Muszę przyznać, że porzuciłem generowanie obrazów za pomocą sztucznej inteligencji. Najnowsze modele wymagają całej pamięci VRAM, oferują bardzo ograniczone rezultaty albo kryją się za paywallem. Jednak Google przypomina, że można wejść do darmowej wersji Gemini 2.0 Flash i użyć zintegrowanego modelu Imagen 3 do generowania obrazów podczas rozmowy. Jak dobrze to działa?
Tak, internet został zalany obrazami generowanymi przez sztuczną inteligencję. Nie, nie są one zbyt dobre. W rzeczywistości większość z nich jest po prostu okropna. Przyznaję, że korzystałem z nich w przeszłości, ale zaprzestałem, bo jakość po prostu nie była na odpowiednim poziomie. Jednocześnie zastanawiające, że ważne marki upierają się przy tak przeciętnych efektach wizualnych i ignorują krytykę (chyba że oszczędność na pensji projektanta jest ważniejsza).
Ale ewolucja trwa, przynajmniej tak sugeruje hype. Google ogłosiło otwarcie eksperymentalnej wersji Gemini 2.0 Flash dla swojej platformy AI Studio, która oferuje multimodalne wsparcie, zaawansowane rozumowanie i lepsze rozumienie języka naturalnego. Najciekawszym elementem jest edycja przez rozmowę obrazu (coś, co już eksplorowaliśmy w przeszłości), ale dziś chcę sprawdzić, jaki jest obecny stan generowania obrazów w konwencjonalnej wersji Gemini. Otworzyłem nowy czat i podzieliłem się kilkoma pomysłami…
Generowanie obrazów w czacie, czyli Google Gemini 2.0 Flash
Jedyną „przewagą”, jaką postanowiłem dać Gemini, było rozpoczęcie i utrzymanie rozmowy po angielsku, aby zminimalizować błędy w interpretacji. Najpierw opisałem przystanek autobusowy w deszczową noc, oświetlony latarnią, z światłami miasta w oddali. Początkowe wyniki były bardzo obiecujące, ale generator zaczął popełniać błędy i ignorować ważne elementy, gdy prosiłem o więcej szczegółów. Na jednym obrazie poprosiłem jedynie o obrócenie latarni o 90 stopni, aby zmienić kierunek światła... i skończyło się na zastąpieniu wszystkiego nowym obrazem.
Co z generowaniem ludzi? Gemini jest znacznie bardziej restrykcyjny. Czarne, obcisłe stroje dla naszych kosmicznych bohaterek nie są problemem, ale prośba o bikini lub strój kąpielowy wywoływała częstsze kolizje z filtrem. Miał też ten sam problem co z przystankiem: w pewnym momencie ignorował podstawowe elementy opisu, takie jak kolor oczu.
Na koniec trochę jedzenia. Pierwsza miska lodów to właściwie miseczka na deser, choć bardzo dobrze zrobiona. Potem poprawnie zmienił ją na trzy gałki (dwie czekoladowe, jedną waniliową). Ale kiedy poprosiłem o poprawienie tekstury, zdecydował się dodać czwartą gałkę i nigdy jej nie usunął.
Podsumowując, wychodzę z tej sesji Google Gemini 2.0 Flash, mając osiągnięty dzienny limit wygenerowanych obrazów i czując dokładnie to, czego się spodziewałem: rozczarowanie typu „prawie, ale nie”. Myślę, że mogę kliknąć polecenie „Redo” i oddać się w ręce algorytmicznych bogów, mając nadzieję, że następny numer seed będzie bardziej łaskawy... ale ostatecznie nikt tego nie chce. „Moment eureka” wciąż wydaje się odległy i jeśli mogę sobie pozwolić na pesymizm, prawdopodobnie nigdy nie nadejdzie.
Dostęp do Gemini: Kliknij tutaj
