इंटरनेट पर हर कोई OpenAI के नए इमेज जनरेशन मॉडल GPT-Image2 का जमकर प्रचार कर रहा है, लेकिन मुझे थोड़ा ठंडा पानी डालना पड़ेगा: यह बहुत देर से आया है! 🤷♂️ पहले, मैं यह नहीं बढ़ा-चढ़ाकर कहूंगा कि OpenAI का नया मॉडल (एरिना कोड: duct-tape) कितना शानदार है...
मैं यह कहना चाहता हूं कि GPT-image2 की प्रगति एक देर से आया हुआ "वसंत का गर्जन" है।
लेकिन इसका मतलब यह नहीं है कि Image2 का उल्लेख करने लायक नहीं है। इसके विपरीत, कुछ सीन और कैरेक्टर प्रॉम्प्ट का गहराई से परीक्षण करने के बाद, मुझे इसकी वास्तव में डरावनी किलर फीचर इमेज क्वालिटी बिल्कुल भी नहीं लगी।
शायद यह एक गेम-चेंजर है जो तुरंत Gemini 🍌 के आधिपत्य को खत्म कर देता है।
तो मैं ऐसा क्यों कहता हूं कि यह देर से आया हुआ गर्जन है?
आइए मैं कुछ बिंदुओं पर संक्षेप में बात करता हूं:
1. "गॉड-टियर प्रॉम्प्ट" लिखकर अकाउंट ग्रोथ करने का लाभांश काल क्यों खत्म हो गया है?
क्योंकि "गॉड-टियर प्रॉम्प्ट" के माध्यम से अकाउंट ग्रोथ करने का लाभांश काल पहले ही Gemini के Nano Banana Pro और Seedance 2.0 द्वारा खा लिया गया था। इस खेल में उतरने का सबसे उपयुक्त समय मार्च था।
अब भी प्रॉम्प्ट को रीपोस्ट करके खेल में प्रवेश करना चाहते हैं? मैं आपको दो बार सोचने की सलाह देता हूं।
मुख्य रूप से, इसका पिछला प्रचार बहुत लंबा चला। इसका एकमात्र सच्चा प्रतिद्वंद्वी Gemini है। पहले, कई Nano Banana प्रॉम्प्ट ChatGPT युग से विरासत में मिले थे।
ऑनलाइन AI इमेज मॉडल की पहली पीढ़ी के रूप में, इसकी सामग्री शुरुआत में उच्च गुणवत्ता के साथ सफल हुई। हालांकि, नवंबर 2025 के बाद से, मूल रूप से सभी चक्रवृद्धि ब्याज Nano Banana Pro द्वारा खत्म कर दिया गया है। उदाहरण के लिए, कई लोगों ने AIGC क्षेत्र में प्रवेश करने के लिए Nano Banana पर इमेज प्रॉम्प्ट लिखने पर भरोसा किया, जिसमें मैं भी शामिल हूं;
ज़रा सोचिए, क्या हीट में मौजूदा गिरावट इसलिए है क्योंकि मॉडल खराब है या क्योंकि सामग्री की पुनरावृत्ति बहुत अधिक है?
