ทุกคนในอินเทอร์เน็ตกำลังฮือฮากับโมเดลสร้างภาพใหม่ของ OpenAI อย่าง GPT-Image2 แต่ผมขอสาดน้ำเย็นหน่อย: มันสายเกินไปแล้ว! 🤷♂️ ก่อนอื่น ผมจะไม่พูดเกินจริงว่าโมเดลใหม่ของ OpenAI (arena code: duct-tape) นั้นเจ๋งแค่ไหนด้วยคำชมที่เว่อร์วัง...
สิ่งที่ผมอยากบอกคือ ความก้าวหน้าของ GPT-image2 นั้นเป็น "ฟ้าร้องหลังวสันตวิษุวัต" ที่มาช้า
แต่นั่นไม่ได้หมายความว่า Image2 ไม่น่าสนใจนะ ในทางกลับกัน หลังจากทดสอบพรอมต์บางฉากและตัวละครอย่างจริงจัง ผมพบว่าความสามารถที่แท้จริงและน่ากลัวของมันไม่ใช่คุณภาพของภาพเลย
บางทีมันอาจเป็นตัวเปลี่ยนเกมที่โค่นอำนาจของ Gemini 🍌 ได้ในทันที
แล้วทำไมผมถึงบอกว่ามันเป็นฟ้าร้องที่มาช้า?
มาคุยกันสั้นๆ สักสองสามข้อ:
1. ทำไมช่วงเวลาเก็บเกี่ยวผลประโยชน์จากการทำแอคเคานต์ให้เติบโตด้วยการเขียน "พรอมต์ระดับเทพ" ถึงหมดไปแล้ว?
เพราะช่วงเวลาเก็บเกี่ยวผลประโยชน์จากการทำแอคเคานต์ให้เติบโตผ่าน "พรอมต์ระดับเทพ" ถูกกลืนกินไปโดย Nano Banana Pro ของ Gemini บวกกับ Seedance 2.0 ไปเรียบร้อยแล้ว ช่วงเวลาที่เหมาะสมที่สุดในการเข้าสู่เกมคือเดือนมีนาคม
ยังอยากเข้าสู่เกมด้วยการโพสต์พรอมต์ซ้ำอีกเหรอ? ผมแนะนำให้คิดหนัก
หลักๆ คือกระแสก่อนหน้านี้มันยาวนานเกินไป คู่แข่งที่แท้จริงของมันมีเพียง Gemini เท่านั้น ในอดีต พรอมต์ Nano Banana หลายอันถูกสืบทอดมาจากยุค ChatGPT
ในฐานะโมเดล AI สร้างภาพเจเนอเรชันแรก วัสดุของมันทะลุทะลวงด้วยคุณภาพสูงตั้งแต่ต้น แต่ตั้งแต่เดือนพฤศจิกายน 2025 เป็นต้นมา ดอกเบี้ยทบต้นทั้งหมดก็ถูกบริโภคไปโดย Nano Banana Pro เช่น หลายคน (รวมถึงผม) พึ่งพา Nano Banana ในการเขียนพรอมต์ภาพเพื่อเข้าสู่สาขา AIGC;
ลองคิดดูสิ ตอนนี้ความร้อนแรงที่ลดลงเป็นเพราะโมเดลไม่ดี หรือเพราะความซ้ำซ้อนของเนื้อหาสูงเกินไป?
