения и умеет правильно отрисовывать нелатинские алфавиты.
DALL·E 3 – модель генерации изображений, выпущенная в 2023 году. Ориентирована на создание художественных и фотореалистичных картинок, но имела проблемы с точным воспроизведением текста.
Lesan AI – стартап, занимающийся исследованием генеративных моделей, основанный в 2022 году. Его сооснователь Asmelash Teka Hadgu известен своими комментариями о ограничениях диффузионных сетей в работе с микроскопическими деталями, такими как текст.
Autoregressive models (автрегрессионные модели) – класс нейросетей, предсказывающих каждый следующий элемент последовательности на основе уже сгенерированных. Пример – GPT‑серия. В контексте изображений они позволяют «рисовать» пиксель за пикселем, обеспечивая высокий уровень детализации.
Diffusion models (диффузионные модели) – подход, где шум постепенно преобразуется в изображение через обратный процесс диффузии. Хорошо справляются с генерацией общей композиции, но часто теряют мелкие элементы, такие как буквы.
ChatGPT Images 2.0 показывает, что качество генерации уже не ограничивается «красивыми картинками», а переходит к реальному рабочему инструменту, способному экономить часы дизайнеров.
