GPT Image 2 วางวัตถุแม่นกว่า GPT Image 1.5 แค่ไหน?

ในแหล่งข้อมูล OpenAI API changelog, Models และ All models ที่ตรวจสอบได้จากชุดข้อมูลนี้ ยังไม่พบการประกาศตัวเลขเปรียบเทียบ GPT Image 2 กับ GPT Image 1.5 โดยเฉพาะด้าน complex composition, spatial accuracy หรือ multi-object placement ดังนั้นในเชิงหลักฐาน ตอนนี้พูดได้เพียงว่า GPT Image 1.5 มีหน้าโมเดลทางการและถูกอธิบายว่าทำตามพรอมป์ได้ดีขึ้น แต่ยังไม่ควรสรุปว่า GPT Image 2 วางวัตถุแม่นขึ้น X%

สถานะของ GPT Image 2 ในแหล่งสาธารณะยังไม่เป็นเสียงเดียวกัน

ปัญหาไม่ได้อยู่ที่ไม่มีใครพูดถึง GPT Image 2 เลย แต่อยู่ที่แหล่งข้อมูลสาธารณะพูดไม่ตรงกัน Mew Design ใช้ถ้อยคำแบบระมัดระวังว่า GPT Image 2 ดูเหมือนอยู่ในช่วงทดสอบ แต่ยังไม่ได้เปิดตัวอย่างเป็นทางการในฐานะโมเดล OpenAI ที่มีชื่อชัดเจน getimg.ai ก็ระบุว่า OpenAI ยังไม่ได้ประกาศ GPT Image 2 และไลน์อัปสาธารณะหยุดอยู่ที่ gpt-image-1.5

ขณะเดียวกัน มีบทความบุคคลที่สามอีกแหล่งหนึ่งอ้างว่า OpenAI เปิดตัว ChatGPT Images 2.0 หรือ gpt-image-2 เมื่อวันที่ 21 เมษายน 2026 พร้อมกล่าวถึง Arena score 1,512 ส่วนบทความรีวิวจาก RenovateQR ระบุว่าผู้เขียนทดสอบ GPT Image 2 ด้วยชุดพรอมป์มาตรฐาน ครอบคลุมภาพสินค้า, UI mockup, ป้ายหลายภาษา, ภาพบุคคล และคอนเทนต์แบรนด์ แต่จากข้อความที่มี ยังไม่เห็นอัตราความสำเร็จของการวางวัตถุหลายชิ้นที่ทำซ้ำได้ ไม่เห็นตัวเลขความถูกต้องของความสัมพันธ์ซ้าย/ขวา หน้า/หลัง และไม่เห็นตารางเทียบเต็มกับ GPT Image 1.5

สรุปแบบปลอดภัยคือ มีแหล่งบุคคลที่สามอ้างว่า GPT Image 2 มีอยู่ กำลังทดสอบ หรือเปิดตัวแล้ว แต่สำหรับคำถามเฉพาะว่า “จัดองค์ประกอบซับซ้อนและวางวัตถุแม่นขึ้นเท่าไร” ข้อมูลปัจจุบันยังไม่ให้คำตอบเชิงปริมาณที่เป็นทางการ ตรวจสอบได้ และทำซ้ำได้

ทำไมคะแนน 1,512 เทียบ 1,241 ไม่ใช่ความแม่นยำในการวางวัตถุ

มีหน้าเว็บบุคคลที่สามระบุว่า GPT Image 2 ได้คะแนน 1,512 ส่วน GPT Image 1.5 ได้ 1,241 ต่างกัน 271 คะแนน ตัวเลขนี้อาจใช้ได้แค่ในฐานะ “มีแหล่งหนึ่งอ้างว่าคะแนนรวมของ GPT Image 2 สูงกว่า” แต่ไม่ควรนำไปเขียนต่อว่า “ความแม่นยำในการวางวัตถุเพิ่มขึ้น 271 คะแนน” หรือ “แม่นขึ้นกี่เปอร์เซ็นต์”

เหตุผลคือ:

• ข้อความที่มีไม่ได้ระบุว่าคะแนนนั้นทดสอบเฉพาะคอมโพสซับซ้อน ความสัมพันธ์เชิงตำแหน่ง การบังกันของวัตถุ หรือการวางวัตถุหลายชิ้นหรือไม่
• คะแนนรวมไม่ใช่อัตรา pass/fail ของความแม่นยำ หากไม่มีจำนวนตัวอย่าง วิธีให้คะแนน และประเภทข้อผิดพลาด ก็แปลง 1,512 เทียบ 1,241 ให้เป็น “แม่น X%” ไม่ได้
• เอกสาร OpenAI API ที่อ้างอิงได้ไม่ได้ให้ benchmark ด้าน spatial accuracy หรือ object placement ของ GPT Image 2 เทียบ GPT Image 1.5 บนชุดทดสอบเดียวกัน