ผมว่ามันน่าจะเป็นอย่างหลังนะ~
คิดจริงๆ มันเป็นไปไม่ได้ที่โมเดล Image2 ของ ChatGPT จะไปถึงระดับความร้อนแรงเท่ากับ Nano Banana มันควรแข่งขันตอนที่ Nano Banana Pro อยู่ในจุดสูงสุด ตอนนี้มันสายไปแล้ว (ผมพูดกับผู้เล่นที่ต้องการทำแอคเคานต์ให้เติบโตด้วยการเขียนพรอมต์ AIGC มันสายเกินไป ผมแนะนำให้เพื่อนที่กำลังจะเข้าวงการนี้คิดหนักอีกครั้ง)
2. ความเข้าใจภาษาจีนระดับเจ้าของภาษา
มันตอบสนองความต้องการของเขตพื้นที่ใช้ภาษาจีนได้อย่างสมบูรณ์แบบ ไม่เพียงแต่อัตราข้อผิดพลาดในการสร้างตัวอักษรจีนแทบจะมองไม่เห็น แต่ภาพบุคคลก็หลุดพ้นจาก "ความเบื่อหน่ายทางสุนทรียภาพแบบพลาสติก" ของโมเดลก่อนหน้านี้ ผมคิดว่าไม่ต้องอธิบายมาก โมเดล AI ดีหรือไม่ให้ดูที่คุณภาพภาษาจีน และข้อความก็ยังคงเป็นจุดแข็งของ GPT
แต่ก่อนที่ Image2 จะออกมา Nano Banana Pro ของ Gemini ยังคงดิ้นรนในส่วนภาษาจีน มักจะสร้างโค้ดขยะเมื่อมีตัวอักษรจีนมากเกินไป Image2 สมศักดิ์ศรีของคลังวัสดุภาษาจีนที่ยอดเยี่ยมและยึดตลาดจีนได้สำเร็จ
แค่การปรับปรุงตัวอักษรจีนอย่างเดียวพอเหรอ? ภาพบุคคลก็สำคัญไม่แพ้กัน หลายคนแชร์ภาพหน้าจอสตรีมสดที่คล้ายกับภาพด้านล่างนี้แล้ว:
หลังจากดูภาพแล้ว คุณรู้สึกไหมว่าโมเดลใหม่ของ GPT เข้าใจคุณ? พรอมต์ง่ายๆ อย่าง:
"สร้างภาพหน้าจอ Douyin ของสตรีมเมอร์หญิง" ให้เซอร์ไพรส์ที่คุณไม่คาดคิดได้ไหม? (หรือแม้แต่เกินความคาดหมายของคุณ) เห็นความเบื่อหน่ายทางสุนทรียภาพมากเกินไป (หน้าตา 'อินฟลูเอนเซอร์' เหมือนกันทุกที่ใช่ไหม 😂 ตอนเล่น Uni-1 ก็รู้สึกแบบเดียวกัน)
โมเดลในประเทศเองก็เก่งอยู่แล้วในการสร้างภาพบุคคลด้วยการเรียงคำหลักง่ายๆ แต่ Image2 รู้สึกเหมือนเป็นลูกผสมที่ปรับแต่งอย่างดีระหว่างโมเดลในประเทศ (เช่น Doubao Seedream) กับ Gemini ทำได้ดีกว่าในด้านข้อความและดูสมจริงกว่า อีกเหตุผลหนึ่งอาจเป็นเพราะภาพบุคคลของ Gemini ทำให้เกิดความเบื่อหน่ายทางสุนทรียภาพ
โมเดลมักจะน่าทึ่งเพราะมันแก้ปัญหาจุดเจ็บปวดที่อีกโมเดลหนึ่ง (Gemini) สร้างความเดือดร้อนให้ผู้ใช้มานาน สิ่งนี้นำไปสู่ข้อที่สาม
3. การควบคุมโมเดล
ระดับที่โมเดลขนาดใหญ่สามารถทำตามคำสั่งได้ และความจริงที่ไม่ต้องใช้พรอมต์ที่ซับซ้อนยาวเหยียดในการสร้างภาพอีกต่อไป คือกุญแจสำคัญในการตัดสินว่าโมเดลดีหรือไม่ ผมคิดว่านี่คือจุดเด่นของ Image 2 ในครั้งนี้ ผมทำชุดภาพเปรียบเทียบ;
ด้วยพรอมต์เดียวกัน GPT-image2 เชื่อฟังกวา Nano Banana 2/Pro
Gemini 3.1 pro Nano Banana pro
GPT-image2
