Mis on DALL·E 3?
DALL·E 3 oli OpenAI spetsialiseeritud tekstist pildiks mudel. See võttis vastu tekstilise juhise ja genereeris teksti vastuse asemel uue pildi. Juhis võis kirjeldada pildil kujutatavat objekti või nähtust, keskkonda, visuaalset stiili, kompositsiooni, esemeid, värve või tekstielemente.
OpenAI tutvustas DALL·E 3 2023. aasta septembris DALL·E 2 järglasena. Selle peamine praktiline täiustus oli üksikasjalike ja vestluslikus vormis antud juhiste usaldusväärsem tõlgendamine. Selle asemel et sõltuda suurel määral lühikestest ja spetsiaalselt optimeeritud juhistest, said kasutajad kirjeldada soovitud stseeni tavakeeles ning eeldada, et mudel säilitab rohkem soovitud seoseid ja üksikasju.
DALL·E 3 integreeriti ka ChatGPT-ga, kus vestlussüsteem aitas kasutaja kirjeldust enne pildi genereerimist laiendada või täpsustada. See muutis mudeli kasulikuks inimestele, kes soovisid pilte luua ilma spetsiaalse juhiste kirjutamise süntaksit õppimata.
DALL·E 3 koht OpenAI tootevalikus
DALL·E 3 kuulus OpenAI pildigeneratsiooni toodete, mitte üldotstarbeliste keelemudelite hulka. See ei olnud arutlusmudel, kodeerimismudel, vestluslikku teksti genereeriv mudel ega multimodaalne abiline, mis analüüsiks suvalisi faile. Selle põhifunktsioon oli juhise põhine pildi süntees: tekstisisendi muutmine pildiväljundiks.
Toetatud perioodil pääsesid kasutajad sellele ligi ChatGPT kaudu ja OpenAI pildigeneratsiooni teenuse kaudu mudelitunnusega dall-e-3. OpenAI lõpetas mudeli toetamise 14. novembril 2025 ja eemaldas selle API-st 12. mail 2026. OpenAI soovitab praeguste pildigeneratsiooni ja -töötluse ülesannete jaoks uuemaid GPT Image'i mudeleid, sealhulgas uuemaid pildimudelite valikuid, mida käsitletakse mujal selles kataloogis.
Peamised võimalused
- Piltide genereerimine tavakeeles antud kirjelduse põhjal: DALL·E 3 lõi pilte tekstiliste kirjelduste alusel.
- Üksikasjalike juhiste järgimine: See oli loodud pikki või nüansirikkaid juhiseid paremini tõlgendama ning säilitama mitu soovitud elementi.
- Mitu pildiformaati: Toetatud API-suurused olid 1024×1024, 1792×1024 ja 1024×1792, hõlmates ruudukujulist, horisontaalset ja vertikaalset väljundit.
- Paranenud visuaalne detailsus: Võrreldes DALL·E 2-ga rõhutas OpenAI täiustusi detailides, nägudes, kätes ja muudes peentes visuaalsetes omadustes.
- Tekst piltidel: DALL·E 3 parandas loetava teksti renderdamist genereeritud piltidel, kuid loodud tekst tuleb siiski üle kontrollida, mitte eeldada selle täpsust.
- Turvakontrollid: OpenAI kasutas kahjulike piltide, avaliku elu tegelastega seotud päringute ja elavate kunstnike stiili jäljendamise katsete puhul modereerimist ning täiendavaid kaitsemeetmeid.
