Pristatome „4o“ vaizdų generavimą

Mes, „OpenAI“, jau seniai tikime, kad vaizdų generavimas turėtų būti pagrindinė mūsų kalbos modelių galimybė. Štai kodėl į „GPT‑4o“ integravome pažangiausią iki šiol sukurtą vaizdų generatorių. Rezultatas – vaizdų generavimas, kuris yra ne tik estetiškas, bet ir naudingas.

Nuo pirmųjų urvų piešinių iki šiuolaikinių infografikų žmonės naudojo vaizdinius ne tik puošti, bet ir bendrauti, įtikinti ir analizuoti. Šiandieniai generatyvieji modeliai gali sukurti siurrealias, kvapą gniaužiančias scenas, tačiau jiems sunkiau sekasi kurti darbinius vaizdus, kuriuos žmonės naudoja informacijai dalytis ir kurti. Nuo logotipų iki diagramų – vaizdai gali perteikti tikslią prasmę, kai yra papildyti simboliais, nurodančiais bendrą kalbą ir patirtį.

„GPT‑4o“ vaizdų generavimas pasižymi tiksliu teksto atvaizdavimu, precizišku raginimų laikymusi ir „4o“ žinių bazės bei pokalbio konteksto panaudojimu, įskaitant įkeltų vaizdų transformavimą arba jų naudojimą kaip vizualų įkvėpimo šaltinį. Šios galimybės leidžia lengviau sukurti tiksliai tokį vaizdą, kokį įsivaizduojate, padeda efektyviau bendrauti pasitelkiant vaizdines priemones ir paverčia vaizdų generavimą praktišku, tiksliu bei galingu įrankiu.

Mokėme savo modelius naudodami bendrą internetinių vaizdų ir teksto rinkinį, kad jie suprastų ne tik ryšį tarp vaizdų ir kalbos, bet ir tarpusavio ryšius tarp pačių vaizdų. Po intensyvaus papildomo derinimo gautas modelis pasižymi stebėtinu vizualiniu sklandumu ir gali generuoti naudingus, nuoseklius bei kontekstą atitinkančius vaizdus.

Mokydamasis iš vaizdų, atspindinčių daugybę įvairių stilių, modelis gali įtikinamai kurti arba transformuoti vaizdus.

Mūsų modelis nėra tobulas. Žinome daug jo apribojimų, kuriuos stengsimės pašalinti tobulindami modelį po pirminio paleidimo.

Vadovaudamiesi savo modelio specifikacija, siekiame maksimaliai padidinti kūrybinę laisvę palaikydami vertingus naudojimo atvejus, tokius kaip žaidimų kūrimas, istoriniai tyrinėjimai ir švietimas, kartu išlaikydami griežtus saugos standartus. Taip pat kaip niekad svarbu blokuoti užklausas, kurios pažeidžia šiuos standartus. Toliau pateikiami papildomų rizikos sričių vertinimai; jose stengiamės įgalinti saugų, labai naudingą turinį ir palaikyti platesnę naudotojų kūrybinę raišką.

Kilmės nustatymas naudojant C2PA ir vidinę grįžtamąją paiešką
Visi sugeneruoti vaizdai turi C2PA metaduomenis, kurie identifikuoja vaizdą kaip gautą iš „GPT‑4o“, kad būtų užtikrintas skaidrumas. Taip pat sukūrėme vidinį paieškos įrankį, kuris naudoja techninius generacijų atributus, padedančius patikrinti, ar turinys gautas iš mūsų modelio.

Netinkamo turinio blokavimas
Toliau blokuojame prašymus generuoti vaizdus, kurie gali pažeisti mūsų turinio politiką, pavyzdžiui, vaizdus, kuriuose vaizduojamas vaikų seksualinis išnaudojimas ar seksualinio pobūdžio giliąsias klastotes. Kai kontekste yra realių žmonių vaizdai, taikome griežtesnius apribojimus dėl to, kokio pobūdžio vaizdus galima kurti, o ypač stiprios apsaugos numatytos nuogybėms ir atviroms smurto scenoms. Kaip ir su bet kuriuo nauju produktu, sauga yra nesibaigiantis procesas – tai nuolatinė investicijų sritis. Sužinoję daugiau apie realų šio modelio naudojimą, atitinkamai pakoreguosime savo politiką.

Daugiau apie mūsų požiūrį skaitykite „GPT‑4o“ sistemos kortelės⁠ vaizdų generavimo priede.

Samprotavimu grindžiama sauga
Panašiai kaip ir mūsų apgalvoto suderinimo⁠ (angl. deliberative alignment) darbe, apmokėme samprotaujantį LLM dirbti tiesiogiai pagal žmogaus parašytas ir interpretuojamas saugos specifikacijas. Kūrybos procese šis samprotaujantis LLM padėjo nustatyti ir pašalinti mūsų politikos dviprasmybes. Naudodamiesi savo multimodalinio modelio pasiekimais ir esamais saugos metodais, sukurtais „ChatGPT“ ir „Sora“ programoms, galime moderuoti⁠ tiek įvesties tekstą, tiek išvesties vaizdus pagal mūsų politiką.

„4o“ vaizdų generavimas nuo šiandien pradedamas teikti „Plus“, „Pro“, „Team“ ir „Free“ naudotojams – jiems tai bus numatytasis vaizdų generatorius „ChatGPT“ programoje, o „Enterprise“ ir „Edu“ naudotojai prieigą gaus netrukus. Funkciją taip pat galima naudoti „Sora“ programoje. Tiems, kurie jaučia nostalgiją DALL·E, jis vis dar pasiekiamas per specialų DALL·E GPT.

Programuotojai netrukus galės generuoti vaizdus naudodamiesi „GPT‑4o“ per API; prieiga bus pradėta teikti per kelias ateinančias savaites.

Kurti ir pritaikyti vaizdus taip pat paprasta, kaip ir kalbėtis naudojant „GPT‑4o“ – tiesiog aprašykite, ko jums reikia, įskaitant bet kokią specifiką, pavyzdžiui, kraštinių santykį, tikslias spalvas naudojant šešioliktainius kodus arba permatomą foną. Kadangi šis modelis kuria detalesnius paveikslėlius, vaizdų atvaizdavimas užtrunka ilgiau, dažnai iki vienos minutės.