พรอมต์: 📝 มุมเซลฟี่ต่ำบุคคลที่หนึ่ง, นักคอสเพลย์ชายจีนระดับท็อปอายุ 20 ปี, ใบหน้าละเอียดอ่อน, การแต่งหน้าและเครื่องแต่งกายเหมือนต้นฉบับของ Uzumaki Naruto (นารูโตะผมสั้นหลังจากเป็นโฮคาเงะคนที่เจ็ดใน Boruto) คอสเพลย์เหมือนจริง, มือซ้าย (มือรวมถึงนิ้วและแขนพันผ้าพันแผลทั้งหมด) ถือขวดแก้วใสเอียงดื่มวอดก้า, มือขวาเบื้องหน้าทำท่าหมุนปากกา/ถือ, ภาพใกล้ชิดถือปากกา Apple Pencil สีขาวแบบ capacitive, รายละเอียดมือชัดเจน, ฉากโต๊ะในบ้าน, ผ้าปูโต๊ะลายน้ำเงินขาว, แท็บเล็ตสีดำพื้นหลังแสดงวอลเปเปอร์อนิเมะสีชมพู, สภาพแวดล้อมเบลอ, ภาพเคลื่อนไหวเบลอและรอยเคลื่อนที่, สไตล์ CG เกม, มีศิลปะสูง, น่าตกใจ, สีสันสดใส, ซ้อนทับพื้นที่มืด, ภาพระยะใกล้, ความละเอียดสูงพิเศษ. เศษหมึกพู่กันจำนวนมากกระเซ็น, เศษกระดาษปลิว, เศษกระดาษเบื้องหน้าเบลอ, ภาพเคลื่อนไหวเบลอ, พื้นหลังเบลอแบบไดนามิก, แสงแดดจ้า, แสงและเงาสลับกัน, ภาพระยะใกล้มุมต่ำ, เน้นความเร็วและผลกระทบทางภาพ, มุมมองแข็งแกร่ง. อัตราส่วนดั้งเดิมจำลองความสมจริงของภาพที่ถือด้วยกล้องหน้าของมือถือ, แสงธรรมชาติแบบนุ่มนวลอบอุ่น, โทนสีฟิล์มวินเทจความอิ่มตัวต่ำ, พื้นผิวผิวเหมือนจริง, เส้นผมชัดเจน, พื้นผิวผ้าเป็นธรรมชาติ, การสะท้อนกระจกเหมือนจริง, ความละเอียดสูงพิเศษ 4K 8K, เบลอรูรับแสงกว้าง, ภาพถ่ายสบายๆ ในชีวิตประจำวัน, มีบรรยากาศ, จับภาพแบบภาพยนตร์, เหมือนจริง, ไม่จัดท่า, ธรรมชาติและสบายๆ.
จุดสำคัญในพรอมต์คืออะไร?
1พรอมต์: 📝 มุมเซลฟี่ต่ำบุคคลที่หนึ่ง, นักคอสเพลย์ชายจีนลูกครึ่งหน้าตาดีระดับท็อปอายุ 20 ปี, ใบหน้าละเอียดอ่อน, การแต่งหน้าและเครื่องแต่งกายเหมือนต้นฉบับของ Uzumaki Naruto (นารูโตะผมสั้นหลังจากเป็นโฮคาเงะคนที่เจ็ดใน Boruto) คอสเพลย์เหมือนจริง, มือซ้าย (มือรวมถึงนิ้วและแขนพันผ้าพันแผลทั้งหมด) ถือขวดแก้วใสเอียงดื่มวอดก้า, มือขวาเบื้องหน้าทำท่าหมุนปากกา/ถือ, ภาพใกล้ชิดถือปากกา Apple Pencil สีขาวแบบ capacitive, รายละเอียดมือชัดเจน, ฉากโต๊ะในบ้าน, ผ้าปูโต๊ะลายน้ำเงินขาว, แท็บเล็ตสีดำพื้นหลังแสดงวอลเปเปอร์อนิเมะสีชมพู, สภาพแวดล้อมเบลอ, ภาพเคลื่อนไหวเบลอและรอยเคลื่อนที่, สไตล์ CG เกม, มีศิลปะสูง, น่าตกใจ, สีสันสดใส, ซ้อนทับพื้นที่มืด, ภาพระยะใกล้, ความละเอียดสูงพิเศษ. เศษหมึกพู่กันจำนวนมากกระเซ็น, เศษกระดาษปลิว, เศษกระดาษเบื้องหน้าเบลอ, ภาพเคลื่อนไหวเบลอ, พื้นหลังเบลอแบบไดนามิก, แสงแดดจ้า, แสงและเงาสลับกัน, ภาพระยะใกล้มุมต่ำ, เน้นความเร็วและผลกระทบทางภาพ, มุมมองแข็งแกร่ง. อัตราส่วนดั้งเดิมจำลองความสมจริงของภาพที่ถือด้วยกล้องหน้าของมือถือ, แสงธรรมชาติแบบนุ่มนวลอบอุ่น, โทนสีฟิล์มวินเทจความอิ่มตัวต่ำ, พื้นผิวผิวเหมือนจริง, เส้นผมชัดเจน, พื้นผิวผ้าเป็นธรรมชาติ, การสะท้อนกระจกเหมือนจริง, ความละเอียดสูงพิเศษ 4K 8K, เบลอรูรับแสงกว้าง, ภาพถ่ายสบายๆ ในชีวิตประจำวัน, มีบรรยากาศ, จับภาพแบบภาพยนตร์, เหมือนจริง, ไม่จัดท่า, ธรรมชาติและสบายๆ.
