OpenAI, 4o görüntü üretme özelliğini duyurdu

• OpenAI, görüntü üretiminin uzun zamandır dil modelinin temel yeteneklerinden biri olması gerektiğine inanıyordu ve bu vizyon doğrultusunda en gelişmiş ve güçlü görüntü üreticisini GPT‑4o'ya entegre etti
• GPT‑4o'nun görüntü üretimi, yalnızca güzel görseller üretmenin ötesine geçerek gerçekten kullanışlı ve değerli çıktılar ortaya koyuyor
• Hassas ve doğru; fotogerçekçilik düzeyinde yüksek kaliteli görseller üretmek mümkün
• Çok modlu yetenekler yerleşik olarak sunulduğu için dil, görsel ve bağlamı birlikte kullanarak görsel içerik üretmek mümkün

Kullanışlı görüntü üretme yetenekleri

• İnsanlar, antik duvar resimlerinden modern infografiklere kadar, bilgi aktarmak, ikna etmek ve analiz yapmak için görsel imgeleri kullandı
• Mevcut üretici modeller fantastik veya etkileyici görseller oluşturabiliyor, ancak pratik bilgi aktarımına yönelik görsellerde zorlanıyordu
• GPT‑4o'nun görüntü üretimi, logo veya diyagram gibi anlamı doğru aktaran görseller üretmede güçlü yönlere sahip
• Metni doğru render etme, kullanıcı konuşmasının bağlamını kullanma ve yüklenen görselleri temel alarak üretim yapma gibi gelişmiş yetenekler içeriyor
• Bu yetenekler, kullanıcıların istedikleri görselleri daha isabetli biçimde oluşturmalarına yardımcı oluyor

Geliştirilmiş görüntü üretme kapasitesi

• Çevrimiçi görseller ile metinlerin birleşik dağılımını öğrenerek görsel ile dil ve görseller arası ilişkileri anlıyor
• Eğitim sonrası iyileştirme süreciyle görsel akıcılık artıyor ve kullanışlı, tutarlı görseller üretilebiliyor

Metin render etme yeteneği

• Görseller binlerce kelime taşıyabilir; ancak doğru yere yerleştirilmiş birkaç metin parçası anlamı güçlendirebilir
• GPT‑4o, görsellere hassas semboller veya metin ekleyerek bunları görsel iletişim aracı olarak kullanabiliyor

Konuşmalı görüntü üretimi

• GPT‑4o, görüntü üretimini doğal bir yetenek olarak entegre ettiği için konuşma akışı içinde görsel üretip düzenleyebiliyor
• Örnek: Bir oyun karakteri tasarlanırken görünümü sürekli koruyup yinelemeli düzenlemeler yapmak mümkün

Talimatların doğru yansıtılması

• GPT‑4o, ayrıntılı prompt'ları doğru biçimde uygular
• Diğer sistemler yaklaşık 5-8 nesneyi işleyebilirken GPT‑4o, en fazla 10-20 nesneyi tutarlı şekilde üretebilir
• Nesne özelliklerini ve aralarındaki ilişkileri daha doğru korur

Bağlam temelli öğrenme

• Kullanıcının yüklediği görselleri analiz ederek bu görsellerin ayrıntılarını yeni görüntü üretimine yansıtır

Dünya bilgisiyle bağlantı

• GPT‑4o, metin ile görsel arasındaki bilgiyi bağlayarak daha akıllı ve verimli görüntü üretimi sağlar

Fotogerçekçilik ve çeşitli stiller

• Farklı görsel stiller üzerinde eğitildiği için gerçekçi görseller üretebilir ve stil dönüşümü yapabilir

Modelin sınırlamaları

• Kusursuz bir model değil
• İlk lansmandan sonra kullanıcı geri bildirimleri ve veriler doğrultusunda sürekli iyileştirilecek

Güvenliği sağlama çalışmaları

• Oyun geliştirme, tarih araştırması ve eğitim gibi faydalı yaratıcı faaliyetleri teşvik ederken güçlü güvenlik standartlarını koruyor
• Uygunsuz görsel üretimini önlemek için sıkı politikalar uygulanıyor

• C2PA ve dahili arama aracıyla şeffaflık sağlama

  • GPT‑4o tarafından üretilen tüm görsellerde, kaynağı açıkça göstermek için C2PA meta verisi bulunuyor
  • Dahili arama aracı kullanılarak teknik özellikler temelinde görselin kaynağı doğrulanabiliyor

• Uygunsuz görsellerin engellenmesi

  • Çocuklara yönelik cinsel içerikli görseller veya deepfake gibi politika ihlali niteliğindeki görsel üretim istekleri engelleniyor
  • Gerçek kişilerin yer aldığı görseller için daha sıkı kısıtlamalar uygulanıyor
  • Çıplaklık ve şiddet içeren görseller için kapsamlı bir ön engelleme sistemi işletiliyor

