OpenAI: GPT Image 1

GPT Image 1 to model generowania i edycji obrazów od OpenAI, wymieniony na api14 pod identyfikatorem modelu openai/gpt-image-1. Należy do kategorii obrazów, a jego dostawca opisuje go jako generujący i edytujący obrazy poprzez dedykowane Images API. Jeśli już pracujesz z modelami OpenAI, to ten sam dostawca, udostępniony tutaj przez zgodną z OpenAI powierzchnię api14.

Model przyjmuje dane wejściowe w postaci tekstu i obrazów, a zwraca obrazy. Jego okno kontekstu wynosi 400 000 tokenów, z maksymalnym wyjściem 360 000. Parametry obrazu dają kontrolę nad kształtem i jakością tego, co zostanie zwrócone: aspect_ratio przyjmuje 1:1, 3:2, 2:3 lub auto; quality przyjmuje auto, low, medium lub high; background przyjmuje auto, transparent lub opaque. Możesz zażądać od 1 do 10 obrazów na wywołanie za pomocą n, dostarczyć od 0 do 16 odniesień wejściowych do edycji oraz ustawić output_compression w zakresie od 0 do 100. Dostawca podkreśla dokładne renderowanie tekstu, przezroczyste tła oraz obsługę do 16 obrazów referencyjnych podczas edycji.

Te możliwości wskazują na dość konkretny zestaw zadań. Dokładne renderowanie tekstu czyni go rozsądnym wyborem dla obrazów, które wymagają czytelnych słów w środku, takich jak banery, makiety lub zdjęcia produktów z etykietami. Przezroczyste tła pasują do zasobów, które będą komponowane gdzie indziej, jak ikony, logotypy lub warstwowe elementy projektu. Wejście obrazu referencyjnego czyni edycję praktyczną: możesz przekazać istniejące obrazy i poprosić o zmiany zamiast generować od zera, co jest przydatne przy iterowaniu nad projektem lub zmianie stylu zasobu przy zachowaniu jego struktury. Generowanie kilku wariantów w jednym wywołaniu za pomocą n pomaga, gdy chcesz mieć opcje do wyboru, a nie pojedynczy wynik.

Aby wywołać go przez api14, użyj identyfikatora modelu openai/gpt-image-1 na endpointcie zgodnym z OpenAI, więc istniejące biblioteki klienckie OpenAI i kształty żądań powinny przenieść się przy minimalnych zmianach. Obsługiwane parametry to max_tokens, response_format, seed i structured_outputs, obok opisanych powyżej parametrów obrazu. Użyj seed, gdy potrzebujesz powtarzalnego wyniku między uruchomieniami, a response_format do kontroli sposobu zwracania wyniku. Ponieważ model zwraca obrazy, a nie tekst, traktuj go jako endpoint generowania, a nie uzupełniania czatu, mimo że powierzchnia API jest zgodna.

Jedna praktyczna kwestia jest taka, że modalność wyjściowa to wyłącznie obrazy. Jeśli twoim zadaniem jest generowanie tekstu, klasyfikacja lub cokolwiek, co zwraca prozę albo ustrukturyzowany tekst, lepiej pasuje model tekstowy; structured_outputs tutaj stosuje się w ramach żądania generowania obrazu, a nie zamienia modelu w asystenta tekstowego. Kontekst 400 000 tokenów i maksymalne wyjście 360 000 są hojne, ale użytecznym ograniczeniem jest zwykle pułap 16 obrazów referencyjnych dla edycji oraz pułap 10 obrazów na wywołanie. Planuj pracę wsadową z uwzględnieniem tych liczb.