Trong những tháng gần đây, Google và OpenAI đều đã ra mắt các hệ thống tạo văn bản thành hình ảnh tiên tiến—lần lượt là Imagen 3 và GPT-Image-1—mở ra kỷ nguyên mới của nghệ thuật AI chân thực như ảnh và có thể kiểm soát cao. Imagen 3 nhấn mạnh vào độ trung thực cực cao, khả năng điều khiển ánh sáng sắc thái và tích hợp vào nền tảng Gemini và Vertex của Google, trong khi GPT-Image-1 tận dụng nền tảng đa phương thức tự hồi quy gắn liền với GPT-4o, cung cấp cả chức năng tạo hình ảnh và chỉnh sửa tại chỗ với các biện pháp bảo vệ an toàn mạnh mẽ và tính khả dụng rộng rãi của API. Bài viết này sẽ xem xét nguồn gốc, kiến trúc, khả năng, khuôn khổ an toàn, mô hình định giá và ứng dụng thực tế của chúng trước khi kết thúc bằng cách xem xét về cách cả hai sẽ phát triển.
Imagen 3 là gì?
Imagen 3 là mô hình chuyển văn bản thành hình ảnh độ phân giải cao mới nhất của Google, được thiết kế để tạo ra hình ảnh có độ chi tiết đặc biệt, ánh sáng phong phú hơn và ít hiện vật hơn so với các phiên bản trước. Có thể truy cập thông qua Gemini API và nền tảng Vertex AI của Google, cho phép người dùng tạo mọi thứ từ cảnh chân thực đến hình minh họa cách điệu.
GPT-Image-1 là gì?
GPT-Image-1 là mô hình tạo hình ảnh chuyên dụng đầu tiên của OpenAI được giới thiệu thông qua OpenAI Images API. Ban đầu cung cấp năng lượng cho khả năng hình ảnh của ChatGPT, gần đây đã được mở cho các nhà phát triển, cho phép tích hợp vào các công cụ thiết kế như Figma và Adobe Firefly. GPT-Image-1 nhấn mạnh vào việc chỉnh sửa liền mạch—thêm, xóa hoặc mở rộng các đối tượng trong hình ảnh hiện có—đồng thời hỗ trợ nhiều đầu ra theo phong cách khác nhau.
Kiến trúc của chúng khác nhau như thế nào?
Công nghệ cốt lõi nào tạo nên sức mạnh cho Imagen 3?
Imagen 3 được xây dựng trên các mô hình khuếch tán tiềm ẩn (LDM) nén hình ảnh thành không gian tiềm ẩn đã học được thông qua bộ mã hóa tự động biến thiên (VAE), sau đó là quá trình khử nhiễu lặp đi lặp lại thông qua U‑Net dựa trên nhúng văn bản từ bộ mã hóa T5‑XXL đã được đào tạo trước.
Google đã mở rộng mô hình này, kết hợp bộ mã hóa chuyển đổi hình ảnh văn bản cực lớn với các tập dữ liệu khổng lồ và hướng dẫn không cần phân loại tiên tiến để thúc đẩy sự liên kết giữa ngữ nghĩa văn bản và độ trung thực của hình ảnh.
Những cải tiến chính bao gồm bộ lập lịch khuếch tán đa độ phân giải để có chi tiết chính xác, điều khiển ánh sáng được nhúng dưới dạng mã thông báo nhắc nhở và "lớp hướng dẫn" được mã hóa giúp giảm hiện tượng nhiễu trong khi vẫn duy trì tính linh hoạt trong bố cục.
Nền tảng của GPT-Image-1 là gì?
Không giống như sự khuếch tán, GPT‑Image‑1 sử dụng “bộ hồi quy tự động hình ảnh” tự hồi quy trong họ GPT‑4o: nó tạo ra hình ảnh theo từng mã thông báo, tương tự như tạo văn bản, trong đó mỗi mã thông báo đại diện cho một bản vá nhỏ của hình ảnh cuối cùng.
