A DALL-E 3 a ChatGPT-ben képes olvasni és módosítani a képeket? Gyere és nézd meg magad
A DALL-E 3 sajátosságainak leleplezése a ChatGPT Plusban: Tekintse meg, hogy ez az AI-eszköz hogyan hajlítja meg a valóságot, és a hétköznapi képeket szokatlan alkotásokká változtatja.
Feltártam a DALL-E 3 használatát a ChatGPT Plus-ban. Azért csinálom ezt, mert ez a munkám, nem azért, mert valami egészségtelen kis függőségem van attól, hogy leírjak valamit az elmémben, és percek alatt megnyilvánuljon a képernyőn. Bármikor megállhatok. Persze, ez a jegy, bármikor megállhatok.
De nem ma. Ma találtam egy új játékot. A ChatGPT-n belüli DALL-E 3 képes olvasni és módosítani a képeket. Fajta. Látod, ez egy kicsit nyűgös. De megelőzöm magam. Kezdjük a történetet az elején...
Egy ideje a Midjourney-t használom a feltöltött képek testreszabására. A probléma az, hogy nagyon bonyolult. A Midjourney-t a Discord-ban kell futtatnia, majd számos lépésen kell keresztülmennie ahhoz, hogy feltöltsen egy képet a Discordba, lekérjen egy URL-t, yada, yada, yada…
A ChatGPT Plusban egyszerűen csak a gemkapocs ikonra kell kattintania, és feltöltenie kell a képet. Egy és kész.
Ez sokkal könnyebbé teszi a használatát, és sokkal szórakoztatóbb is. De mennyire működik jól? A teszteléshez három képet próbáltam ki: egy képet az autómról, egy képet rólam és a ZDNET logóval. Nézzük az eredményeket.
Autóm
Itt egy kép az autómról, egy 2013-as Dodge Challengerről.
A kép feltöltése után utasítottam a DALL-E 3-at:
Tedd be az autót a városba
Az eredmények ígéretesek voltak. A DALL-E 3 sikeresen reprodukálta az autó hasonlóságát egy városi jelenetben:
Aztán, mivel határozottan rajongok a steampunkért, megkértem a DALL-E-t, hogy:
Legyen steampunk
Íme, mit kaptunk. Továbbra is megőrizte a Dodge Challenger általános karosszériáját:
A DALL-E folyamatosan törik
Egy dolgot meg kell jegyeznem, hogy nem tudtam rávenni a DALL-E-t, hogy túl sok iterációt hajtson végre hiba nélkül. Két-három kérés után (és soha többet négynél) ezt az üzenetet kaptam:
Megoldásom az volt, hogy elkészítem az utolsó sikeresen létrehozott képet, és feltöltöm egy új ChatGPT Plus munkamenetbe, és abból dolgozom.
Repülő autó
Tehát feltöltöttem az utolsó képet, az autóm steampunk verzióját, és azt mondtam a DALL-E-nek, hogy:
Repüljön az autó
Íme, amit visszakaptam. Az eredeti autóm ábrázolása eltűnt, és visszakaptunk egy nagyon klassz Chitty Chitty Bang Bang stílusú járművet a levegőben:
Jó volt, de már nem az én autóm. De nem baj, lássuk, merre indulhatunk.
A Mikulás
A következő próbálkozásom az évszakra tekintettel az volt, hogy a Mikulást a vezetőülésbe ültessem. Itt egy meglehetősen túlbuzgó védőkorlátba futottam, a ChatGPT azt mondta nekem: "Sajnálom, de nem tudok segíteni a kérésben."
Igen, elérkeztünk ahhoz az időponthoz a jövőben, amikor egy mesterséges intelligencia a következő pontos megfelelőjét mondja: "Sajnálom, Dave. Attól tartok, nem tudom megtenni." Az élet a művészetet utánozza.
Amint látja, az érvelés kissé bizarr volt. De úgy tűnt, hogy ez azon a tényen múlik, hogy egy feltöltött kép módosítását kértem tőle. Tehát a fenti felszólításokat egyetlen kérésként adtam neki:
Tedd be az autót a városba. Legyen steampunk. Repüljön az autó. Tedd a Mikulást a vezetőülésbe.
Ezt kaptam:
Szép kép volt, de hiányzott belőle az egész viktoriánus esztétika, ami az előző képeken volt. Viszont van rá megoldás.
