Коли OpenAI запустила Images 2.0 (оновлену модель генерації зображень у ChatGPT), це стало не просто черговим релізом. За два тижні після запуску використання зросло більш ніж на 50%, а користувачі тепер створюють понад 1,5 мільярда зображень на тиждень. У подкасті OpenAI дослідник Кенджі Хата та продакт-лід Адель Лі пояснюють, чому саме цей реліз відчувається як «ренесанс» у генерації зображень: від різкого стрибка в якості тексту на картинках до підтримки багатьох мов, фотореалізму, довільних форматів і навіть 360?градусних панорам.
Цей матеріал розбирає конкретні нові можливості Images 2.0 і те, як OpenAI цілеспрямовано будувала модель навколо трьох ключових цілей: текст, мультимовність і розуміння світу.
Текст, який нарешті можна прочитати: чому рендеринг літер став критичним
Однією з найбільш помітних слабких сторін попередніх генераторів зображень був текст. Логотипи, постери, діаграми, інтерфейси — усе, де потрібні читабельні слова, часто перетворювалися на хаотичний набір літер. У ранніх версіях навіть напис «OpenAI» міг виглядати так, ніби його вивів шимпанзе, жартують у команді.
У Images 2.0 ця проблема стала однією з головних цілей розробки. Модель суттєво покращила здатність відтворювати текст на зображенні: слова мають сенс, букви не «пливуть», а цілі сторінки виглядають як справжні макети.
Це не косметичне оновлення, а зміна класу задач, які тепер можна вирішувати за допомогою генерації зображень. Якщо раніше більшість сценаріїв обмежувалася «фановими» картинками, то тепер відкривається простір для продуктивних застосувань:
- інфографіка з чіткими підписами й легендами;
- постери, банери та обкладинки з коректною типографікою;
- діаграми та схеми, де текст є ключовим носієм змісту;
- мокапи інтерфейсів, у яких кнопки, меню й підказки виглядають як реальні UI?елементи, а не абстрактні прямокутники.
У дослідницькій команді саме інфографіка й текстові елементи стали одним із «улюблених» тестів для нової моделі. Вони показують, що генерація зображень перестає бути суто розважальним інструментом і переходить у зону повноцінної візуальної продуктивності.
Важливий індикатор прогресу — внутрішні тести OpenAI з «решітками об’єктів». Ще з часів DALL·E 3 команда просила модель намалювати сітку з великої кількості різних предметів і перевіряла, скільки з них будуть правильно відтворені. DALL·E 3 стабільно справлявся з 5–8 об’єктами, Images 1.0 — приблизно з 16, версія 1.5 — з 25–36. Остання модель уже впевнено наближається до сотні коректних об’єктів у кадрі. Це свідчить не лише про кращий контроль над деталями, а й про здатність моделі «зв’язувати змінні» — розуміти, що саме й де має бути розміщено.
Для тексту це критично: щоб написати на постері «Конференція з кібербезпеки 2026» і не переплутати букви, модель має одночасно тримати в голові і форму літер, і їхній порядок, і композицію всієї сцени.
Мультимовні підказки: генерація зображень виходить за межі англомовного світу
Друга велика вісь розвитку Images 2.0 — мультимовність. Якщо ранні генератори були фактично «англоцентричними», то нова модель цілеспрямовано тренували так, щоб вона працювала з підказками багатьма мовами й зберігала порівняну якість.
Це означає, що користувачі в Азії, Європі та інших регіонах можуть описувати сцени рідною мовою й отримувати не гірші результати, ніж англомовні користувачі. У перші тижні після запуску саме це стало одним із драйверів вірусних трендів у різних країнах: від кольорового аналізу й стікерів в Азії до креативних сценаріїв у США.
Мультимовність тут — не просто «переклад підказки всередині». OpenAI ще на старті проєкту визначила її як одну з трьох ключових цілей (разом із текстом і розумінням світу) і відповідно будувала і навчальні дані, і систему оцінювання. Модель має не лише розуміти інструкцію іншою мовою, а й коректно відображати культурні контексти, об’єкти, написи, стилі.
