GPT Image 2：どのパイプライン・ノードを削除するか？
見栄えの良いデモを見るのはもうやめましょう。デモは開発の意思決定には役立ちません。
ビルダーとして、私はハイプを無視します。私が問うのはたった一つの質問だけです。「この新しいモデルは、私のパイプラインからどのノードを削除してくれるのか？」
画像生成は一連のステップの連鎖です。ベースを生成し、テキストを修正し、製品を合成し、背景を削除する。すべてのステップがノードです。すべてのノードはコストであり、エラーが発生する箇所でもあります。
私はこの視点からGPT Image 2を検証しました。ターゲットとなる要素と、自分自身でテストする方法を以下に示します。
注：私はサードパーティのプラットフォームを使用してこれにアクセスしています。構築を開始する前に、OpenAIのドキュメントでモデルの識別情報とライセンスを確認してください。
あなたのワークフローにおいて、実際に重要となる2つの機能があります：
ノード1：一貫したリファレンス。製品の外観を維持するためにControlNetや手動の合成を行う代わりに、このモデルは最大16個のリファレンスを融合させます。もしアイデンティティが保持されるなら、合成ノードは不要になります。
ノード2：画像内のテキスト。ほとんどのモデルはタイポグラフィに失敗します。そのため、FigmaやCanvaを使ってテキストをオーバーレイさせる必要が生じます。もしこのモデルが英語や日本語で判読可能な見出しを描画できるなら、オーバーレイ・ノードは不要になります。
私の見解を鵜呑みにしないでください。以下の3つのジョブ・テストを自分自身で実行してみてください：
ジョブ1：リファレンス融合
- 入力：製品写真3枚 + 背景写真1枚
- プロンプト："Place this product in this scene, studio lighting, keep the label exact."
- 確認事項：製品は同じままか、それとも変化（ドリフト）してしまうか？
ジョブ2：画像内のテキスト
- プロンプト："Poster with headline 'Summer Sale' in English and Japanese."
- 確認事項：テキストは両方の言語で判読可能で、綴りは正しいか？
ジョブ3：自然言語による編集
- 入力：ジョブ1の画像
- プロンプト："Change to evening light, keep the product unchanged."
- 確認事項：シーンが変化しても、被写体は同じままか？
これらをPass（合格）、Partial（一部合格）、またはFail（不合格）で評価してください。唯一重要な指標は、「これはパイプラインのノードを削除するか？」という点です。
このモデルが「できないこと」を念頭に置いておいてください：
- 透明なPNGは提供しません。依然として背景削除ノードが必要です。
- SynthIDのウォーターマークを使用します。
- クレジット制です。大量に使用する場合、他のモデルの方が安上がりかもしれません。
- ホスト型です。プライベート利用やオフライン利用のためにセルフホストすることはできません。
目標は「最高のモデル」を見つけることではありません。目標は「ワークフローを圧縮（collapse）してくれるモデル」を見つけることです。
あなたのパイプラインの中で、最も時間を消費しているノードは何ですか？
Optional learning community: https://t.me/GyaanSetuAi