من Nano Banana 2.1 را با ChatGPT تست کردم و نزدیک بود

گوگل به مولد تصویر Nano Banana AI خود ارتقاء دیگری داده است و آخرین نسخه، Nano Banana 2.1، در حال ورود به Google Gemini در زمینه شلوغی ابزارهایی است که می تواند چند جمله را به تصاویر بسیار متقاعدکننده تبدیل کند. این وعده با جزئیات واضح تر، دنبال کردن دستورالعمل بهتر، متن دقیق تر و سازگاری بیشتر بین تصاویر آشنا است. چالش واقعی یافتن چیزی است که آن را به طور معناداری بهتر از رقابت کند.

رقیب اصلی Nano Banana، تولید کننده تصویر ChatGPT که Images 2.5 نام دارد، به سختی در انتظار سبقت گرفتن است. OpenAI با نورپردازی واقع گرایانه، ترکیب بندی های پیچیده و رندر متن پیشرفت قابل توجهی داشته است و تولید تصویر را به یکی از سرگرم کننده ترین و واقعا مفیدترین ویژگی های ChatGPT تبدیل کرده است. با توجه به اینکه هر دو شرکت فن‌آوری را به جلو پیش می‌برند، می‌خواستم ببینم آیا آخرین ارتقاء Google موفق شده است یا خیر.

اگر یک حساب کاربری Gemini دارید، متوجه می‌شوید که باید برای استفاده از Nano Banana 2.1 ارتقا یافته باشد. برای آزمایش دو مولد تصویر در برابر یکدیگر، به Gemini و ChatGPT دستورات یکسانی دادم که برای آزمایش توانایی‌های مختلف طراحی شده‌اند. من تصاویر به دست آمده را در کنار هم با ChatGPT در سمت چپ و Gemini در سمت راست مقایسه کردم. نتایج به‌طور شگفت‌آوری نزدیک بود، اگرچه این دو مولد اغلب دستورالعمل‌های یکسانی را با غرایز هنری متفاوتی نزدیک می‌کردند.

طوفان در طوفان

یک گلخانه کوچک ویکتوریایی در داخل یک کره برفی شیشه ای در طول یک طوفان تندری. ChatGPT در سمت چپ، Gemini در سمت راست. (اعتبار تصویر: ChatGPT/Gemini) اولین آزمایش من برای به چالش کشیدن درک مدل‌ها از نور، شیشه و بازتاب‌ها طراحی شد، سه موردی که می‌توانند به سرعت نقاط ضعف تصویر تولید شده توسط هوش مصنوعی را آشکار کنند. من صحنه ای با سطوح شفاف متعدد، نورپردازی پیچیده و جزئیات ریز کافی می خواستم تا نتایج ارزش بررسی دقیق را داشته باشند.

درخواست این بود: "یک تصویر واقعی از یک گلخانه کوچک ویکتوریایی در داخل یک کره برفی شیشه ای در طول یک طوفان تندری، با انعکاس، شکست و نور واقعی ایجاد کنید."

هر دو ژنراتور تصاویر زیبایی را تولید کردند که روی جلد یک رمان فانتزی کاملا شبیه به خانه به نظر می رسید. نسخه ChatGPT یک گلخانه استادانه ویکتوریایی با نور طلایی در داخل یک کره شیشه ای بزرگ را نشان می داد که روی یک پایه چوبی صیقلی در کنار پنجره ای پوشیده از باران قرار داشت. رعد و برق طوفان را در بیرون روشن کرد، در حالی که کره زمین حاوی یک دنیای مینیاتوری با جزئیات شگفت آور بود که با گیاهان، مسیرها و شکوفایی های ظریف معماری کامل شده بود.

Nano Banana 2.1 به دنبال چیزی محدودتر بود. گلخانه آن بیشتر شبیه یک سازه مینیاتوری واقعی بود، با قاب فلزی تیره، فضای سبز سرسبز و نورپردازی داخلی گرم که تضاد زیبایی با طوفان خاکستری آبی بیرون داشت. بازتاب‌های کره زمین به‌ویژه قانع‌کننده بودند، و نورپردازی کمی طبیعی‌تر احساس می‌شد، اگرچه میز خیس انتخاب عجیبی بود، زیرا به نظر می‌رسید صحنه در داخل خانه است.