Phương pháp này cho phép GPT‑Image‑1 liên kết chặt chẽ kiến thức thế giới và bối cảnh văn bản—cho phép đưa ra các lời nhắc phức tạp như “biểu diễn cảnh thần thoại này theo phong cách Phục hưng, sau đó chú thích bằng nhãn tiếng Latin”—đồng thời tạo điều kiện cho việc tô màu và chỉnh sửa theo khu vực trong một kiến trúc thống nhất.
Các báo cáo ban đầu cho thấy đường ống tự hồi quy này cung cấp khả năng hiển thị văn bản mạch lạc hơn trong hình ảnh và khả năng thích ứng nhanh hơn với các thành phần bất thường, với thời gian tạo ra lâu hơn một chút so với phương pháp khuếch tán tương đương.
Dữ liệu đào tạo và tham số
Google chưa công khai tiết lộ số lượng tham số chính xác cho Imagen 3, nhưng các bài báo nghiên cứu của họ chỉ ra một quỹ đạo mở rộng phù hợp với các LLM và mạng lưới khuếch tán có nhiều tỷ tham số. Mô hình được đào tạo trên các tập đoàn dữ liệu độc quyền rộng lớn gồm các cặp hình ảnh-chú thích, nhấn mạnh vào sự đa dạng về phong cách và ngữ cảnh. GPT-Image-1 của OpenAI kế thừa 4 tỷ tham số ước tính của GPT-900o, được tinh chỉnh trên một tập dữ liệu hình ảnh-văn bản chuyên biệt được tăng cường bằng cách điều chỉnh hướng dẫn dựa trên bản trình diễn cho các tác vụ chỉnh sửa. Cả hai tổ chức đều áp dụng việc quản lý dữ liệu mở rộng để cân bằng độ trung thực biểu diễn với việc giảm thiểu sự thiên vị.
Kiến trúc và tập dữ liệu đào tạo của chúng khác nhau như thế nào?
Kiến trúc cơ bản nào hỗ trợ Imagen 3?
Imagen 3 được xây dựng dựa trên khuôn khổ dựa trên sự khuếch tán của Google, tận dụng một loạt các bước khử nhiễu và bộ mã hóa văn bản dựa trên bộ biến đổi lớn để tinh chỉnh các chi tiết hình ảnh theo từng bước. Kiến trúc này cho phép nó diễn giải các lời nhắc phức tạp và duy trì tính mạch lạc ngay cả trong các cảnh có nhiều chi tiết.
Kiến trúc nào hỗ trợ GPT-Image-1?
GPT-Image-1 sử dụng thiết kế biến đổi đa phương thức bắt nguồn từ dòng GPT của OpenAI. Nó tích hợp văn bản và ngữ cảnh trực quan trong các lớp chú ý của nó, cho phép tổng hợp văn bản thành hình ảnh và khả năng chỉnh sửa hình ảnh trong một mô hình thống nhất.
Bộ dữ liệu đào tạo của họ khác nhau như thế nào?
Imagen 3 được đào tạo trên các tập dữ liệu độc quyền rộng lớn do Google tuyển chọn, bao gồm hàng tỷ cặp hình ảnh-văn bản có nguồn gốc từ các cuộc thu thập dữ liệu web và các bộ sưu tập được cấp phép, được tối ưu hóa để đa dạng về phong cách và chủ đề. Ngược lại, tập dữ liệu của GPT-Image-1 kết hợp hình ảnh web công khai, thư viện lưu trữ được cấp phép và các ví dụ được tuyển chọn nội bộ để cân bằng phạm vi bao phủ rộng với nội dung chất lượng cao, có nguồn gốc đạo đức.
Khả năng và hiệu suất của chúng là gì?
So sánh chất lượng hình ảnh
Trên các tiêu chuẩn đánh giá của con người (DrawBench, T2I‑Eval), Imagen 3 luôn vượt trội hơn các mô hình khuếch tán trước đó, đạt điểm cao hơn về tính chân thực của ảnh, độ chính xác về bố cục và sự liên kết ngữ nghĩa—vượt trội hơn DALL·E 3 theo biên độ của đối thủ.