मुझे लगता है कि यह शायद बाद वाला है~
तो गंभीरता से सोचें, ChatGPT के Image2 मॉडल के लिए Nano Banana जितनी हीट हासिल करना असंभव है। इसे Nano Banana Pro के चरम पर प्रतिस्पर्धा करनी चाहिए थी। अब, यह देर हो चुकी है (मैं उन खिलाड़ियों से बात कर रहा हूं जो AIGC प्रॉम्प्ट लिखकर अकाउंट ग्रोथ करना चाहते हैं; बहुत देर हो चुकी है, मैं सर्कल में प्रवेश करने वाले दोस्तों को दो बार सोचने की सलाह देता हूं)।
2. देशी स्तर की चीनी भाषा समझ
यह चीनी भाषी क्षेत्र की जरूरतों को पूरी तरह से पूरा करता है। न केवल चीनी अक्षर निर्माण में त्रुटि दर मुश्किल से ध्यान देने योग्य है, बल्कि पोर्ट्रेट भी पिछले मॉडलों की "प्लास्टिक सौंदर्य थकान" से बच गए हैं। मुझे लगता है कि मुझे ज्यादा विस्तार से बताने की जरूरत नहीं है; कोई AI मॉडल अच्छा है या नहीं यह उसकी चीनी गुणवत्ता पर निर्भर करता है, और टेक्स्ट हमेशा GPT की ताकत रही है।
लेकिन Image2 आने से पहले, Gemini का Nano Banana Pro अभी भी चीनी क्षेत्र में संघर्ष कर रहा था, जब बहुत सारे चीनी अक्षर होते थे तो अक्सर गार्बल कोड उत्पन्न होता था। Image2 अपने उत्कृष्ट चीनी मटेरियल लाइब्रेरी पर खरा उतरता है और चीनी बाजार पर कब्जा करता है।
क्या अकेले चीनी अक्षरों में सुधार काफी है? पोर्ट्रेट भी उतने ही महत्वपूर्ण हैं। बहुत से लोगों ने पहले ही नीचे दिए गए चित्र के समान लाइवस्ट्रीम स्क्रीनशॉट साझा किए हैं:
तस्वीर देखने के बाद, क्या आपको लगता है कि GPT का नया मॉडल आपको समझता है? क्या एक सरल प्रॉम्प्ट जैसे:
"एक महिला स्ट्रीमर का Douyin स्क्रीनशॉट बनाएं" आपको एक अप्रत्याशित आश्चर्य दे सकता है? (या आपकी उम्मीदों से भी आगे निकल सकता है)। बहुत अधिक सौंदर्य थकान देखकर (क्या 'इंटरनेट सेलिब्रिटी' लुक हर जगह एक जैसा नहीं होता? 😂 Uni-1 के साथ खेलते समय भी ऐसा ही लगा)।
देशी मॉडल स्वयं सरल कीवर्ड स्टैकिंग के साथ पोर्ट्रेट बनाने में पहले से ही अद्भुत हैं; लेकिन Image2 अधिक देशी मॉडल (जैसे Doubao Seedream) और Gemini के बीच एक अनुकूलित हाइब्रिड की तरह लगता है, जो टेक्स्ट में बेहतर प्रदर्शन करता है और अधिक यथार्थवादी दिखाई देता है। एक और कारण यह हो सकता है कि Gemini के पोर्ट्रेट ने सौंदर्य थकान पैदा कर दी है।
एक मॉडल अक्सर चौंकाने वाला होता है क्योंकि यह उन दर्द बिंदुओं को हल करता है जिन्होंने दूसरे मॉडल (Gemini) ने लंबे समय तक उपयोगकर्ताओं को परेशान किया है। यह तीसरे बिंदु की ओर ले जाता है।
3. मॉडल नियंत्रणीयता
एक बड़े मॉडल का निर्देशों का पालन करने की डिग्री और यह तथ्य कि इसे छवियां उत्पन्न करने के लिए जटिल और लंबे प्रॉम्प्ट की आवश्यकता नहीं है, यह निर्धारित करने की कुंजी है कि मॉडल अच्छा है या नहीं। मैं व्यक्तिगत रूप से सोचता हूं कि यह इस बार Image 2 का मुख्य आकर्षण है। मैंने तुलना छवियों का एक सेट किया;
एक ही प्रॉम्प्ट के साथ, GPT-image2 Nano Banana 2/Pro से अधिक आज्ञाकारी है।
Gemini 3.1 pro Nano Banana pro
GPT-image2
