في الأشهر الأخيرة، أطلقت كلٌّ من جوجل وOpenAI نظامين متطورين لتوليد النصوص إلى صور - Imagen 3 وGPT-Image-1 على التوالي - مُبشّرين بعصر جديد من فنون الذكاء الاصطناعي الواقعية ذات التحكم العالي. يُركّز Imagen 3 على الدقة الفائقة، والتحكم الدقيق في الإضاءة، والتكامل مع منصتي جوجل Gemini وVertex، بينما يعتمد GPT-Image-1 على أساس انحداري تلقائي متعدد الوسائط مرتبط بـ GPT-4o، مُتيحًا إنشاء الصور وتحريرها في الموقع مع ضمانات أمان قوية وتوافر واسع النطاق لواجهات برمجة التطبيقات. تتناول هذه المقالة أصول هذين النظامين، وبنيتهما، وقدراتهما، وأطر عملهما المتعلقة بالسلامة، ونماذج تسعيرهما، وتطبيقاتهما العملية، قبل أن تُختتم بنظرة مستقبلية على كيفية تطورهما.
ما هو Imagen 3؟
Imagen 3 هو أحدث نموذج تحويل نص إلى صورة عالي الدقة من جوجل، وهو مصمم لتوليد صور بتفاصيل استثنائية، وإضاءة أغنى، وتشوهات بسيطة مقارنةً بسابقاته. يمكن الوصول إليه عبر واجهة برمجة تطبيقات جيميني من جوجل ومنصة فيرتكس للذكاء الاصطناعي، مما يُمكّن المستخدمين من إنشاء كل شيء، من مشاهد واقعية إلى رسوم توضيحية منمقة.
ما هو GPT-Image-1؟
GPT-Image-1 هو أول نموذج مُخصص لتوليد الصور من OpenAI، وقد طُرح عبر واجهة برمجة تطبيقات OpenAI Images. كان يُشغّل في البداية إمكانيات ChatGPT للصور، ثم أُتيح مؤخرًا للمطورين، مما يسمح بدمجه في أدوات التصميم مثل Figma وAdobe Firefly. يُركز GPT-Image-1 على التحرير السلس - إضافة أو إزالة أو توسيع الكائنات داخل الصور الحالية - مع دعم مخرجات أسلوبية متنوعة.
كيف تختلف هندستهم المعمارية؟
ما هي التكنولوجيا الأساسية التي تدعم Imagen 3؟
يعتمد Imagen 3 على نماذج الانتشار الكامن (LDMs) التي تضغط الصور في مساحة كامنة مكتسبة عبر مشفر ذاتي متغير (VAE)، يتبعه إزالة الضوضاء التكرارية من خلال U-Net المشروطة بتضمينات النص من مشفر T5-XXL المدرب مسبقًا.
قامت جوجل بتوسيع نطاق هذا النموذج، من خلال الجمع بين أجهزة ترميز محولات رؤية النصوص الضخمة للغاية ومجموعات البيانات الضخمة والإرشادات المتقدمة الخالية من التصنيف لتعزيز التوافق بين دلالات النص والدقة البصرية.
تتضمن الابتكارات الرئيسية جداول انتشار متعددة الدقة للحصول على تفاصيل دقيقة، وعناصر تحكم في الإضاءة مدمجة كرموز سريعة، و"طبقات توجيه" مميزة تعمل على تقليل القطع الأثرية المشتتة للانتباه مع الحفاظ على مرونة التركيب.
ما هو أساس GPT‑Image‑1؟
على عكس الانتشار، يستخدم GPT‑Image‑1 "مُرجع تلقائي للصورة" ضمن عائلة GPT‑4o: فهو يُنشئ صورًا رمزية تلو الأخرى، على غرار إنشاء النص، حيث يمثل كل رمز رقعة صغيرة من الصورة النهائية.
