بهترین هوش مصنوعی برای ساخت عکس

چرا جی پی تی ایمیج ۲ اول شد، با یک سلول خالی

پنجاه امتیاز از صد امتیاز این جدول مال دو تخته آرناست، و این مدل هر دو را می برد. روی ساخت از متن ۱۳۸۱.۱ گرفته در حالی که نفر دوم ۱۲۶۳.۸ است، و روی ویرایش ۱۴۶۲.۷ در برابر ۱۳۹۲.۶. این فاصله ها بزرگند و بازه های اطمینان هیچکدام به رقیب بعدی نمی رسند.

جالب اینکه با یک ستون خالی برنده شده. اوپن ای آی سقف تعداد تصویر مرجع را در مستنداتش چاپ نمی کند؛ نمونه کدش چهار تصویر می دهد ولی نمونه سقف نیست، پس ما آن سلول را پر نکردیم و این مدل ده امتیاز از دست داد. حتی با آن ده امتیاز باخته، هشت امتیاز از نفر دوم جلوتر است.

یک قید که در نام ردیف لیدربورد نوشته شده و بیشتر جاها نادیده گرفته می شود: ردیفی که اول شده «gpt-image-2 (medium)» است، یعنی کیفیت متوسط. کیفیت high روی همان اندازه ۰.۲۱۱ دلار است، یعنی چهار برابر، و اصلا در لیدربورد ردیف ندارد. عددی که ما در ستون قیمت گذاشته ایم همان ۰.۰۵۳ دلار پیکربندی رتبه گرفته است.

ارزان ترین راه به یک نتیجه خوب

نانو بنانا ۲. تنها نامزد این جدول به همراه نانو بنانا پرو است که هر شش ستون را پر کرده، و تنها نامزدی است که هم پوشش کامل دارد و هم امتیاز بالا. ستون مرجع را کامل می برد (ده تصویر شی) و در قیمت هم از رتبه اول ارزان تر است.

و نکته ای که خرید را عوض می کند: نانو بنانا پرو، یعنی مدل پرچمدار و گران گوگل، در این جدول سوم شده و پایین تر از مدل ارزان خودش نشسته. روی ساخت از متن واقعا عقب تر است و بازه های اطمینان هم این را تایید می کنند، روی ویرایش مساوی است، و دو برابر قیمت دارد. اگر بین دو مدل گوگل مانده اید، تقریبا همیشه ارزان تر جواب می دهد.

ردیف آخر جدول، تنها ردیفی است که می توانید دانلود کنید

فلاکس ۲ کلاین ۴B ششم شده و این را نباید به عنوان «بد» خواند. ستون قیمت را کامل می برد (۰.۰۱۴ دلار، یعنی حدود یک چهارم رتبه اول) و تنها نامزدی است که در ستون بازی وزن ها اصلا امتیاز می گیرد. پنج ردیف دیگر همگی صفر گرفته اند، چون هیچکدام وزنی منتشر نکرده اند.

یعنی اگر شرط شما این باشد که مدل باید روی سخت افزار خودتان اجرا شود، این جدول شش گزینه ندارد، یک گزینه دارد. روی یک کارت گرافیک با حدود ۱۳ گیگابایت حافظه اجرا می شود و پروانه اش آپاچی ۲.۰ است، یعنی کار تجاری هم آزاد است. کیفیتش از بالای جدول فاصله دارد و این را باید بپذیرید؛ در عوض نه حساب کاربری می خواهد، نه کارت بانکی، و نه اینکه اسم کشورتان در فهرست کسی باشد.

ستون ایران امروز هیچکس را از هم جدا نمی کند

این را باید صریح بنویسیم چون از جدول پیدا نیست. سه نامزد در این ستون داده دارند: جی پی تی ایمیج ۲ و هر دو مدل گوگل. هر سه دقیقا یک وضعیت دارند، یعنی ایران در فهرست کشورهای پشتیبانی شده شان نیست و راه پرداخت رسمی هم ندارند. وقتی همه مقدارها برابر باشند، موتور به همه شان امتیاز کامل می دهد. پس این ستون بین سه تای اول هیچ تفاوتی نمی سازد.