จุดสำคัญคือพรอมต์ ภาพเคลื่อนไหวเบลอและรอยเคลื่อนที่ และ (มือรวมถึงนิ้วและแขนพันผ้าพันแผลทั้งหมด) โดยเฉพาะข้อมูลสำคัญอย่างหลัง ใครที่เคยดูอนิเมะเรื่องนี้จะรู้
พระเอก
มือ พันผ้าพันแผล รายละเอียด
มันพันผ้าพันแผลทั้งหมด ฉันเขียนละเอียดเพราะกลัวโมเดลไม่เข้าใจ
ตอนนี้ GPT-image2 ได้คะแนนเต็ม 💯 (เมื่อเทียบกับโมเดลข้อความเป็นภาพอื่นๆ ทั้งหมด จุดนี้เพียงอย่างเดียวพิสูจน์ว่าการควบคุมรายละเอียดของมันแข็งแกร่งกว่า Gemini) ต้องขอบคุณคลังวัสดุที่เข้มข้นและแม่นยำของ OpenAI ภาพที่สร้างตรงกับต้นฉบับ ในขณะที่ Gemini รู้สึกเหมือนแค่เดา ตอนนี้ถึงตาของ Gemini ที่ต้องเดินทางไกลแล้ว
ไม่ว่าจะเป็นเพราะคำสั่งถูกต้องหรือความหนาแน่นของคลังวัสดุของโมเดล ตอนนี้การควบคุมคำสั่งภาษาจีนของมันยอดเยี่ยมอย่างไม่ต้องสงสัย! มันเข้าใจฉันดี
เห็นไหม? เมื่อ AI เข้าใจภาษามนุษย์อย่างสมบูรณ์และไม่ต้องการพรอมต์ยาวเหยียดอีกต่อไป นั่นหมายความว่า "กำแพงพรอมต์" พังทลายลงอย่างสมบูรณ์
ในช่วงครึ่งหลังของยุค AIGC ในอนาคต การแข่งขันจะไม่เกี่ยวกับคาถาวิเศษอีกต่อไป แต่เป็นองค์ประกอบ ความคิดสร้างสรรค์ และสุนทรียภาพในสมองของคุณ! การพัฒนาเครื่องมือจะเข้าใจคุณมากขึ้นเท่านั้น แต่การแข่งขันภายในระหว่างครีเอเตอร์เพิ่งเริ่มต้น คุณพร้อมที่จะแข่งขันด้วยจินตนาการของคุณหรือยัง? 👇
ส่วนตัวผมคิดว่าคนที่กำลังศึกษาแนวสไตล์จีนสามารถลองดูได้ สไตล์จีนเจ๋งที่สุด
ตอนฉันบอกว่าฟิล์มก็คือฟิล์ม มันคือกลิ่นฟิล์มที่ฉันต้องการเลย
พรอมต์ประโยคเดี่ยวง่ายๆ ไม่จำเป็นต้องใช้คำขยายหรือคำหลักที่ซับซ้อนอีกต่อไป คือทิศทางอนาคตของโมเดลขนาดใหญ่
บันไดสุนทรียภาพใหม่ต้องการการปรับเปลี่ยนและแทนที่อย่างต่อเนื่อง เช่นเดียวกับ Agents ที่รู้จักกันดี หรืออย่างกุ้งก้ามกรามและ Hermès สิ่งที่ต้องการคือการปรับเปลี่ยนอย่างต่อเนื่อง ไม่ใช่การหยุดนิ่ง
สำหรับเพื่อนที่ยังไม่มีสมาชิก ChatGPT และต้องการทดสอบ สามารถไปที่ Arena (โหมดการต่อสู้) ที่ลิงก์ด้านล่าง:
สุ่มการ์ด: https://arena.ai/
duct-tape-1/2/3 เป็นโมเดลสร้างทั้งหมดของ GPT-image2
