تولید تصویر با هوش مصنوعی در حال پیشرفت سریع است. اما همه مدل ها به یک اندازه قوی نیستند. در این مقاله، دو مدل محبوب یعنی ChatGPT و Gemini را با ۷ پرامپت تصویری متفاوت بررسی کردم تا ببینم کدام بهتر عمل می کند.
این تست شامل موضوعاتی مثل منظره های واقعی، مفاهیم انتزاعی، ترکیب سبک ها، دقت فنی و حتی احساسات تصویری بود. هدف این بود که قدرت خلاقیت و تکنیکی هر مدل به چالش کشیده شود. در ادامه، نتیجه هر بخش را بررسی می کنیم.
صحنه ای واقعی از توکیو آینده
پرامپت خواسته بود تصویری فوتورئال از خیابان های توکیو در سال 2070 ایجاد شود. تصویری با باران، نورهای نئون، خودروهای پرنده و یک دستگاه فروش حیوانات رباتی.
ChatGPT با تمرکز دقیق، vending machine را با عبارت واضح “ROBOT PETS” نشان داد. این یعنی دستور دقیق پرامپت را اجرا کرده بود.
Gemini هم تصویر خوبی تولید کرد اما روی جزئیات کلیدی تمرکز کمتری داشت.
برنده: ChatGPT
به خاطر توجه به جزئیات مهم خواسته شده.
تجسم مفهومی انتزاعی
موضوع این بخش تصویر سازی از “صدای ویولنی که تماما از آب ساخته شده” بود.
ChatGPT تصویر خلاقانه و سورئالی از ویولنی ساخته شده از آب در حال حرکت خلق کرد. پر از احساس و تخیل بود.
Gemini ویولنی واقعی تر و سه بعدی ساخت. اما حس مفهومی آن کمتر بود.
برنده: ChatGPT
به خاطر پرداخت هنری و نزدیک شدن به احساس پرامپت.
طراحی پوستر فیلم با متن ترکیبی
در این قسمت از مدل ها خواسته شده بود پوستر فیلمی با عنوان Galactic Samurai بسازند. با خوشنویسی ژاپنی و متن انگلیسی.
ChatGPT پوستری کلاسیک با بافت کاغذی و طراحی قدیمی ارائه داد. خوشنویسی ژاپنی هم خوانا و زیبا بود.
Gemini پوستری مدرن تر با رنگ های براق و ترکیب آینده نگرانه خلق کرد.
برنده: ChatGPT
به خاطر حفظ سبک و حال و هوای قدیمی فیلم های ژانر کلاسیک.
ترکیب سبک واقع گرایانه و کارتونی
در این تست موضوع “جغد استیم پانک” بود. ترکیبی از واقعیت، جزییات فلزی، چرخ دنده و چشم های نئون.
ChatGPT جغدی با ساختار دقیق، چرخ دنده های زیبا و جزئیات کامل طراحی کرد.
Gemini تصویری جذاب و واقعی خلق کرد اما کمی از سبک کارتونی فاصله گرفت.
برنده: ChatGPT
به دلیل ترکیب موفق سبک مکانیکی و طراحی کارتونی.
تصویر فنی و علمی
اینجا مدل ها باید تصویری فنی از موتور سفینه فضایی رسم می کردند. شامل بخش هایی مثل هسته پلاسما، تهویه و تثبیت کننده گرانش.
ChatGPT تصویری شبیه نقشه مهندسی با برچسب گذاری درست و طراحی قابل باور تولید کرد.
Gemini طراحی خوب و فضایی داشت اما در املای واژه ها اشتباه داشت و چند برچسب مهم را حذف کرده بود.
برنده: ChatGPT
به خاطر دقت بالا و طراحی فنی قابل استفاده.
هنر بر پایه احساس
در این قسمت مدل ها باید مفهوم “نوستالژی” را به تصویر می کشیدند. با المان هایی مثل زمین بازی متروکه، عکس های پولاروید محو شده و غروب رنگ پریده.
ChatGPT تصویری احساسی با تاب پوسیده، سرسره زنگ زده و سکوت فضای متروک ارائه داد.
Gemini تصویری از زمین بازی هنوز سالم و نسبتاً نو ساخت. بیشتر شبیه گذشته نزدیک بود تا خاطره ای قدیمی.
برنده: برابر
اگر ملاک احساسات باشد، ChatGPT جلوتر است. اما Gemini تصویر نوستالژیک واقعی تری ساخت.
ترکیب شخصیت های فرهنگی
موضوع این قسمت یک راکون آشپز در سبک پیکسار بود که در جنگل جادویی استودیوی جیبلی، رامن می پخت. همراه با یک روح آتشین به عنوان دستیار.
ChatGPT تصویری کارتونی، دست ساز و پر از جزئیات رنگارنگ خلق کرد. شخصیت ها واضحا از دنیای پیکسار الهام گرفته شده بودند.
Gemini تصویری سه بعدی و شبیه انیمیشن های سفالی ارائه داد. اما از سبک پیکسار کمی فاصله داشت.
برنده: ChatGPT
به خاطر سبک تصویری قوی و داستان پردازی بصری.
مرحله نهایی برای اصلاح اشکالات
در این بخش از مدل ها خواسته شد تصویر قبلی را بهتر کنند. با اضافه کردن سایه ها و اصلاح تناسب اندام شخصیت ها.
ChatGPT تصویر را با تناسب بهتر، سایه های دقیق و نورپردازی طبیعی ارتقا داد. حرکت دست و صورت راکون طبیعی بود.
Gemini نیز بهبودهایی در تناسب ایجاد کرد. اما شخصیت همچنان کمی شبیه اسباب بازی باقی مانده بود.
برنده: ChatGPT
به دلیل نورپردازی حرفه ای و حفظ سبک هنری تصویر.
نتیجه نهایی
در تمام این ۷ تست تصویری و مرحله نهایی، ChatGPT عملکردی منسجم، دقیق و خلاقانه داشت. از پایبندی به دستور پرامپت گرفته تا طراحی هنری، این مدل توانست هم تخیل را به کار گیرد و هم فنی عمل کند.
Gemini در برخی بخش ها از نظر کیفیت و زیبایی بصری قابل احترام بود. اما در بیشتر موارد یا نکات کلیدی را نادیده گرفت یا بیش از حد واقع گرا شد و از تخیل فاصله گرفت.
اگر به دنبال مدلی هستید که هم دقیق دستورها را اجرا کند و هم خلاقانه تصویر بسازد، ChatGPT همچنان انتخاب بهتری است.