صدای تیتان

ChatGPT در سمت چپ، Gemini در سمت راست. (اعتبار تصویر: ChatGPT/Gemini) متن از لحاظ تاریخی یکی از شرم آورترین نقاط ضعف تولید کننده تصویر هوش مصنوعی بوده است. حروف در یکدیگر ذوب می‌شدند، کلمات بیهوده می‌شدند و درخواست یک عبارت دقیق می‌توانست چیزی شبیه یک زبان بیگانه ایجاد کند. برای آزمایش دوم، می‌خواستم ببینم که آیا هر یک از مدل‌ها می‌توانند یک خلاصه طراحی نسبتا سخت را بدون دستکاری تایپوگرافی انجام دهند یا خیر.

پیشنهاد این بود: «یک پوستر سفری یکپارچه‌سازی با آینده‌نگر برای تیتان قمر زحل با متن دقیق «TITAN IS CALLING»، «هفت شب زیر حلقه‌ها» و «شروع از 2499 دلار» طراحی کنید.

ChatGPT یک آگهی مسافرتی مجلل ایجاد کرد که شبیه چیزی است که یک گردشگر فضایی بسیار ثروتمند ممکن است در یک فرودگاه بین سیاره ای با آن مواجه شود. زحل بر آسمان مناظر زیبای نارنجی تسلط داشت، در حالی که استراحتگاه‌های آینده‌نگر و زوجی که از نوشیدنی لذت می‌برند نشان می‌دهند که تیتان منحصر به فردترین مقصد تعطیلات منظومه شمسی شده است. یکی از چیزهایی که من دوست نداشتم این بود که شکافی که بین $ و 2 در رندر متنش ایجاد کرد.

گوگل با یک پوستر علمی-تخیلی رنگارنگ قدیمی که شامل موشک، فضانورد، کوه های یخی و یک پایگاه آینده نگر بود، رویکرد کارتونی تری را در پیش گرفت. در واقع واقع بینانه تر بود که چگونه ماه اصلا مهمان نواز نیست، اما همچنان کیفیت خوش بینانه تبلیغات سفر فضایی دهه 1950 را داشت، با حروف درشت و ظاهری کمی فرسوده. مهم این است که متن درخواستی را نیز به درستی بازتولید کرده است، از جمله قیمت.

کتابخانه فاکس

ChatGPT در سمت چپ، Gemini در سمت راست. (اعتبار تصویر: ChatGPT/Gemini) سازگاری کاراکتر یکی دیگر از مشکلات مشکل ساز تولید کننده تصویر هوش مصنوعی است، به ویژه زمانی که یک شخصیت باید در چندین صحنه ظاهر شود. روباه ممکن است ناگهان ظاهر خود را تغییر دهد، لوازم جانبی خود را از دست بدهد یا یک عضو اضافی بین پانل ها به دست آورد. تصمیم گرفتم این را با یک داستان مصور ساده که هم به تداوم بصری و هم به دنباله ای منسجم از رویدادها نیاز دارد، آزمایش کنم.

درخواست این بود، "یک کمیک چهار صفحه ای ایجاد کنید که روباه نارنجی را نشان می دهد که روسری سبزی بر سر دارد و کلیدی جادویی را کشف می کند، قفل در را باز می کند و وارد کتابخانه می شود. روباه را در هر پانل یکسان نگه دارید."

ChatGPT چهار تصویر تقریبا سه بعدی تولید کرد. به نظر می‌رسید نورپردازی بیشتر توسط کامپیوتر تولید شده باشد، اگرچه روباه طبق درخواست قابل تشخیص بود. این سبک به جای یک کمیک معمولی، به تصویرگری کتاب های کودکان گرایش داشت.

Nano Banana 2.1 چیزی بسیار نزدیک‌تر به یک کمیک استریپ سنتی، با خطوط برجسته، پانل‌های مشخص و یک روباه کارتونی ثابت ارائه کرد. نسخه آن با پیدا کردن کلیدی در جنگل توسط روباه، بررسی آن، باز کردن قفل در درخت و در نهایت ورود به یک کتابخانه جادویی آغاز شد. داستان سرایی واضح تر بود و ظاهر شخصیت به طرز چشمگیری ثابت ماند تا شال سبز و دم سفیدش.