Це важливо з кількох причин.
По?перше, знижується бар’єр входу. Людям не потрібно підлаштовуватися під англійську чи шукати «правильні» англомовні промпти. Вони можуть формулювати завдання так, як звикли думати.
По?друге, з’являється можливість створювати візуальний контент локальними мовами — від плакатів до освітніх матеріалів, де текст на зображенні має бути саме українською, японською чи іспанською.
По?третє, мультимовність тісно пов’язана з «розумінням світу», яке OpenAI також ставила за мету. Щоб правильно згенерувати, наприклад, традиційний азійський ринок чи європейську стару площу за описом місцевою мовою, модель має мати вбудовані уявлення про ці реалії, а не лише про англомовний інтернет.
У підсумку Images 2.0 перетворюється на глобальний інструмент, а не сервіс, оптимізований під один культурно-мовний простір.
Фотореалізм і «ти на зображенні»: чому точність облич і тіл стала пріоритетом
Третя ключова лінія покращень — фотореалізм і коректне відтворення людей. Користувачі попередніх моделей часто скаржилися, що згенеровані версії їхніх фото виглядають «не зовсім як вони»: змінюються риси обличчя, пропорції тіла, з’являється відчуття штучності.
У Images 2.0 це стало окремим мандатом: зробити так, щоб зображення «відчувалося як ти сам». Модель намагається точніше зберігати реальні риси обличчя й тіла, коли користувач просить, наприклад, стилізувати власне фото, перенести себе в іншу сцену чи створити портрет у певній естетиці.
Це важливо не лише для селфі чи аватарів. Фотореалізм і стабільність ідентичності відкривають низку чутливих і водночас корисних сценаріїв:
- професійні портрети для резюме, презентацій, публічних профілів;
- візуалізація одягу, зачісок, аксесуарів на реальній людині;
- персоналізовані навчальні або медичні матеріали, де важливо, щоб людина впізнавала себе.
Усе це вимагає від моделі не лише технічної здатності малювати «реалістичні» обличчя, а й глибшого розуміння того, як виглядає конкретна людина, і як не спотворити її риси при зміні стилю чи контексту.
Команда OpenAI говорить про «знання світу», вбудоване в модель, як про основу цього фотореалізму. Модель не просто комбінує пікселі, а використовує узагальнене уявлення про те, як влаштовані об’єкти, тіла, простір. Це ж «світове знання» допомагає їй краще розуміти сцени, взаємне розташування предметів, освітлення — усе, що робить картинку переконливою.
На цьому тлі OpenAI позиціонує Images 2.0 як «state-of-the-art aesthetic image generation model» — одну з найкращих моделей на ринку саме з точки зору візуальної якості та естетики.
Довільні пропорції й 360°: як панорами перетворилися на функцію
Ще одна помітна зміна в Images 2.0 — здатність впевнено працювати з довільними співвідношеннями сторін. Якщо раніше більшість генераторів були фактично «заручниками» квадратного формату або кількох фіксованих варіантів, то нова модель дозволяє створювати:
- надширокі панорами;
- дуже витягнуті «худорляві» зображення, наприклад, для закладок чи вертикальних банерів;
- будь-які проміжні формати, потрібні для вебу, мобільних застосунків чи друку.
Саме з цієї здатності народилася ще одна функція, яка вже стала вірусною: 360?градусні зображення. Під час спостереження за тим, як люди використовують модель, команда помітила, що користувачі активно генерують довгі панорами й експериментують із форматами. Виявилося, що модель може не лише малювати «широкі» сцени, а й відтворювати їх у стилі 360°.
Звідси — логічний наступний крок: додати в ChatGPT на вебі й мобільних пристроях режим перегляду, у якому такі зображення можна «оглядати» навколо себе, ніби це віртуальний простір. Один із перших експериментів — класична сцена «собаки грають у покер», перетворена на 360?градусний стіл, де користувач ніби сидить поруч із собаками й може озиратися довкола.