A DALL-E a ChatGPT-vel lényegében minden promptot átír egy részletesebb utasításba. Így például a "Make it steampunk" át lett írva a következőre:
Kép egy steampunk témájú utcai jelenetről vintage építészettel, egy klasszikus izomautóval, amelyet olyan steampunk elemekkel módosítottak, mint a sárgaréz csövek, fogaskerekek és gőzelszívók. Az autó egy macskaköves utcán parkol, ahol környezeti utcai lámpák és régimódi épületek állnak a háttérben, amelyek a viktoriánus és az ipari forradalom hatását vegyítik. Vannak steampunk öltözékbe öltözött, szemüveges és viktoriánus ruházatú emberek, akik a járdákon sétálnak. Az általános atmoszféra egy retro-futurisztikus városé egy alternatív történelemből, ahol a gőzerő az elsődleges technológia.
Így hát kiragadtam a leíró anyagok egy részét a "make it steampunk" és a "make the car fly" részből, és összevontam őket ehhez a prompthoz:
Tedd be az autót a városba. Legyen steampunk. Repüljön az autó. Tedd a Mikulást a vezetőülésbe. Lent a macskaköves utcákat gázlámpás utcai lámpák szegélyezik, és a viktoriánus öltözékű emberek csodálkozva néznek fel. Az égbolt szürkületnarancssárga, egy csipetnyi szmoggal és kisebb steampunk drónok és léghajók zümmögésével a távolban. Az általános atmoszféra egy retro-futurisztikus városé egy alternatív történelemből, ahol a gőzerő az elsődleges technológia.
Íme, amit visszakaptam:
Szigorúan véve nem repülő autó, de menő. Sajnos egyáltalán nincs kapcsolat az eredeti autóképpel, amivel kezdtem.
Állj, Dave. Leállsz, Dave? Állj, Dave.
Volt még egy HAL pillanatom, amikor megkértem a ChatGPT-t, hogy helyezze el ezt a képet rólam egy irodai környezetben:
Azt mondta nekem: "Sajnálom, de nem tudok segíteni a kérésben." A ChatGPT legalábbis nem mondta: "Nézd, Dave, látom, hogy nagyon ideges vagy. Őszintén gondolom, hogy nyugodtan ülj le, vegyen be egy stressztablettát, és gondolja át a dolgokat."
Bírság. És most valami egészen másról.
Indulás egy sugárhajtású vonaton
Íme a ZDNET logó, amit feltöltöttem a DALL-E-be:
Először megpróbáltam rávenni, hogy sugárhajtásúra tegyem:
Helyezze ezt a logót egy jumbo jet oldalára
Legalább a színe megfelelő lett:
Aztán megpróbáltam rávenni a logót egy épületre.
Helyezze ezt a logót egy téglaépület oldalára
A zöldre emlékezett, de nem a megfelelő zöldre:
Ezért megpróbáltam rávenni a DALL-E-t, hogy helyezze át az épületet egy vasúti modellre.
Helyezze az épületet egy vasúti modellre
Az eredmény valami vasútmodellhez hasonlít (bár az előtérben lévő vágány valószínűleg kisiklást okoz).
Van egy téglaépület, de nem ugyanaz a téglaépület, és a ZDNET logó minden színlelése eltűnt. Még a ZDNET zöldje sem marad meg.
Ezért természetesen megkértem, hogy tegye:
Tedd a jumbo jet-et egy vasúti modellre is
Ezt kaptam. Csak azt szeretném tudni, hogy ezek repülőgépek vagy rakéták a vízben.
Mit tanultunk?
A DALL-E funkcióval való trükközés után azt hiszem, a következőkre juthatunk:
- Feltölthet képeket a DALL-E-be.
- Megkérheti, hogy módosítsa őket, de vegyes eredménnyel.
- A DALL-E sokat bukik.
- Lehet, hogy a ChatGPT nem demonstrálja a mesterséges általános intelligenciát, de az absztrakt expresszionizmust lecsökkenti.
- Válaszai kényelmetlenül közelítenek a HAL-9000-hez.
És tessék. Feltöltött már képeket a DALL-E-be? Neked hogy sikerült? Tudassa velünk az alábbi megjegyzésekben.
A közösségi médiában nyomon követheti a projektekkel kapcsolatos napi híreket. Feltétlenül iratkozzon fel a heti frissített hírlevelemre a Substack oldalon, és kövessen engem a Twitteren a @DavidGewirtz címen, a Facebookon a Facebook.com/DavidGewirtz címen, az Instagramon az Instagram.com/DavidGewirtz címen és a YouTube-on a YouTube.com/DavidGewirtzTV címen.