GPT Image 2 เทียบ GPT Image 1.5: คำตัดสินเรื่องข้อความในภาพ

แต่ต้องพูดให้แม่น: นี่ไม่ใช่หลักฐานแบบ benchmark สาธารณะว่า GPT Image 2 ดีกว่า GPT Image 1.5 กี่เปอร์เซ็นต์ แหล่งข้อมูลที่ตรวจสอบได้ในชุดนี้ยังไม่มีการทดสอบแบบ prompt เดียวกัน วัดการสะกด ความถูกต้องของตัวอักษร การจัดแนว ภาษา ขนาด output และอัตราพลาดอย่างโปร่งใส และช่องว่างนี้สำคัญ เพราะ GPT Image 1.5 เองก็ถูกประกาศว่าปรับปรุงการเรนเดอร์ข้อความ โดยเฉพาะข้อความที่แน่นและเล็ก

หลักฐานบอกอะไรได้บ้าง

ทำไม GPT Image 2 จึงเป็นตัวเลือกเริ่มต้นที่ดีกว่า

ประเด็นสำคัญไม่ใช่แค่ว่าโมเดลสร้างภาพสวยกว่าเดิมหรือไม่ แต่คือมันถูกออกแบบและสื่อสารมาเพื่อใช้กับงานที่ต้องส่งจริงมากกว่า เอกสารรอบ gpt-image-2 เน้นภาพที่อ่านออก ปรับภาษาและบริบทได้ อยู่ในแบรนด์ และจัดรูปแบบให้เหมาะกับพื้นผิวปลายทาง นี่คือจุดที่ AI สร้างภาพมักสะดุดพอดี เช่น หัวข้อบนสไลด์ ป้ายปุ่มใน UI ข้อความบนฉลากสินค้า คำอธิบายในอินโฟกราฟิก และ copy โฆษณาหลายภาษา

หน้าเปิดตัวสาธารณะของ OpenAI สำหรับ ChatGPT Images 2.0 ยังยกตัวอย่างภาพที่เกี่ยวข้องกับ typography ข้อความเชิงบรรณาธิการ desktop UI และฉากภาพที่มีข้อความจำนวนมาก เมื่อนำมารวมกับรายงานของ TechCrunch ที่ระบุว่า Images 2.0 รับมือกับข้อความเล็ก ไอคอน องค์ประกอบ UI และองค์ประกอบภาพที่หนาแน่นได้ดีขึ้น จึงมีเหตุผลพอที่จะมองว่า GPT Image 2 / ChatGPT Images 2.0 เหมาะเป็นจุดเริ่มต้นสำหรับงานที่อ่านตัวหนังสือในภาพต้องได้จริง

แต่ GPT Image 1.5 ยังไม่ใช่รุ่นที่ควรมองข้าม

อย่าเพิ่งสรุปว่า GPT Image 1.5 คือโมเดลยุคก่อนที่ทำข้อความไม่ได้เลย ประกาศเปิดตัวของ GPT Image 1.5 ระบุว่ารุ่นนี้มีการแก้ไขภาพที่แม่นขึ้น ทำตาม prompt ได้ดีขึ้น และปรับปรุงการเรนเดอร์ข้อความ โดยเฉพาะข้อความที่แน่นและเล็ก

ดังนั้นสำหรับงานง่าย ๆ เช่น headline ตัวใหญ่ ป้ายสั้น ๆ mockup พื้นฐาน หรือ workflow ที่มีคนตรวจคำผิดก่อนเผยแพร่ GPT Image 1.5 อาจยังเพียงพอ โดยเฉพาะถ้าทีมมี prompt และขั้นตอนตรวจงานที่ใช้อยู่แล้ว

อย่างไรก็ตาม คู่มือ OpenAI API ยังจัดเรื่อง text rendering ไว้ในหมวดข้อจำกัดของ GPT Image models ที่ระบุชื่อ รวมถึง gpt-image-1.5 โดยบอกว่าแม้จะดีขึ้นมากเมื่อเทียบกับตระกูล DALL·E แต่โมเดลยังอาจมีปัญหากับตำแหน่งข้อความที่แม่นยำและความชัดเจนของข้อความ พูดง่าย ๆ คือ ไม่ควรมองว่าโมเดลใดพิมพ์ถูกทุกครั้งโดยอัตโนมัติ

ระวังคำกล่าวอ้างเรื่อง typography 99%

มีแหล่งข้อมูลภายนอกและโพสต์โซเชียลบางแห่งที่อ้างตัวเลขแรง ๆ เช่น ความแม่นยำของตัวอักษรหรือ typography ระดับ 99% สำหรับ GPT Image 2 ตัวเลขเหล่านี้อาจสะท้อนทิศทางที่น่าสนใจ แต่จากหลักฐานที่ตรวจสอบได้ ยังไม่เห็นวิธีทดสอบมากพอที่จะถือเป็นข้อเท็จจริงเชิง benchmark