Цей приклад здається жартівливим, але він показує важливу тенденцію: генерація зображень виходить за межі плоских картинок і починає торкатися сфер, які раніше асоціювалися з VR та ігровими рушіями. При цьому користувачеві не потрібно володіти 3D?інструментами чи спеціальними форматами — достатньо текстового опису.
З технічного боку, здатність працювати з довільними аспект?рейшіо означає, що модель має утримувати цілісність сцени на великих площах, не «ламати» перспективу й не губити деталі. Це складніше, ніж згенерувати один квадратний кадр: потрібно узгоджувати об’єкти по всій ширині чи висоті, зберігати логіку простору й освітлення.
Для практичних застосувань це відкриває широкий спектр можливостей: від широкоформатних ілюстрацій для презентацій до мобільних обкладинок, банерів, сторіз і спеціальних макетів для друку.
Як OpenAI «слухає інтернет» і навіщо це потрібно наступним версіям
Images 2.0 — не фінальна точка, а черговий етап у швидкій еволюції моделей. Важливу роль у цій еволюції відіграє те, як OpenAI працює з публічним фідбеком.
Команда активно стежить за реакціями в соцмережах: дивиться на вірусні тренди, приклади використання, скарги, баги, неочікувані сценарії. Ці сигнали стають сировиною для наступних ітерацій: щось потрібно пом’якшити, щось — посилити, а деякі можливості — спеціально підтримати на рівні продукту.
Так, наприклад, сталося з 360?зображеннями: спочатку це була радше «емергентна» властивість моделі, яка вміє працювати з довгими панорамами. Але коли стало видно, що користувачі активно експериментують із такими форматами, з’явилася окрема функція перегляду в ChatGPT.
Інший показовий тренд — прагнення до «недосконалості». Попри те, що модель здатна створювати надзвичайно реалістичні й естетичні картинки, користувачі часто свідомо просять її згенерувати щось «кривувате» — у стилі Microsoft Paint, дитячих малюнків, воскових крейд. Це виглядає парадоксально: чим розумнішим стає інструмент, тим частіше його використовують для створення навмисно наївних образів.
За цим стоїть запит на автентичність, ностальгію, право на помилку. Люди хочуть показувати себе не як «ідеально відретушованих» персонажів, а як живих, іноді смішних, іноді незграбних. AI у цьому випадку стає не фабрикою бездоганних картинок, а засобом самовираження, який може підкреслити й «несерйозний» бік особистості.
Для OpenAI це не просто цікавий культурний феномен, а важливий сигнал: модель має вміти не лише прагнути до максимальної «якості», а й гнучко відтворювати різні стилі, включно з навмисною недосконалістю. І це теж враховується в подальшому налаштуванні.
Висновок: генерація зображень дорослішає
Images 2.0 показує, що генерація зображень виходить із «дитячого» періоду, коли головним досягненням було намалювати щось візуально вражаюче. Нова модель одночасно:
- робить текст на зображеннях читабельним і змістовним, відкриваючи шлях до інфографіки, діаграм, UI?мокапів і професійних матеріалів;
- підтримує багатомовні підказки, що дозволяє користувачам у різних країнах працювати рідною мовою й отримувати порівняну якість;
- підвищує фотореалізм і точність відтворення облич та тіл, що важливо для портретів та ідентичнісно чутливих сценаріїв;
- упевнено працює з довільними аспект?рейшіо, включно з надширокими панорамами й «худими» форматами, і перетворює частину таких зображень на 360?градусні, занурювальні сцени;
- еволюціонує завдяки постійному моніторингу публічного фідбеку, який формує порядок денний для наступних версій.
На цьому тлі стає зрозуміло, чому в OpenAI говорять про «ренесанс» у генерації зображень. Мова вже не лише про красиві картинки, а про інструмент, який поступово вбудовується в робочі процеси, освіту, самовираження й навіть нові формати взаємодії з віртуальним простором.
Джерело
Inside image generation’s Renaissance moment — the OpenAI Podcast Ep. 19