GPT‑Image‑1 tuy mới nhưng đã nhanh chóng vươn lên dẫn đầu bảng xếp hạng Artificial Analysis Image Arena, chứng minh hiệu suất chụp ảnh không cần chỉnh sửa mạnh mẽ về chuyển đổi phong cách, tạo cảnh và lời nhắc phức tạp, thường khớp với các mô hình khuếch tán về kết cấu và độ trung thực của màu sắc.
Đối với độ rõ nét của văn bản trong hình ảnh (ví dụ: biển báo hoặc nhãn), chức năng tạo mã thông báo tự động hồi quy của GPT-Image-1 cho thấy những cải tiến đáng kể, hiển thị các từ dễ đọc, đúng ngôn ngữ, trong khi Imagen 3 đôi khi vẫn gặp khó khăn với các hình dạng ký tự chính xác trong kiểu chữ dày đặc.
Phong cách nghệ thuật của họ đa dạng đến mức nào?
Imagen 3 nổi bật với khả năng kết xuất siêu thực—phong cảnh 8k, chân dung ánh sáng tự nhiên, bố cục theo phong cách phim—đồng thời hỗ trợ các phong cách hội họa và hoạt hình thông qua các trình sửa đổi nhanh.
GPT‑Image‑1 cũng cung cấp phạm vi phong cách rộng, từ ảnh chân thực đến trừu tượng và thậm chí là nghệ thuật đẳng cự 3D, cùng với khả năng tô màu mạnh mẽ và chỉnh sửa cục bộ cho phép người dùng "vẽ" các hộp giới hạn để chỉ định nơi xảy ra thay đổi.
Các ví dụ cộng đồng làm nổi bật khả năng của GPT‑Image‑1 trong việc tạo ra các cảnh anime và đồ họa thông tin lấy cảm hứng từ Ghibli, kết hợp biểu đồ và các yếu tố văn bản—các trường hợp sử dụng trong đó kiến thức thế giới tích hợp giúp tăng cường tính nhất quán về mặt thực tế.
Tốc độ và độ trễ
Suy luận Imagen 3 trên API Gemini trung bình mất 3–5 giây cho mỗi hình ảnh 512×512, có thể mở rộng lên tới 8–10 giây cho độ phân giải cực cao (2048×2048), tùy thuộc vào số lần lặp do người dùng chỉ định và cường độ hướng dẫn.
GPT‑Image‑1 báo cáo độ trễ trung bình là 6–8 giây cho các kích thước tương tự trong Images API, với các trường hợp ngoại lệ lên tới 12 giây đối với các cảnh có chi tiết tốt; sự đánh đổi bao gồm giao diện phát trực tuyến mượt mà hơn cho mỗi mã thông báo để xem trước liên tục.
Khả năng kết xuất văn bản
Việc hiển thị văn bản—một điểm yếu lâu nay trong các mô hình khuếch tán—đã được giải quyết khác nhau bởi mỗi nhóm. Google đã thêm một giai đoạn giải mã chuyên biệt vào Imagen 3 để cải thiện khả năng đọc văn bản, nhưng vẫn còn khó khăn với các bố cục phức tạp và tập lệnh đa ngôn ngữ. GPT-Image-1 tận dụng các cơ chế chú ý của bộ biến đổi để hiển thị văn bản không cần chỉnh sửa, tạo ra các khối văn bản rõ ràng, căn chỉnh tốt phù hợp với đồ họa thông tin và sơ đồ. Điều này khiến GPT-Image-1 đặc biệt hữu ích cho các tài sản giáo dục và doanh nghiệp yêu cầu nhãn hoặc chú thích nhúng.
Chúng khác nhau như thế nào về mặt an toàn và đạo đức?
Có những rào chắn an toàn nào được lắp đặt?