• Akıl yürütme temelli güvenliğin güçlendirilmesi

  • İnsanlar tarafından yazılmış politika tanımlarını temel alan, akıl yürütme odaklı bir LLM eğitildi
  • Politikalardaki belirsizlikleri tespit edip çözmek için kullanıldı; çok modlu teknolojiyle birleştirilerek hem giriş metninin hem de çıktı görselin politika standartlarına uygun olması sağlandı

Kullanıma sunulması

• Bugünden itibaren Plus, Pro, Team ve Free kullanıcılarına varsayılan görüntü üreticisi olarak sunuluyor
• Enterprise ve Edu desteği yakında gelecek
• Sora'da da kullanılabiliyor; mevcut DALL·E modeli ise ayrı bir GPT üzerinden erişilebilir durumda
• API üzerinden görüntü üretme yeteneği birkaç hafta içinde geliştiricilere sunulacak
• Kullanıcılar yalnızca istedikleri görselin açıklamasıyla üretim yapabilir; oran, renk (hex kodu) ve arka planın şeffaf olup olmaması gibi ayrıntıları da belirleyebilir
• Yüksek hassasiyetli görüntü üretimi nedeniyle render süresi 1 dakikaya kadar çıkabilir

[j2sus91]

Henüz free'de görünmüyor gibi; sadece Plus, Pro ve Team'e mi açıldı?

[laeyoung]

Pro'da sohbet penceresinin altında ...a basınca "Görsel oluştur (güncellendi)" diye görünüyor; sanırım bu o.

Ama Best of # görünmüyor; uygulanmamış mı uygulanmış mı, karıştırıyorum.

[GN⁺]

Hacker News görüşleri

• Yeni görüntü üretim yaklaşımı, difüzyon yerine piksel uzayında çıkarım yapmak için token kullanıyor

  • Örneğin, üzerinde boş bir tic-tac-toe olan bir not defteri çizdirip ilk hamleyi yaptırdıktan sonra, kullanıcının hamle yaparak devam etmesi sağlanabiliyor
  • Çizim stilini değiştirmek ya da "gündüzü geceye çevir", "şapka tak" gibi bilgiyi koruyan dönüşümler de mümkün
  • Modelin çözünürlüğü sınırlı, ancak bu alandaki ilerlemelerle uygulamaları adım adım görüntü olarak tasarlayıp kod yazma ihtimali var
  • Model, harici görüntüler üzerinde "çıkarım" yapmayı sürdürebildiği için, ilk çıktı iyi olmasa bile iyileştirilebiliyor
  • Model hızlanırsa, LLM olaylarına dayanarak uygulamanın bir sonraki karesini üreten gerçek anlamda üretken bir UI hayal edilebilir
  • Difüzyon modelleri de benzer işleri daha hızlı yapabiliyor

• 4o Image Generation tanıtıldı: en gelişmiş görüntü üretici olduğu söyleniyor

  • Google'ın Gemini 2.5'i: en zeki yapay zeka modeli
  • Gemini 2.0 tanıtıldı: en yetenekli yapay zeka modeli
  • Bu trendin ortadan kalkmasını ve Apple'ın işe yarayan bir şey kullanıp diğer şirketlerin de yeni terimleri kopyalamasını umuyorum

• Neden o1 ile kıyaslama eklenmediğini merak ediyorum

• OpenAI'nin GPT-4o Image Generation canlı yayını yavaştı; görüntü başına yaklaşık 30 saniye sürüyor

  • Sam Altman bunu "yavaş ama üretilen görüntü buna değer" diye açıkladı
  • Difüzyon yaklaşımı yerine, orijinal DALL-E'ye benzer şekilde görüntü token'ları üretilip decode ediliyor
  • Google'ın Gemini'si görüntüleri birkaç saniye içinde üretebiliyor ve düzenleyebiliyor
  • Henüz API yok ve yavaşlık nedeniyle rakiplerin görüntü başına $0.03+ fiyatından daha pahalı olması bekleniyor

• Denediğimde, kızımın doğum günü davetiyesini tek seferde oluşturabildim

  • İstediğim öğeleri ve stili tam olarak tutturdu
  • Tarih, konum gibi ayrıntıları eklemesini istediğimde de iyi iş çıkardı
  • Önceki modeller bunun yarısına bile yaklaşamıyordu

• Aşırı doygun CG/karikatür tarzı olmaması hoşuma gitti

• Verilen prompt'un 4o mu yoksa DALL-E mi tarafından işlendiğini anlamanın bir yolu olup olmadığını merak ediyorum

  • Şu anda prompt'lar hâlâ ikincisi tarafından işleniyor gibi görünüyor
  • Uzun vadeli plan, tamamen 4o'ya geçmek ve DALL-E'yi ayrı bir sekmeye taşımak

• Şarap kadehi testinde hâlâ başarısız oluyor

• "Best of 8" etiketi taşıyan birçok görüntünün ne kadar seçilmiş olduğunu merak ediyorum

  • Üç ücretsiz görüntüden ikisi etkileyiciydi, biri ise başarısızdı

• Yeni modelle yinelemeli düzenlemeye dair örnekler var

  • Önceki modele göre çok daha iyi, ama hâlâ fazla parmaklı ya da fazla kollu bedenler üretiyor