प्रॉम्प्ट: 📝 फर्स्ट-पर्सन लो-एंगल सेल्फी परिप्रेक्ष्य, एक 20 वर्षीय शीर्ष चीनी पुरुष कॉसप्लेयर, उत्कृष्ट विशेषताएं, उज़ुमाकी नारुतो (बोरुटो में सातवें होकेज बनने के बाद छोटे बालों वाला नारुतो) का 1:1 मेकअप और कॉस्ट्यूम पुनर्स्थापन, रियल-लाइफ़ कॉस्प्ले, बायां हाथ (हाथ जिसमें उंगलियां और बांह पूरी तरह से पट्टियों में लिपटी हुई हैं) वोदका पीते हुए एक पारदर्शी कांच की बोतल पीछे की ओर झुकाकर पकड़े हुए, अग्रभूमि दाहिना हाथ पेन-स्पिनिंग/पकड़ने की क्रिया कर रहा है, एक सफेद Apple Pencil कैपेसिटिव पेन पकड़े हुए क्लोज़-अप, स्पष्ट हाथ विवरण, इनडोर होम डेस्क दृश्य, नीले और सफेद पैटर्न वाला मेज़पोश, पृष्ठभूमि काला टैबलेट गुलाबी एनीमे वॉलपेपर प्रदर्शित कर रहा है, धुंधला वातावरण, गति धुंधलापन और गति के निशान, गेम CG शैली, अत्यधिक कलात्मक, चौंकाने वाला, समृद्ध रंग, गहरे क्षेत्र का ओवरले, क्लोज़-अप शॉट, अल्ट्रा-हाई डेफिनिशन। बड़ी मात्रा में ब्रश कैलिग्राफी रबिंग छप रही है, कागज के टुकड़े उड़ रहे हैं, अग्रभूमि के कागज के टुकड़े धुंधले हैं, गति धुंधलापन, पृष्ठभूमि गतिशील धुंधलापन, तेज धूप, आपस में जुड़ा प्रकाश और छाया, लो-एंगल क्लोज़-अप शॉट, गति और दृश्य प्रभाव पर प्रकाश डालता है, मजबूत परिप्रेक्ष्य। मूल अनुपात एक मोबाइल फोन के फ्रंट कैमरा हैंडहेल्ड शॉट के यथार्थवाद का अनुकरण करता है, गर्म नरम प्राकृतिक प्रकाश, कम-संतृप्ति विंटेज फिल्म टोन, यथार्थवादी पोर्ट्रेट त्वचा बनावट, स्पष्ट बाल किस्में, प्राकृतिक कपड़ों की बनावट, यथार्थवादी कांच प्रतिबिंब, 4K 8K अल्ट्रा-हाई डेफिनिशन, बड़ा एपर्चर धुंधलापन, आराम से दैनिक स्नैपशॉट, वायुमंडलीय, सिनेमाई कैप्चर, जीवन जैसा, पोज़ नहीं दिया गया, आकस्मिक और प्राकृतिक।
प्रॉम्प्ट में मुख्य बिंदु क्या हैं?
1प्रॉम्प्ट: 📝 फर्स्ट-पर्सन लो-एंगल सेल्फी परिप्रेक्ष्य, एक 20 वर्षीय शीर्ष चीनी-मिश्रित सुंदर पुरुष कॉसप्लेयर, उत्कृष्ट विशेषताएं, उज़ुमाकी नारुतो (बोरुटो में सातवें होकेज बनने के बाद छोटे बालों वाला नारुतो) का 1:1 मेकअप और कॉस्ट्यूम पुनर्स्थापन, रियल-लाइफ़ कॉस्प्ले, बायां हाथ (हाथ जिसमें उंगलियां और बांह पूरी तरह से पट्टियों में लिपटी हुई हैं) वोदका पीते हुए एक पारदर्शी कांच की बोतल पीछे की ओर झुकाकर पकड़े हुए, अग्रभूमि दाहिना हाथ पेन-स्पिनिंग/पकड़ने की क्रिया कर रहा है, एक सफेद Apple Pencil कैपेसिटिव पेन पकड़े हुए क्लोज़-अप, स्पष्ट हाथ विवरण, इनडोर होम डेस्क दृश्य, नीले और सफेद पैटर्न वाला मेज़पोश, पृष्ठभूमि काला टैबलेट गुलाबी एनीमे वॉलपेपर प्रदर्शित कर रहा है, धुंधला वातावरण, गति धुंधलापन और गति के निशान, गेम CG शैली, अत्यधिक कलात्मक, चौंकाने वाला, समृद्ध रंग, गहरे क्षेत्र का ओवरले, क्लोज़-अप शॉट, अल्ट्रा-हाई डेफिनिशन। बड़ी मात्रा में ब्रश कैलिग्राफी रबिंग छप रही है, कागज के टुकड़े उड़ रहे हैं, अग्रभूमि के कागज के टुकड़े धुंधले हैं, गति धुंधलापन, पृष्ठभूमि गतिशील धुंधलापन, तेज धूप, आपस में जुड़ा प्रकाश और छाया, लो-एंगल क्लोज़-अप शॉट, गति और दृश्य प्रभाव पर प्रकाश