يتيح هذا النهج لـ GPT‑Image‑1 ربط المعرفة العالمية والسياق النصي بشكل وثيق - مما يسمح بمطالبات معقدة مثل "تقديم هذا المشهد الأسطوري بأسلوب عصر النهضة، ثم التعليق عليه باستخدام العلامات اللاتينية" - مع تسهيل الرسم الداخلي والتحرير القائم على المنطقة في بنية موحدة.
تشير التقارير الأولية إلى أن خط الأنابيب الانحداري التلقائي هذا يوفر عرضًا نصيًا أكثر تماسكًا داخل الصور وتكيفًا أسرع مع التركيبات غير المعتادة، على حساب أوقات إنشاء أطول إلى حد ما من نظيراتها المنتشرة.
بيانات التدريب والمعلمات
لم تُفصح جوجل علنًا عن العدد الدقيق لمعلمات Imagen 3، إلا أن أوراقها البحثية تُشير إلى مسار توسع يتوافق مع نماذج LLMs التي تحتوي على مليارات المعلمات وشبكات الانتشار. تم تدريب النموذج على مجموعات ضخمة ومملوكة من أزواج الصور والتعليقات التوضيحية، مع التركيز على تنوع الأسلوب والسياق. يرث نموذج GPT-Image-1 من OpenAI ما يُقدر بـ 4 مليار معلمة من نموذج GPT-900o، مُعدّلة بدقة على مجموعة بيانات متخصصة للصور والنصوص، مُعززة بضبط التعليمات القائم على العرض التوضيحي لمهام التحرير. تُطبق كلتا المؤسستين تنظيمًا شاملًا للبيانات لتحقيق التوازن بين دقة التمثيل وتخفيف التحيز.
كيف تتم مقارنة بنياتهم ومجموعات البيانات التدريبية الخاصة بهم؟
ما هي البنى التحتية التي تدعم Imagen 3؟
يعتمد Imagen 3 على إطار عمل جوجل القائم على الانتشار، مستفيدًا من سلسلة من خطوات إزالة الضوضاء ومُشفِّرات نصية كبيرة الحجم قائمة على المحولات لتحسين تفاصيل الصورة تدريجيًا. تتيح هذه البنية تفسير الإشارات المعقدة والحفاظ على الاتساق حتى في المشاهد ذات التفاصيل الكثيفة.
ما هي البنية التي تدعم GPT-Image-1؟
يستخدم GPT-Image-1 تصميمًا لمحوّل متعدد الوسائط مستوحى من سلسلة GPT من OpenAI. يدمج هذا التصميم النص والسياق المرئي ضمن طبقات الانتباه، مما يتيح إمكانية تحويل النص إلى صورة وتحرير الصور في نموذج موحد.
كيف تختلف مجموعات البيانات التدريبية الخاصة بهم؟
تم تدريب Imagen 3 على مجموعات بيانات ضخمة خاصة أشرفت عليها جوجل، وتضم مليارات أزواج الصور والنصوص المستمدة من عمليات البحث على الويب والمجموعات المرخصة، والمُحسّنة لتحقيق التنوع في الأنماط والموضوعات. في المقابل، تجمع مجموعة بيانات GPT-Image-1 بين صور الويب العامة ومكتبات الصور المرخصة والأمثلة المُختارة داخليًا لتحقيق التوازن بين التغطية الواسعة والمحتوى عالي الجودة ذي المصادر الأخلاقية.
ما هي قدراتهم وأدائهم؟
مقارنة جودة الصورة
في معايير التقييم البشري (DrawBench، T2I‑Eval)، يتفوق Imagen 3 باستمرار على نماذج الانتشار السابقة، محققًا درجات أعلى في الواقعية الفوتوغرافية، ودقة التكوين، والمحاذاة الدلالية - متفوقًا على DALL·E 3 بفارق كبير.
على الرغم من كون GPT‑Image‑1 جديدًا، إلا أنه ارتفع بسرعة إلى قمة قائمة المتصدرين في Artificial Analysis Image Arena، حيث أظهر أداءً قويًا في التصوير بدون لقطة في نقل الأسلوب وتوليد المشهد والمطالبات المعقدة، وغالبًا ما يتطابق مع نماذج الانتشار في الملمس ودقة اللون.