Sisend, väljund ja tehniline profiil
DALL·E 3 võttis vastu tekstisisendi ja tagastas genereeritud pildid. Esitatud spetsifikatsioonides on märgitud tekstisisend ja pildiväljund, kuid tavapärast kontekstiakna suurust ega väljundi maksimaalset tokenite arvu ei ole avaldatud. Need piirangud ei kohaldu samal viisil nagu tekstigeneratsiooni mudelite puhul.
| Võimalus | DALL·E 3 tugi |
|---|---|
| Tekstisisend | Jah |
| Pildiväljund | Jah |
| Tekstiväljund | Ei |
| Heli- või videosisend/-väljund | Ei |
| Veebiotsing ja tööriistade kutsumine | Ei |
| Struktureeritud JSON-väljund | Ei |
| Striimimine | Ei |
| Peenhäälestus | Ei |
| Konteksti pikkus | Ei ole avaldatud või ei ole tekstimudeli piiranguna kohaldatav |
Neid piiranguid tuleb mudeli valimisel arvestada. DALL·E 3 suutis kirjelduse põhjal luua illustratsiooni, kuid ei saanud iseseisvalt fakte veebiotsinguga kontrollida, koodi käivitada, struktureeritud andmeobjekti tagastada, heli või videot genereerida ega toimida üldotstarbelise keeleabilisena. Ümbritsev toode, näiteks ChatGPT, võis pakkuda vestluslikku kasutajaliidest, kuid neid lisavõimalusi ei tohiks omistada DALL·E 3-le endale.
Hinnakujundus ja API ajalugu
DALL·E 3 API hinnastus põhines genereeritud piltidel, mitte sisend- ja väljundtokenitel. Ajalooline hinnastus algas 0,04 dollarist ühe 1024×1024 standardkvaliteediga pildi eest. HD-kvaliteet ning suuremad horisontaalsed või vertikaalsed formaadid maksid rohkem. Esitatud uuring ei määra kindlaks praegust hinda, sest mudel ei ole enam API kaudu saadaval.
See hinnastus eristas DALL·E 3 tekstimudelitest, mille arve põhineb tokenite arvul. Iga pildipäring tähendas eraldi genereerimiskulu, mistõttu olid kasutuse hindamisel olulised pildi mõõtmed ja kvaliteediseaded. Kuna API on suletud, ei tohiks ajaloolisi hindu käsitleda praegu kasutatava ostuvõimalusena.
Tugevused ja piirangud
Mida DALL·E 3 hästi tegi
DALL·E 3 tugevaim omadus oli tavakeelse kirjelduse ja pildi kompositsiooni vaheline seos. See sobis hästi juhistele, mis nõudsid mitme nähtava detaili kooseksisteerimist, näiteks kindlat objekti, keskkonda, paigutust, meeleolu ja tekstielementi. ChatGPT integratsioon vähendas ka nende kasutajate jaoks alustamise barjääri, kes eelistasid ideed vestluslikult kirjeldada ja seda järgnevate juhiste abil täiendada.
Võrreldes varasemate DALL·E süsteemidega pakkus see paremat juhiste järgimist, visuaalset detailsust ja teksti renderdamist. Ruudukujuliste, horisontaalsete ja vertikaalsete formaatide kättesaadavus muutis selle sobivaks erinevate loominguliste ja turunduslike paigutuste jaoks, ilma et iga päring oleks pidanud piirduma ruudukujulise lõuendiga.
Mida DALL·E 3 teha ei suutnud
DALL·E 3 ei olnud üldotstarbeline tehisintellektimudel. See ei genereerinud loomupärase väljundina tekstivastuseid, embedding'eid, heli, videot, koodi, veebiotsingu tulemusi ega struktureeritud JSON-i. Samuti ei olnud see mõeldud peenhäälestuseks ega tokenipõhiseks kontekstiakna töövooks. Mudeli ülesanne oli piltide loomine, seega peaksid pilditöötlust, dokumendianalüüsi, arutlemist või usaldusväärseid struktureeritud andmeid vajavad rakendused kasutama mõnda muud süsteemi.
Turvakontrollid võisid samuti tulemusi mõjutada. OpenAI rakendas kaitsemeetmeid kahjulike piltidega seotud päringutele, teatud avaliku elu tegelasi puudutavatele juhistele ja päringutele, millega üritati jäljendada elavate kunstnike stiili. Seetõttu võidi juhis tagasi lükata või seda muuta isegi siis, kui kasutaja pidas soovitud pilti õiguspäraseks.