Google thực thi bộ lọc nội dung trên Imagen 3 thông qua sự kết hợp giữa các trình phân loại tự động và quy trình đánh giá của con người, chặn nội dung bạo lực, khiêu dâm và có bản quyền. Nó cũng sử dụng vòng phản hồi nhóm đỏ để vá các lỗ hổng tiềm ẩn trong kỹ thuật nhanh chóng.
GPT‑Image‑1 của OpenAI kế thừa ngăn xếp an toàn GPT‑4o: kiểm duyệt tự động với độ nhạy có thể điều chỉnh, siêu dữ liệu C2PA tích hợp trong đầu ra để báo hiệu nguồn gốc AI và tinh chỉnh liên tục thông qua học tăng cường từ phản hồi của con người (RLHF) để tránh đầu ra có hại hoặc thiên vị.
Cả hai hệ thống đều đánh dấu các danh mục nhạy cảm (ví dụ: hình ảnh người nổi tiếng) và thực thi lệnh từ chối theo chính sách, nhưng các cuộc kiểm toán độc lập lưu ý rằng sự thiên vị dựa trên hình ảnh (giới tính, dân tộc) vẫn cần được giảm thiểu hơn nữa.
Có những lo ngại nào về quyền riêng tư?
Việc áp dụng nhanh chóng GPT‑Image‑1 trong các công cụ dành cho người tiêu dùng đã đưa ra cảnh báo về việc lưu giữ siêu dữ liệu: hình ảnh được tải lên để chỉnh sửa có thể mang dữ liệu EXIF (vị trí, thiết bị) có thể được lưu trữ để cải thiện mô hình trừ khi người dùng khử trùng.
Imagen 3, chủ yếu được điều khiển bằng API dành cho doanh nghiệp, tuân thủ các chính sách xử lý dữ liệu của Google Cloud, cam kết không sử dụng bất kỳ lời nhắc hoặc dữ liệu đầu ra nào do khách hàng tải lên để đào tạo mô hình mà không có sự đồng ý rõ ràng, phù hợp với nhu cầu tuân thủ của công ty.
Giá cả và tình trạng còn hàng thế nào?
Imagen 3 có thể truy cập thông qua API Vertex AI Generative Models của Google Cloud, với các điểm cuối như imagen-3.0-capability-001và thông qua API Gemini cho các trường hợp sử dụng đàm thoại. Nó hỗ trợ tạo dựa trên lời nhắc, cài đặt trước kiểu dáng và quy trình làm việc lặp đi lặp lại "từ phác thảo đến kiệt tác".
GPT-Image-1 được cung cấp thông qua API Hình ảnh của OpenAI và được tích hợp vào API Phản hồi để đưa ra lời nhắc đa phương thức. Các nhà phát triển có thể gọi gpt-image-1 với các thông số về kiểu dáng, tỷ lệ khung hình và tùy chọn kiểm duyệt, cũng như cung cấp hình ảnh ban đầu để tô màu và tô màu lại.
Các nhà phát triển có thể truy cập từng mô hình ở đâu?
Imagen 3 có sẵn thông qua:
- Google Gemini API (0.03 đô la/hình ảnh) để tạo văn bản thành hình ảnh và các tính năng nâng cao (tỷ lệ khung hình, nhóm nhiều tùy chọn).
- Vertex AI trên Google Cloud, với các tùy chọn điểm cuối tùy chỉnh và tích hợp Google Slides dành cho người không phải lập trình viên.
Có thể truy cập GPT‑Image‑1 thông qua:
- OpenAI Images API (toàn cầu, trả tiền khi sử dụng) với khoản tín dụng dùng thử miễn phí hào phóng dành cho người dùng mới.
- Dịch vụ Microsoft Azure OpenAI (Hình ảnh trong sân chơi Foundry) để tích hợp và tuân thủ cho doanh nghiệp.
- API phản hồi ChatGPT (sắp ra mắt) dành cho bot và trợ lý đối thoại đa phương thức.
Mỗi cái có giá bao nhiêu?
