DALL-E 3 handbók: Eiginleikar, verðlagning og viðmið (2024)

DALL-E 3 táknar hápunkt rannsókna OpenAI á fjölþættri (multimodal) skapandi gervigreind. Ólíkt forvera sínum, DALL-E 2, sem krafðist oft flókinnar „prompt engineering“ til að ná fram sérstökum niðurstöðum, er DALL-E 3 hannað til að skilja blæbrigði og smáatriði með áður óþekktri nákvæmni. Það byggir á háþróaðri diffusion-arkitektúr og þýðir lýsandi texta yfir í hágæða myndmál með því að fínpússa suð (noise) í samfelldar strúktúra á endurtekinn hátt. Þetta líkan er ekki bara tól fyrir listamenn; það er brú á milli náttúrulegs tungumáls og sjónrænnar birtingar, sem gerir notendum kleift að lýsa senu á venjulegri ensku og fá útkomu sem virðir rýmistengsl, lýsingu og sérstaka listræna stíla. Þar sem iðnaðurinn stefnir í átt að stýranlegri gervigreind, sker DALL-E 3 sig úr fyrir djúpa samþættingu við LLMs, sérstaklega ChatGPT, sem virkar sem hugmyndafélagi til að útvíkka einfaldar hugmyndir í ríkar, lýsandi skipanir sem myndlíkanið getur framkvæmt með skurðlæknislegri nákvæmni.

Eitt mikilvægasta framfarasporið í DALL-E 3 er hæfni þess til að fylgja flóknum leiðbeiningum í mörgum lögum. Á meðan eldri módel gætu hunsað ákveðin lýsingarorð eða mistekist að staðsetja hluti rétt miðað við hvern annan, þá skarar DALL-E 3 fram úr í spatial reasoning (rýmisgreind). Ef þú biður um „lítinn rauðan tening sem situr ofan á stórum bláum kúlu vinstra megin við gullinn pýramída“, þá staðsetur líkanið þessa hluti nákvæmlega þar sem þeir eiga að vera. Þetta stig stjórnunar er nauðsynlegt fyrir faglega hönnuði sem þurfa að fylgja ströngum vörumerkjaleiðbeiningum eða sérstökum myndbyggingum. Ennfremur tryggir latent consistency líkansins að þeim stíleinkennum sem beðið er um — hvort sem það er olíumálverk frá 19. öld eða nútímaleg 3D-myndgerð — sé beitt jafnt yfir allan flötinn án þess að „stílleki“ eigi sér stað, sem er algengt í minna þróuðum kerfum.

DALL-E 3 skipar einstakan sess í vistkerfi OpenAI vegna innbyggðrar samþættingar við ChatGPT. Þetta gerir kleift að vinna í samræðuformi þar sem gervigreindin hjálpar til við að fínpússa sýn notandans. Í stað þess að berjast við að finna réttu leitarorðin geta notendur lýst markmiðum sínum í eðlilegu samtali. ChatGPT býr þá til þær ítarlegu skipanir sem þarf til að kalla fram bestu frammistöðu DALL-E 3. Þessi „human-in-the-loop“ nálgun lækkar þröskuldinn fyrir gerð hágæða efnis.

Í heimi skapandi gervigreindar eru viðmið eins og Fréchet Inception Distance (FID) notuð til að mæla hversu „raunverulegar“ myndirnar eru. DALL-E 3 hefur sýnt samkeppnishæf FID-stig, oft í kringum 7,5 á stöðluðum gagnasöfnum eins og MS-COCO, sem er merkjanleg framför frá FID-stigi DALL-E 2 sem var um það bil 20. Hins vegar liggur raunverulegur styrkur DALL-E 3 ekki bara í gæðum pixlanna heldur í Prompt Adherence Score þess. Í rannsóknum á mati manna var DALL-E 3 valið fram yfir Midjourney v5.2 og Stable Diffusion XL í yfir 80% tilfella þegar skipunin fól í sér flóknar senulýsingar eða sérstakar kröfur um texta í mynd. Þessir yfirburðir gera það að fyrsta vali fyrir fyrirtækjanotkun þar sem nákvæmni skiptir meira máli en eingöngu fagurfræðilegur „stíll“.