گوگل در اینجا پیشی گرفت زیرا چهار پنل آن شبیه به بخش هایی از همان داستان مصور بود. تصاویر منفرد ChatGPT مفصل‌تر بودند، اما نسبت‌ها و نمایش روباه کمی متفاوت بود و دنباله آن بیشتر شبیه به چهار تصویر جداگانه بود.

اژدها روی میز

یک میز با یک اژدها که در یک دفترچه طراحی شده است. ChatGPT در سمت چپ، Gemini در سمت راست. (اعتبار تصویر: ChatGPT/Gemini) برای آزمایش نهایی، می‌خواستم ببینم مدل‌ها با چه دقتی می‌توانند مجموعه پیچیده‌ای از دستورالعمل‌های خاص را دنبال کنند. هنگامی که یک درخواست حاوی چندین الزام مستقل است، مولدهای تصویر هوش مصنوعی عادت دارند جزئیات کوچک را نادیده بگیرند. قرار دادن همه چیز در تصویر یک چالش است، در حالی که گرفتن اعداد و ترتیب دقیق یک چالش دیگر است.

درخواست این بود: "یک عکس واقع گرایانه از یک میز چوبی با دفترچه یادداشتی که اژدها، قطب نما را به سمت شمال نشان می دهد، ساعت جیبی که 3:15 را نشان می دهد، دقیقا سه مهر مومی قرمز و یک سنگ قیمتی آبی ایجاد کنید."

ChatGPT یک عکس فوق العاده جذاب از یک میز چوبی عتیقه با یک دفترچه یادداشت باز حاوی تصویر پیچیده اژدها تولید کرد. قطب نما، ساعت جیبی، سه مهر مومی قرمز، و سنگ های قیمتی آبی روشن همگی وجود داشتند، و ترکیب به دقت چیده شده به نظر می رسید.

Nano Banana 2.1 همچنین شامل اشیاء درخواستی بود، اما نوت بوک دارای تصویر اژدهای کوچکتر و تمیزتر بود، در حالی که مهرهای مومی، سنگ های قیمتی، قطب نما و ساعت در اطراف آن چیده شده بودند. نتیجه گوگل بیشتر شبیه مجموعه‌ای از اشیاء تاریخی است که به‌طور معمولی مونتاژ شده‌اند، اما یک خطای معمولی در هوش مصنوعی ایجاد می‌کند و زمان را اشتباه نشان می‌دهد و آن را برای ساعت 3:00 تنظیم می‌کند، نه 3:15.

نزدیک شدن به برابری

اگر مشترک Google AI Plus، Pro یا Ultra هستید، می‌توانید به Nano Banana 2.1 در Gemini دسترسی داشته باشید زیرا این مدل پیش‌فرض جدید است. کاربران رایگان همچنان مدل قدیمی Nano Banana 2 را دریافت خواهند کرد.

Nano Banana 2.1 یک تولید کننده تصویر عالی است، اما ChatGPT در حال حاضر آنقدر توانایی دارد که پیشرفت های گوگل لزوما به یک مزیت آشکار تبدیل نمی شوند. هر دو ابزار تصاویر جذاب و دقیقی را از اعلان‌های نسبتا کوتاه تولید می‌کردند و هیچ‌کدام از اشتباهات بصری فاحشی که باعث می‌شد تصاویر تولید شده توسط هوش مصنوعی بلافاصله قابل تشخیص باشند، متحمل نشدند.

گفته می‌شود، اعلان‌ها، سبک‌ها و نسل‌های تکراری مختلف به راحتی می‌توانند نتایج متفاوتی ایجاد کنند. آنچه این آزمایش‌ها نشان می‌دهند این است که تولیدکننده‌های تصویر هوش مصنوعی به سطح قابل‌توجهی از توانایی رسیده‌اند و در بسیاری از کارهای خلاقانه روزمره به برابری نزدیک می‌شوند.

این باعث می شود رقابت جذاب تر شود، حتی اگر انتخاب بین آنها را سخت تر کند. تفاوت ها به طور فزاینده ای به سلیقه و تفسیر می رسد. Nano Banana 2.1 ممکن است جدیدترین ارتقاء چشمگیر گوگل باشد، اما ChatGPT مطمئن شده است که تاج تولید تصویر را بدون مبارزه به دست نخواهد آورد.