Imagen 3 tính phí 0.03 đô la cho mỗi lần tạo hình ảnh 512×512 trên Gemini API, với mức chiết khấu cho khách hàng doanh nghiệp khi mua số lượng lớn; giá tùy chỉnh được áp dụng cho các triển khai Vertex AI.
Giá GPT‑Image‑1 của OpenAI được chia thành nhiều bậc: khoảng 0.02–0.04 đô la cho mỗi yêu cầu tạo hình ảnh (tùy thuộc vào độ phân giải và kích thước lô), cộng với phí biên cho các điểm cuối tô màu hoặc thay đổi; mức giá chính xác thay đổi tùy theo khu vực và Azure so với thanh toán trực tiếp của OpenAI.
Những diễn biến trong tương lai sắp tới sẽ như thế nào?
Liệu Imagen 4 và các phiên bản tiếp theo có sớm ra mắt không?
Tin đồn và các tham chiếu mô hình bị rò rỉ cho thấy Imagen 4 Ultra và Veo 3 sẽ được ra mắt tại Google I/O 2025 (ngày 20 tháng 2025 năm 16), hứa hẹn khả năng tạo ra XNUMXK theo thời gian thực, hoạt ảnh động và tích hợp chặt chẽ hơn với lý luận đa phương thức của Gemini.
Các mục nhập sổ đăng ký ban đầu như “imagen‑4.0‑ultra‑generate‑exp‑05‑20” cho thấy Google muốn thúc đẩy độ phân giải, tốc độ và tính nhất quán của cảnh đồng thời, có khả năng vượt trội hơn so với các chuẩn mực của đối thủ cạnh tranh.
GPT-Image-1 có thể tiến hóa như thế nào?
OpenAI có kế hoạch hợp nhất GPT‑Image‑1 sâu hơn vào GPT‑4o, cho phép chuyển đổi văn bản sang video liền mạch, cải thiện khả năng chỉnh sửa khuôn mặt mà không có hiện tượng nhiễu và tạo ra khung vẽ lớn hơn thông qua thế hệ lát gạch.
Lộ trình gợi ý về giao diện người dùng "hình ảnh trong trò chuyện" nơi người dùng có thể viết nguệch ngoạc bằng bút stylus, tinh chỉnh GPT-Image-1 theo thời gian thực, sau đó xuất sang các công cụ thiết kế, phổ biến khả năng sáng tạo nghệ thuật nâng cao cho đối tượng không am hiểu kỹ thuật.
Kết luận
Imagen 3 và GPT‑Image‑1 đại diện cho hai trụ cột của nghệ thuật AI thế hệ tiếp theo: Mô hình dựa trên sự khuếch tán của Google vượt trội về độ trung thực thô và sắc thái ánh sáng, trong khi phương pháp hồi quy tự động của OpenAI làm nổi bật kiến thức thế giới tích hợp, vẽ trong và kết xuất văn bản. Cả hai đều có sẵn trên thị trường thông qua các API mạnh mẽ, được hỗ trợ bởi các biện pháp an toàn mở rộng và quan hệ đối tác hệ sinh thái ngày càng mở rộng. Khi Google chuẩn bị Imagen 4 và OpenAI đào sâu GPT‑Image‑1 trong GPT‑4o, các nhà phát triển và sáng tạo có thể mong đợi các công cụ tạo hình ảnh ngày càng phong phú hơn, dễ kiểm soát hơn và có đạo đức hơn.
Bắt đầu
Các nhà phát triển có thể truy cập API GPT-image-1 và API Grok 3 thông qua Sao chổiAPI. Để bắt đầu, hãy khám phá các khả năng của mô hình trong Sân chơi và tham khảo Hướng dẫn API (tên mẫu: gpt-image-1) để biết hướng dẫn chi tiết. Lưu ý rằng một số nhà phát triển có thể cần xác minh tổ chức của họ trước khi sử dụng mô hình.
GPT-Image-1 Giá API trong CometAPI，giảm giá 20% so với giá chính thức:
Mã thông báo đầu ra: 32 đô la/M mã thông báo
Mã thông báo đầu vào: 8 đô la/M mã thông báo