من أجل وضوح النص داخل الصور (على سبيل المثال، اللافتات أو الملصقات)، يظهر إنشاء الرمز الانحداري التلقائي لـ GPT‑Image‑1 تحسينات ملحوظة، مما يؤدي إلى تقديم كلمات واضحة وصحيحة لغويًا، بينما لا يزال Imagen 3 يواجه صعوبة في بعض الأحيان في الحصول على أشكال أحرف دقيقة في الطباعة الكثيفة.
ما مدى تنوع أساليبهم الفنية؟
تتميز Imagen 3 بالتصميمات فائقة الواقعية - المناظر الطبيعية بدقة 8K، والصور الشخصية ذات الإضاءة الطبيعية، والتراكيب على غرار الأفلام - بينما تدعم أيضًا الأنماط التصويرية والكرتونية من خلال التعديلات السريعة.
يوفر GPT‑Image‑1 أيضًا تغطية واسعة للأسلوب، من الفن الواقعي إلى التجريدي وحتى الفن ثلاثي الأبعاد، بالإضافة إلى الرسم الداخلي القوي والتحرير الموضعي الذي يسمح للمستخدمين "برسم" مربعات محيطة لتحديد مكان حدوث التغييرات.
تسلط أمثلة المجتمع الضوء على قدرة GPT‑Image‑1 على إنتاج مشاهد أنمي ورسوم بيانية مستوحاة من استوديو جيبلي تجمع بين المخططات وعناصر النص - حالات الاستخدام حيث تعمل المعرفة العالمية المتكاملة على تعزيز الاتساق الواقعي.
السرعة والكمون
يبلغ متوسط استدلال Imagen 3 على واجهة برمجة تطبيقات Gemini من 3 إلى 5 ثوانٍ لكل صورة بحجم 512×512، ويصل إلى 8 إلى 10 ثوانٍ للدقة العالية للغاية (2048×2048)، اعتمادًا على التكرارات التي يحددها المستخدم وقوة التوجيه.
تشير تقارير GPT‑Image‑1 إلى زمن انتقال متوسط يتراوح بين 6 إلى 8 ثوانٍ لأحجام مماثلة في واجهة برمجة تطبيقات الصور، مع وصول الحالات الحدية إلى 12 ثانية للمشاهد ذات التفاصيل الدقيقة؛ وتتضمن المقايضات واجهة بث أكثر سلاسة لكل رمز للمعاينات التقدمية.
إمكانيات عرض النص
عالج كل فريق معالجة مختلفة لمشكلة عرض النصوص، وهي نقطة ضعف لطالما كانت في نماذج الانتشار. أضافت جوجل مرحلة فك تشفير متخصصة إلى Imagen 3 لتحسين وضوح النص، إلا أن هناك صعوبات في التعامل مع التصميمات المعقدة والنصوص متعددة اللغات. يستفيد GPT-Image-1 من آليات انتباه المحول لعرض نصوص بدون أخطاء، مما ينتج كتل نصية واضحة ومتناسقة، مناسبة للرسوم البيانية والمخططات. هذا يجعل GPT-Image-1 مفيدًا بشكل خاص للأصول التعليمية والشركاتية التي تتطلب تسميات أو تعليقات توضيحية مدمجة.
كيف تتم مقارنتهم من حيث الاعتبارات الأمنية والأخلاقية؟
ما هي حواجز السلامة الموجودة؟
تُطبّق جوجل فلاتر المحتوى على Imagen 3 من خلال مزيج من مُصنّفات آلية وقنوات مراجعة بشرية، مما يحظر المحتوى العنيف والجنسي والمحمي بحقوق الطبع والنشر. كما تستخدم حلقات التغذية الراجعة الجماعية لسد الثغرات المحتملة في هندسة الاستجابة السريعة.