ดังนั้น ถ้าต้องเขียนบทความ หน้าโปรดักต์ หรือเอกสารขายให้แม่นยำที่สุด ควรพูดได้แค่ว่า “มีแหล่งบุคคลที่สามระบุว่า GPT Image 2 ได้คะแนนสูงกว่า GPT Image 1.5” แต่ไม่ควรเขียนว่า “มีหลักฐานทางการว่า GPT Image 2 วางวัตถุแม่นขึ้น X%”

benchmark ที่น่าเชื่อถือควรหน้าตาอย่างไร

ถ้าจะตอบจริง ๆ ว่า GPT Image 2 เก่งกว่า GPT Image 1.5 ด้านคอมโพสซับซ้อนหรือไม่ การทดสอบต้องเข้มกว่าการดูว่า “ภาพไหนสวยกว่า” อย่างน้อยควรมีสิ่งต่อไปนี้:

1. ใช้พรอมป์ชุดเดียวกันกับทั้งสองโมเดล — ต้องบันทึกชื่อโมเดล เวอร์ชัน หรือ snapshot ให้ชัด ไม่ควรเอาผลลัพธ์คนละช่วงเวลา คนละการตั้งค่า มาปนกัน
2. ทดสอบความสัมพันธ์เชิงพื้นที่โดยตรง — เช่น ซ้าย/ขวา หน้า/หลัง บน/ล่าง การบังกัน การถือวัตถุ การวางกึ่งกลาง การชิดขอบ และความสัมพันธ์ระหว่างวัตถุหลายชิ้น
3. มี rubric แบบ pass/fail ที่ชัดเจน — แยกดูตัวตนของวัตถุ จำนวนวัตถุ ตำแหน่งสัมพัทธ์ การบังกัน สัดส่วน ข้อความที่ระบุ และองค์ประกอบแบรนด์
4. ใช้ blind test หรือผู้ประเมินหลายคน — ลดปัญหาการเลือกเฉพาะภาพที่ดีที่สุด หรือการให้คะแนนแบบลำเอียงเพราะรู้ว่าเป็นภาพจากโมเดลใด
5. แยก Generations กับ Edits ออกจากกัน — เพราะเอกสาร OpenAI แยกการสร้างภาพใหม่จากข้อความกับการแก้ไขภาพเดิมเป็นคนละเวิร์กโฟลว์อยู่แล้ว

ถ้าไม่มีเงื่อนไขเหล่านี้ ภาพตัวอย่างไม่กี่ภาพ สกรีนช็อตจากโซเชียล หรือคะแนนรวมเพียงตัวเดียว ยังไม่พอจะตอบว่า “วางวัตถุแม่นขึ้นเท่าไร”

วิธีทำงานที่ปลอดภัยสำหรับทีมสินค้า ดีไซน์ และมาร์เก็ตติ้ง

ตราบใดที่ยังไม่มี benchmark ทางการหรือ benchmark บุคคลที่สามที่ทำซ้ำได้ ไม่ควรถือว่า “GPT Image 2 วางวัตถุแม่นกว่า” เป็นข้อเท็จจริงที่วัดเป็นตัวเลขแล้ว แนวทางที่ปลอดภัยกว่าคือ:

• ใช้ GPT Image 1.5 เป็น baseline ที่อ้างอิงได้ เพราะมีหน้าโมเดล OpenAI API และถูกอธิบายว่ามี instruction following กับ prompt adherence ดีขึ้น
• สร้างชุดพรอมป์ประจำทีม ครอบคลุมจำนวนวัตถุ ความสัมพันธ์ซ้าย/ขวา หน้า/หลัง การบังกัน ตำแหน่งข้อความ การรักษาองค์ประกอบแบรนด์ และการจัดวาง UI
• ให้คะแนนแบบ pass/fail ก่อนประเมินความสวยงาม เพราะภาพที่ดูดีอาจวางวัตถุผิดตำแหน่ง
• แยกบันทึกผลของ text-to-image generation กับ image edits เพราะ OpenAI เองแยกสองเวิร์กโฟลว์นี้ในเอกสาร
• เวลาสื่อสารกับลูกค้าหรือผู้มีส่วนได้ส่วนเสีย ควรหลีกเลี่ยงการสัญญาเป็นเปอร์เซ็นต์ และใช้ถ้อยคำว่า “ต้องทดสอบกับ use case ของเราเอง” จะตรงกว่า

คำตัดสินตอนนี้

ข้อสรุปที่หลักฐานรองรับได้มากที่สุดคือ GPT Image 1.5 มีหน้าโมเดล OpenAI API ที่อ้างอิงได้ และถูกระบุว่ามี prompt adherence ดีขึ้น ส่วน GPT Image 1 เป็นโมเดลสร้างภาพรุ่นก่อนหน้า แต่สำหรับ GPT Image 2 ว่าแม่นกว่า GPT Image 1.5 แค่ไหนในงานคอมโพสซับซ้อนและการวางวัตถุ ยังไม่มีข้อมูลสาธารณะที่ตรวจสอบได้เพียงพอ

แหล่งบุคคลที่สามยังให้ภาพไม่ตรงกันเกี่ยวกับสถานะของ GPT Image 2 และคะแนนรวมอย่าง 1,512 เทียบ 1,241 ไม่สามารถใช้แทน spatial accuracy หรือ object-placement accuracy ได้