ถ้าจะให้คำว่า 99% มีน้ำหนักจริง benchmark ควรเปิดเผยอย่างน้อยว่าใช้ชุด prompt อะไร ทดสอบภาษาและระบบอักษรใดบ้าง สร้างกี่ภาพ ขนาด output เท่าไร ตั้งค่าโมเดลอย่างไร ให้คะแนนจากอะไร นับภาพที่พลาดหรือไม่ และประเมินตอนดูที่ขนาดเผยแพร่จริงหรือขนาดเต็ม เพราะโมเดลอาจทำ headline ขนาดใหญ่บนโปสเตอร์ได้ดีมาก แต่ยังพลาดกับ paragraph ยาว ๆ fine print label กราฟ ปุ่ม UI หรือ layout หลายภาษาที่ซับซ้อน

หมายเหตุเรื่องชื่อ: GPT Image 2 กับ ChatGPT Images 2.0

แหล่งข้อมูลใช้ชื่อไม่เหมือนกันทั้งหมด ฝั่งนักพัฒนาใช้ชื่อ gpt-image-2 โดยคู่มือ prompting ของ OpenAI ใส่ model ID นี้ไว้ในตัวอย่าง และประกาศใน OpenAI Developer Community ระบุว่า gpt-image-2 พร้อมใช้งานใน API และ Codex ส่วนหน้าเปิดตัวสาธารณะของ OpenAI และรายงานของ TechCrunch ใช้ชื่อ ChatGPT Images 2.0

เพราะแหล่งข้อมูลที่มีไม่ได้ให้ประโยคเดียวที่ map ทุกคำกล่าวอ้างของ gpt-image-2 เข้ากับ ChatGPT Images 2.0 อย่างเป็นทางการ วิธีพูดที่ปลอดภัยที่สุดคือใช้ GPT Image 2 / ChatGPT Images 2.0 เมื่อกล่าวถึงหลักฐานที่ทับซ้อนกัน

แล้วควรใช้รุ่นไหน

เลือก GPT Image 2 ก่อน ถ้างานของคุณมีหลายโซนข้อความ ป้ายเล็ก copy อินโฟกราฟิก ข้อความบนบรรจุภัณฑ์ องค์ประกอบ UI ข้อความในสไลด์ โฆษณาที่ต้อง localized หรือเนื้อหาหลายภาษา คำแนะนำนี้สอดคล้องกับการวางตำแหน่งของ gpt-image-2 สำหรับ workflow ที่ต้องอ่านออกและใช้งานจริง รวมถึงคำกล่าวอ้างที่รายงานว่า Images 2.0 จัดการข้อความเล็ก UI และองค์ประกอบหนาแน่นได้ดีขึ้น

ยังพิจารณา GPT Image 1.5 ได้ ถ้าข้อความสั้น ตัวใหญ่ ตรวจง่าย หรือ workflow ปัจจุบันของคุณให้ผลที่ยอมรับได้อยู่แล้ว เพราะรุ่นนี้เองก็ถูกประกาศว่าปรับปรุงการเรนเดอร์ข้อความแน่นและข้อความเล็ก

วิธีทดสอบให้แฟร์ก่อนเปลี่ยน workflow

ถ้าความถูกต้องของข้อความกระทบงานธุรกิจ อย่าตัดสินจากภาพโชว์เคสภาพเดียว ควรทดสอบแบบชนกันด้วย prompt เดียวกัน:

1. Exact-copy test: ใช้ headline, subhead และ label สั้น ๆ ชุดเดียวกันกับทั้งสองรุ่น
2. Small-text test: ใส่ footnote, label กราฟ, ปุ่ม UI หรือ fine print แล้วดูที่ขนาดเผยแพร่จริง
3. Dense-layout test: สร้างอินโฟกราฟิก เมนู dashboard หรือสไลด์ที่มีหลายโซนข้อความ
4. Edit-preservation test: แก้ข้อความจุดเดียว แล้วดูว่าส่วนอื่นของภาพยังนิ่งหรือเพี้ยนไปด้วยหรือไม่
5. Multilingual test: ใช้ภาษาและระบบตัวอักษรที่ทีมของคุณต้องส่งงานจริง ไม่ใช่แค่ภาษาอังกฤษ
6. Human scoring: ให้คนตรวจการสะกด คำตก คำแทนที่ผิด ความอ่านออก การจัดแนว และดูว่าส่งงานได้โดยไม่ต้องเก็บงานเพิ่มหรือไม่

ผู้ชนะไม่ใช่โมเดลที่สร้างภาพเดโมสวยที่สุด แต่คือโมเดลที่ทำข้อความถูก อ่านออก และคงเส้นคงวาที่สุดกับ prompt ขนาดงาน และขั้นตอนตรวจของคุณ

สรุปท้ายสุด

จากหลักฐานที่มี GPT Image 2 ดูเป็นตัวเลือกที่ดีกว่าในทางปฏิบัติสำหรับข้อความในภาพ โดยเฉพาะงานที่มีข้อความแน่น ตัวเล็ก localized หรือคล้าย UI แต่ข้อสรุปที่ป้องกันการพูดเกินจริงควรแคบกว่านั้น: เอกสารและรายงานที่เชื่อมกับ OpenAI วางตำแหน่ง GPT Image 2 / ChatGPT Images 2.0 ไว้รอบงาน production ที่ต้องอ่านออกและจัดการรายละเอียดข้อความได้ดีขึ้น ขณะที่ GPT Image 1.5 ก็ปรับปรุงข้อความแน่นและข้อความเล็กอยู่แล้ว และยังไม่มี benchmark สาธารณะโปร่งใสที่วัดสองรุ่นนี้แบบ head-to-head โดยตรง