يرث GPT‑Image‑1 من OpenAI مجموعة الأمان GPT‑4o: التعديل التلقائي مع حساسية قابلة للتعديل، وبيانات التعريف C2PA المتكاملة في المخرجات للإشارة إلى أصل الذكاء الاصطناعي، والضبط الدقيق المستمر عبر التعلم التعزيزي من ردود الفعل البشرية (RLHF) لتجنب المخرجات الضارة أو المتحيزة.
إن كلا النظامين يحددان الفئات الحساسة (على سبيل المثال، صور المشاهير) وينفذان عمليات الرفض القائمة على السياسات، ولكن عمليات التدقيق المستقلة تشير إلى أن التحيز القائم على الصورة (الجنس، العرق) لا يزال يتطلب المزيد من التخفيف.
ما هي المخاوف المتعلقة بالخصوصية التي تنشأ؟
أدى الاستخدام السريع لـ GPT‑Image‑1 في أدوات المستهلك إلى ظهور تحذيرات بشأن الاحتفاظ بالبيانات الوصفية: قد تحمل الصور التي تم تحميلها للرسم الداخلي بيانات EXIF (الموقع والجهاز) والتي يمكن تخزينها لتحسين النموذج ما لم يتم تطهيرها بواسطة المستخدم.
تلتزم Imagen 3، التي تعتمد في المقام الأول على واجهة برمجة التطبيقات للمؤسسات، بسياسات التعامل مع البيانات الخاصة بـ Google Cloud، والتي تعد بعدم استخدام المطالبات أو المخرجات التي يحملها العملاء للتدريب على النموذج دون الاشتراك الصريح، بما يتناسب مع احتياجات الامتثال للشركات.
ما هي الأسعار والتوافر؟
يمكن الوصول إلى Imagen 3 عبر واجهة برمجة تطبيقات Vertex AI Generative Models من Google Cloud، مع نقاط نهاية مثل imagen-3.0-capability-001، ومن خلال واجهة برمجة تطبيقات جيميني لحالات الاستخدام التحادثية. تدعم الواجهة إنشاءً قائمًا على المطالبات، وإعدادات مسبقة للأنماط، وسير عمل تكراري "من الرسومات إلى الروائع".
يتم تسليم GPT-Image-1 عبر واجهة برمجة تطبيقات الصور من OpenAI، ويُدمج في واجهة برمجة تطبيقات الاستجابات للمطالبات متعددة الوسائط. يمكن للمطورين الاتصال gpt-image-1 مع معلمات الأسلوب ونسبة العرض إلى الارتفاع وتفضيلات الاعتدال، فضلاً عن توفير الصور الأولية للرسم الأولي والرسم الخارجي.
أين يمكن للمطورين الوصول إلى كل نموذج؟
Imagen 3 متاح عبر:
- واجهة برمجة تطبيقات Google Gemini (0.03 دولار/الصورة) لتوليد النص إلى صورة والميزات المتقدمة (نسبة العرض إلى الارتفاع، ودفعات متعددة الخيارات).
- Vertex AI على Google Cloud، مع خيارات نقطة نهاية مخصصة وتكامل Google Slides لغير المبرمجين.
يمكن الوصول إلى GPT‑Image‑1 من خلال:
- واجهة برمجة تطبيقات صور OpenAI (عالمية، الدفع حسب الاستخدام) مع رصيد تجريبي مجاني سخيّ للمستخدمين الجدد.
- خدمة Microsoft Azure OpenAI (صور في ملعب Foundry) للتكامل والامتثال للمؤسسات.
- واجهة برمجة تطبيقات ردود ChatGPT (ستتوفر قريبًا) لروبوتات الحوار المتعددة الوسائط والمساعدين.