OpenAI hefur skipulagt verðlagningu fyrir DALL-E 3 þannig að hún sé aðgengileg bæði fyrir almenna notendur og stór fyrirtæki. Fyrir einstaklinga er aðgangur innifalinn í $20/mánuði ChatGPT Plus áskriftinni. Hins vegar býður API-viðmótið upp á nákvæmara „borgaðu-jafnóðum“ líkan. Staðlaðar 1024x1024 myndir eru verðlagðar á $0,040 á mynd fyrir „HD“ gæðaflokkinn, á meðan venjuleg gæði kosta $0,020. Þessi gagnsæja verðlagning gerir sprotafyrirtækjum kleift að skala myndsköpun sína án mikilla fyrirframfjárfestinga. Til að sjá ítarlegan samanburð á þessum kostnaði við önnur líkön í vörulistanum okkar skaltu heimsækja verðskrána okkar til að fínstilla fjárhagsáætlun þína fyrir þínar sérstöku kröfur.

Markaðsdeildir nota DALL-E 3 til að búa til frumgerðir af herferðum og efni fyrir samfélagsmiðla á skjótan hátt. Þar sem líkanið getur teiknað texta af nákvæmni er það sérstaklega gagnlegt til að búa til sýnishorn af veggspjöldum, auglýsingaskiltum og vöruumbúðum. Skapandi stjórnandi getur slegið inn skipun eins og „straumlínulöguð, mínimalísk ilmvatnsflaska á marmarastandi með textanum 'Ethereal' grafinn í gulli“, og fengið nothæfa hugmynd á nokkrum sekúndum. Þetta dregur verulega úr tíma og kostnaði sem fylgir fyrstu stigum skapandi vinnu. Með því að samþætta DALL-E 3 geta auglýsingastofur sjálfvirknivætt gerð hundraða persónulegra auglýsinga byggðar á mismunandi lýðfræði notenda, og tryggt að hvert myndefni sé sniðið að sínum markhópi.

Þó að DALL-E 3 sé mikið stökk fram á við, er það ekki án takmarkana. Eins og öll diffusion-líkön getur það enn átt í erfiðleikum með flókna líffærafræði mannsins, og stundum búið til myndir með röngum fjölda fingra eða óeðlilegri stöðu útlima. Ennfremur, þó að textateiknun hafi batnað til muna, getur það samt „ofskynjað“ stafi í mjög löngum setningum. Frá siðferðilegu sjónarmiði hefur OpenAI innleitt strangar öryggisreglur til að koma í veg fyrir gerð skaðlegs efnis eða eftirhermu opinberra persóna. Þetta er tvíeggjað sverð; þó það verji gegn misnotkun getur það stundum leitt til „of-höfnunar“ þar sem saklausum skipunum er hafnað af öryggissíunni.

Helstu keppinautar DALL-E 3 eru Midjourney og Stable Diffusion. Midjourney er oft lofað fyrir sinn „kvikmyndalega“ og „listræna“ sjálfgefna stíl, sem lítur oft vel út með lágmarks leiðbeiningum. Hins vegar vinnur DALL-E 3 á stýranleika. Ef þú þarft sérstakan hlut á ákveðnum stað getur ófyrirsjáanleiki Midjourney gert það erfitt að fá nákvæma niðurstöðu. Stable Diffusion býður aftur á móti upp á mesta sveigjanleikann fyrir lengra komna notendur sem vilja keyra líkön staðbundið eða nota verkfæri eins og ControlNet. Hins vegar krefst Stable Diffusion mikillar tækniþekkingar og vélbúnaðar. DALL-E 3 býður upp á hinn fullkomna milliveg: hágæða, fyrirsjáanlegar niðurstöður án þess að þurfa að hafa áhyggjur af innviðum, sem gerir það að kjörnum kosti fyrir flest viðskiptatilfelli.

DALL-E 3 er meira en bara myndvinnsluforrit; það er grundvallarbreyting á því hvernig við eigum samskipti við sjónræna miðla. Með því að lækka þröskuldinn fyrir sköpun og auka nákvæmni gervigreindrar listar hefur OpenAI opnað dyrnar að nýju tímabili sjónrænna samskipta. Hvort sem þú ert forritari sem vill samþætta gervigreind í appið þitt eða fyrirtæki sem vill straumlínulaga skapandi vinnuferla, þá býður DALL-E 3 upp á öfluga, áreiðanlega og afkastamikla lausn. Tilbúinn að byrja? Skráðu þig í dag og búðu til þína fyrstu mynd.