Genereeritud tekst ja visuaalsed detailid olid täiustunud, kuid mitte garanteeritud. Plakateid, silte, diagramme või muid palju teksti sisaldavaid pilte loovad kasutajad pidid tulemuse üle kontrollima ja arvestama ebatäpsuste võimalusega. Esitatud uuring ei sisalda võrdlustestide tulemusi ega ametlikku täpsusgarantiid.
Arutlemise, kodeerimise ja kiiruse kompromissid
DALL·E 3-l ei olnud keelemudelite mõistes loomupärast arutlemis- ega kodeerimisvõimet. See suutis mõista visuaalset probleemi kirjeldavat juhist, kuid ei arutlenud ülesande üle tekstilise vastuse vormis ega kirjutanud ja käivitanud koodi. Toimetuslikud võimekusehinded liigitavad selle arutlemis- ja kodeerimisvõime minimaalseks, sest tegemist oli spetsialiseeritud pildimudeliga, mitte seetõttu, et OpenAI oleks neid hindeid esitanud ametlike võrdlustestidena.
Selle kiiruse- ja kuluprofiili tuleks samuti mõista mudeli otstarbe kontekstis. Pildi genereerimine hõlmas eraldi pildipõhist tasu ja ooteaega, samas kui tekstimudel võib sobida paremini kiireks mustandite loomiseks, liigitamiseks, andmete eraldamiseks või koodi genereerimiseks. Pilditöö puhul mõjutasid ajaloolist hinda standard- ja HD-väljundi ning väiksemate ja suuremate formaatide vahel valimine. Kättesaadav uuring ei määra kindlaks täpset reageerimisaja garantiid.
Millal seda mudelit valida
DALL·E 3 oli ajalooliselt mõistlik valik siis, kui peamine nõue oli luua üksikasjaliku tavakeelse kirjelduse põhjal uus pilt. Sobivad kasutusviisid olid järgmised:
- Kontseptsioonikunst ja varajane visuaalne ideeloome.
- Illustratsioonid loominguliste projektide jaoks.
- Turundus- või kampaaniapiltide ideede uurimine.
- Stseenide visualiseerimine ja meeleolutahvlite loomine.
- Juhiste järgimise uurimine.
- Pildid, mis nõudsid kindlat kuvasuhet või mõnda loetavat tekstielementi pildil.
Uue juurutuse puhul ei ole DALL·E 3 siiski tänapäeval praktiline valik, sest see on API-st eemaldatud. Toetatud pildigeneratsiooni või -töötlust vajava projekti jaoks sobib paremini mõni praegune GPT Image'i mudel. Teksti, kodeerimise, arutlemise, veebi-uuringu või struktureeritud väljundi jaoks on sobivam üldotstarbeline keelemudel. Nende meediumivormingute jaoks on vaja spetsiaalset heli- või videomudelit.
Miks DALL·E 3 on endiselt oluline
DALL·E 3 aitas muuta vestlusliku pildijuhiste koostamise kättesaadavamaks. Selle integreerimine ChatGPT-ga näitas, kuidas kasutaja sai ideed kirjeldada tavakeeles, seda dialoogi kaudu täpsustada ja seejärel pildi genereerida, ilma et ta oleks pidanud spetsiaalset juhiste vormingut käsitsi kohandama.
Mudel tähistas ka olulist sammu kaubanduslikult kättesaadavate tekstist pildiks süsteemide arengus, sest ühendas täiustatud juhiste järgimise, mitu väljundiformaati ja tugevamad turvameetmed. Kuigi DALL·E 3 ei ole enam OpenAI API kaudu saadaval, on see endiselt kasulik lähtekoht OpenAI pildigeneratsioonisüsteemide arengu ja uuematele GPT Image'i mudelitele ülemineku mõistmiseks.