كم تكلفة كل منهما؟
تتقاضى Imagen 3 مبلغ 0.03 دولارًا أمريكيًا لكل صورة بحجم 512×512 تم إنشاؤها على واجهة برمجة تطبيقات Gemini، مع خصومات على الحجم لعملاء المؤسسات؛ وتطبق أسعار مخصصة على عمليات نشر Vertex AI.
يتم تسعير GPT‑Image‑1 من OpenAI على عدة مستويات: ما يقرب من 0.02 دولار إلى 0.04 دولار لكل طلب إنشاء صورة (اعتمادًا على الدقة وحجم الدفعة)، بالإضافة إلى رسوم هامشية لنقاط النهاية للرسم أو التباين؛ وتختلف الأسعار الدقيقة حسب المنطقة وAzure مقابل الفواتير المباشرة من OpenAI.
ما هي التطورات المستقبلية التي تنتظرنا؟
هل سيتم إطلاق Imagen 4 وما بعده قريبًا؟
تشير الشائعات والمراجع النموذجية المسربة إلى الكشف عن Imagen 4 Ultra وVeo 3 في Google I/O 2025 (20 مايو 2025)، مما يعد بإنشاء 16K في الوقت الفعلي، ورسوم متحركة ديناميكية، وتكامل أكثر وثوقًا مع التفكير المتعدد الوسائط في Gemini.
تشير إدخالات التسجيل المبكرة مثل "imagen‑4.0‑ultra‑generate‑exp‑05‑20" إلى أن Google تهدف إلى تعزيز الدقة والسرعة وتماسك المشهد في وقت واحد، مما قد يتفوق على معايير المنافسين.
كيف يمكن أن يتطور GPT‑Image‑1؟
تخطط OpenAI لدمج GPT‑Image‑1 بشكل أعمق في GPT‑4o، مما يتيح انتقالات سلسة من النص إلى الفيديو، وتحسين تحرير الوجه بدون أي آثار، ولوحات قماشية أكبر من خلال إنشاء البلاط.
تشير خرائط الطريق إلى واجهات مستخدم "الصورة في الدردشة" حيث يمكن للمستخدمين الكتابة باستخدام القلم، والسماح لبرنامج GPT‑Image‑1 بالتحسين في الوقت الفعلي، ثم تصديرها إلى أدوات التصميم، مما يجعل إنشاء الفن المتقدم متاحًا للجمهور غير الفني.
الخاتمة
يمثل كلٌ من Imagen 3 وGPT-Image-1 ركيزتين أساسيتين لفن الذكاء الاصطناعي من الجيل التالي: يتميز نموذج جوجل القائم على الانتشار بدقة الخام ودقة الإضاءة، بينما يُركز نهج OpenAI الانحداري التلقائي على المعرفة العالمية المتكاملة، والرسم الداخلي، وتقديم النصوص. يتوفر كلا البرنامجين تجاريًا عبر واجهات برمجة تطبيقات قوية، مدعومة بإجراءات أمان شاملة وشراكات متناميةً باستمرار في بيئة العمل. مع تحضير جوجل لـ Imagen 4 وتعميق OpenAI لـ GPT-Image-1 في GPT-4o، يمكن للمطورين والمبدعين التطلع إلى أدوات توليد صور أكثر ثراءً وقابلية للتحكم، وأكثر امتثالًا للمعايير الأخلاقية.
كيف تبدأ
يمكن للمطورين الوصول واجهة برمجة تطبيقات GPT-image-1 و واجهة برمجة تطبيقات Grok 3 من خلال كوميت ايه بي اي. للبدء، استكشف قدرات النموذج في ساحة اللعب واستشر دليل واجهة برمجة التطبيقات (اسم الموديل: gpt-image-1) للحصول على تعليمات مفصلة. يُرجى ملاحظة أن بعض المطورين قد يحتاجون إلى التحقق من مؤسستهم قبل استخدام النموذج.
GPT-Image-1 أسعار API في CometAPI، خصم 20% من السعر الرسمي:
رموز الإخراج: 32 دولار/ مليون رمز
رموز الإدخال: 8 دولار / مليون رمز