Szakmai berkekben már hetek óta beszélnek arról, hogy a ChatGPT legújabb verziója mikorra érkezhet. Sam Altman az OpenAI (chatgpt cége) fő embere nagyon szegényesen tolja a marketinget a legújabb, korábban egekig magasztalt új hiperokos modelljükkel kapcsolatban, és ez felveti azt a kérdést is, hogy akkor ezek szerint még vannak bőven fejlesztésre szoruló részek, és érthetően addig nem akarják kiengedni a szellemet a palackból, amíg nem adnak megnyugtató eredményt a tesztek.

Szakértők szerint ez a modell már nagyon közel lesz az emberi agy szimulációjához, de szerencsénkre azért még van időnk, amíg ez a rendszer élesbe kifut.

Ebben a cikkben egy rövid áttekintést olvashatsz a ChatGPT5 beépített képgenerátorával kapcsolatban.

A GPT-5 beépített képgenerátoráról jelenleg a következő részletek ismertek:

• A GPT-5 egységes modell-architektúrával működik, amely szöveg, kép, hang és videó feldolgozására is alkalmas egyetlen összefüggő kontextusban (felületen). Ez azt jelenti, hogy a modell képes természetes módon váltani a különböző modalitások között, így a képgenerálás is szerves része lett a rendszernek.
• Képgenerálási technikai paraméterek:
  • Modellek: A beépített képgenerátor a „gpt-image-1” nevű modellt használja, illetve a DALL·E 2/3 technológiáit is támogatja bizonyos API végpontokon keresztül
  • Képminőség és méret:
    • Választható méretek: például 1024×1024 vagy 1024×1536 pixel. Nagyjából marad a korábbiakhoz hasonlóan.
    • Minőségi opciók: „low”, „medium”, „high”. Több minőség paraméterrel lehet befolyásolni a renderelés minőségét, ez arányos a token költséggel is.
    • Háttér: kérhető átlátszó („transparent”) vagy egyszínű háttérrel, PNG vagy WebP esetén.
    • Fájlformátumok: alapértelmezett a PNG, de támogatott a JPEG és WebP is, ezeknél beállítható a tömörítés mértéke is.
  • Képszerkesztés és variáció:
    • Szerkesztés: már meglévő képek is módosíthatók szöveges prompt alapján (például extra objektumok beillesztése, háttér eltávolítása, stb.). Ez már most is van, de reméljük, hogy tovább lesz fejlesztve és felhasználóbarátabb is lesz a szerkesztő felület
    • Variáció: egy meglévő kép alapján tud a rendszer új, hasonló képeket generálni. Ha ez valóban így lesz, az nagy előrelépés, mert egészen eddig nem tudta ezt a rendszer
  • Token-felhasználás: A képek előállításának token költsége változik a kép felbontása és minősége szerint. Például egy 1024×1024 pixeles, „high quality” kép generálása akár 4,000 tokenbe is kerülhet (becslés, a valós számok eltérhetnek)
• Speciális képességek:
  • Magasabb pontosságú szöveg-renderelés: A modell képes rövid szövegeket precízen megjeleníteni, ami a korábbi generátoroknál még problémás volt
  • Többlépcsős (multi-turn) szerkesztés: Egy kép generálása után a felhasználó újabb prompttal tovább szerkesztheti a képet, mindezt egy folyamatban
  • Képek és szövegek együttes kezelése: A modell figyelembe tudja venni a vizuális kontextust akár feltöltött képből, akár korábban generált vizuális tartalomból, és szöveges vagy képi kimenetet is tud adni
• Mire lesz képes a képgenerátor?
  • Egyedi művészi képek, egyszerű technikai ábrák, logók, illusztrációk pontos elkészítése
  • “Visszaemlékszik” az előzőleg készített képekre, így következetes képsorozatok vagy animációs fázisok is készíthetőek egy beszélgetésen belül
  • Fejlett szerkesztői lehetőségek (pl. háttér eltávolítása, tárgyak áthelyezése, több forráskép kombinálása)
• Várható újdonságok:
  • A multimodális architektúra lehetővé teszi, hogy jövőben ne csak képet, hanem komplex vizuális workflow-kat is kezeljen (pl. táblázat generálása, diagram szerkesztése)
  • Konzisztencia megtartása, tehát újabb kép generálásánál, ugyanazon téma esetén megtartja a vonásokat (pl. portré). Vannak azonban tiltó elemek, amiket eleve nem vagy hiányosan, finomítva generál le. Ilyen gyenge pont lehet a politikai ábrázolás, etikai kérdéseket felvető alkotások, stb.

A fentiek azonban a megjelenésig mind csak spekulációk, találgatások, amik egy része vélhetően benne lesz.