کاری که واقعا می کند این است: سه نامزد دیگر را ده امتیاز جریمه می کند، نه به این دلیل که وضعشان بدتر است، بلکه به این دلیل که سازنده شان اصلا سندی منتشر نکرده که بشود خواند. برای فلاکس امروز فهرست کامل مستنداتشان را باز کردیم و نه صفحه شرایط استفاده دارد و نه فهرست کشور، و آدرس شرایط استفاده روی سایت اصلی ۴۰۴ می دهد. برای سیدریم هم بایت دنس چنین چیزی منتشر نکرده. یعنی این ستون در عمل دارد می سنجد که «سازنده فهرست کشور منتشر کرده یا نه»، و این با «از ایران کار می کند یا نه» یکی نیست. تا وقتی سند بیشتری پیدا نشود، همین است و پنهانش نمی کنیم.

دو معیاری که عمدا ساخته نشد

اول، سقف رزولوشن. سه سازنده سه چیز متفاوت می نویسند و این سه با هم جمع نمی شوند. گوگل برای مدل هایش «تا ۴K» می نویسد و هیچ جا ابعاد پیکسلی هیچکدام از پله های ۰.۵K تا ۴K را چاپ نمی کند. اوپن ای آی دقیق ترین است: ۳۸۴۰ پیکسل در ضلع بلند و مجموع پیکسل بین ۶۵۵۳۶۰ و ۸۲۹۴۴۰۰. بلک فارست لبز می گوید ۴ مگاپیکسل. یک برچسب بی عدد، یک عدد دقیق و یک واحد سوم؛ از این سه تا ستون در نمی آید. عددها را در فکت های هر مدل نگه داشتیم و ستون نساختیم.

دوم، متن داخل تصویر. برای فارسی زبان ها این مهم ترین سوال ممکن است، و دقیقا همان چیزی است که هیچکس عددش را منتشر نمی کند. گوگل متن مدل هایش را «پیشرفته» توصیف می کند. اوپن ای آی خودش می نویسد که هنوز ممکن است در متن مشکل داشته باشد. بلک فارست لبز فلکس را «تخصصی برای تایپوگرافی» می نامد. اینها سه صفت اند و هیچکدام اندازه گیری نیستند. ستونی که از صفت ساخته شود، ستون نیست. کلید این معیار در ساختار داده ما هست و خالی مانده، تا روزی که یکی عددش را چاپ کند.

چرا میدجرنی اصلا در جدول نیست

چون هیچ چیزی از آن نخوانده ایم. midjourney.com از سرور ما ۴۰۳ برمی گرداند: هم صفحه اصلی، هم صفحه به روزرسانی ها، هم مستنداتش. یک تفاوت با اوپن ای آی که ارزش نوشتن دارد: درباره openai.com دست کم robots.txt جواب می دهد و خزیدن را منع نکرده، ولی midjourney.com/robots.txt هم ۴۰۳ است، یعنی حتی قاعده ای که باید رعایت شود هم خوانده نمی شود.

و برخلاف اوپن ای آی که مدلش روی هر دو تخته ردیف اول دارد، میدجرنی روی هیچکدام از دو تخته تصویر آرنا نیست؛ هفتاد و هفت مدل در ساخت از متن و پنجاه و سه مدل در ویرایش، و اسمش در هیچکدام نبود. پس نه فکتی داریم و نه شاهدی، و ردیف بی عدد هم برایش نمی سازیم. اگر جایی خواندید میدجرنی بهترین است، بپرسید عددش کجاست.

یک ردیف که با نصف جدول رتبه گرفت

سیدریم ۵.۰ پرو چهارم شده در حالی که فقط دو ستون از شش ستون را پر کرده. روی هر دو تخته بالاست (پنجم در ویرایش، هشتم در ساخت از متن) و همین کافی بوده که از فلاکس ۲ مکس با اختلاف چهار دهم امتیاز جلو بیفتد، در حالی که فلاکس چهار ستون پر کرده. این را با احتیاط بخوانید: جای سیدریم در این جدول یعنی «روی دو چیزی که سنجیدیم خوب است»، نه «از فلاکس بهتر است».

دلیل خالی بودن آن چهار ستون هم فراموشکاری ما نیست. صفحه معرفی سیدریم ۵.۰ پرو باز می شود و پر از نمونه است، ولی نه شناسه مدل دارد، نه قیمت، نه سقف ورودی مرجع و نه تاریخ. صفحه سیدریم ۵.۰ کد ۲۰۰ می دهد و بدنه اش خالی است. پوشش این ردیف دقیقا ۵۰ از ۱۰۰ است، یعنی روی مرز: یک سلول خالی دیگر و از جدول می افتاد و زیرش در فهرست «داده کافی نداریم» می نشست.