डालता है, मजबूत परिप्रेक्ष्य। मूल अनुपात एक मोबाइल फोन के फ्रंट कैमरा हैंडहेल्ड शॉट के यथार्थवाद का अनुकरण करता है, गर्म नरम प्राकृतिक प्रकाश, कम-संतृप्ति विंटेज फिल्म टोन, यथार्थवादी पोर्ट्रेट त्वचा बनावट, स्पष्ट बाल किस्में, प्राकृतिक कपड़ों की बनावट, यथार्थवादी कांच प्रतिबिंब, 4K 8K अल्ट्रा-हाई डेफिनिशन, बड़ा एपर्चर धुंधलापन, आराम से दैनिक स्नैपशॉट, वायुमंडलीय, सिनेमाई कैप्चर, जीवन जैसा, पोज़ नहीं दिया गया, आकस्मिक और प्राकृतिक।
मुख्य बिंदु प्रॉम्प्ट गति धुंधलापन और गति के निशान और (हाथ जिसमें उंगलियां और बांह पूरी तरह से पट्टियों में लिपटी हुई हैं) हैं। विशेष रूप से बाद की महत्वपूर्ण जानकारी, जिसने भी यह एनीमे देखा है वह जानता है
नायक का
हाथ पट्टियों में लिपटा हुआ विवरण
यह पूरी तरह से पट्टियों में लिपटा हुआ है; मैंने डर के कारण इसे विस्तार से लिखा कि कहीं मॉडल समझ न पाए।
वर्तमान में, GPT-image2 ने पूर्ण अंक 💯 प्राप्त किए हैं (अन्य सभी टेक्स्ट-टू-इमेज मॉडलों की तुलना में, यह एक बिंदु ही साबित करता है कि इसका विवरण नियंत्रण Gemini से बेहतर है)। OpenAI के समृद्ध और सटीक मटेरियल लाइब्रेरी के लिए धन्यवाद, उत्पन्न छवि मूल कार्य से मेल खाती है, जबकि Gemini ऐसा लगता है जैसे वह सिर्फ अनुमान लगा रहा है। अब Gemini की बारी है एक लंबा रास्ता तय करने की।
चाहे यह निर्देशों के सही होने के कारण हो या मॉडल के मटेरियल लाइब्रेरी के घनत्व के कारण, वर्तमान में, चीनी निर्देशों पर इसका नियंत्रण निस्संदेह उत्कृष्ट है! यह मुझे अच्छी तरह से समझता है।
क्या आप देखते हैं? जब AI पूरी तरह से मानवीय भाषा को समझ लेता है और अब लंबे-चौड़े प्रॉम्प्ट की आवश्यकता नहीं होती है, तो इसका मतलब है कि "प्रॉम्प्ट बाधा" पूरी तरह से ढह गई है।
भविष्य के AIGC युग के दूसरे भाग में, प्रतिस्पर्धा अब जादू मंत्रों के बारे में नहीं होगी, बल्कि आपके दिमाग में रचना, रचनात्मकता और सौंदर्यशास्त्र के बारे में होगी! टूल पुनरावृत्तियां आपको केवल बेहतर समझेंगी, लेकिन रचनाकारों के बीच आंतरिक प्रतिस्पर्धा अभी शुरू हुई है। क्या आप अपनी कल्पना के साथ प्रतिस्पर्धा करने के लिए तैयार हैं? 👇
व्यक्तिगत रूप से, मुझे लगता है कि चीनी शैली पर शोध करने वाले लोग इसे आज़मा सकते हैं; चीनी शैली सबसे अच्छी है।
जब मैं फिल्म कहता हूं, तो यह फिल्म है; यह बिल्कुल वही फिल्मी स्वाद है जो मुझे चाहिए था।
सरल एक-वाक्य प्रॉम्प्ट, अब अत्यधिक संशोधक या जटिल कीवर्ड की आवश्यकता नहीं है, यह बड़े मॉडलों की भविष्य की दिशा है।
एक नए सौंदर्य स्तर को निरंतर पुनरावृत्ति और प्रतिस्थापन की आवश्यकता होती है। जैसे प्रसिद्ध Agents या लॉबस्टर और हर्मीस जैसी चीजें। जो चीज चाहिए वह निरंतर पुनरावृत्ति है, न कि स्थिर रहना।
उन दोस्तों के लिए जिनके पास अभी तक ChatGPT सदस्यता नहीं है और परीक्षण करने की आवश्यकता है, आप नीचे दिए गए लिंक पर Arena (बैटल मोड) जा सकते हैं:
कार्ड ड्रा करें: https://arena.ai/
duct-tape-1/2/3 सभी GPT-image2 जनरेशन मॉडल हैं।
