OpenAI amplía las capacidades multimodales con GPT Image 1.5

OpenAI anunció el lanzamiento de GPT Image 1.5, un nuevo modelo de generación y edición de imágenes que se encuentra dentro de la misma red neuronal que maneja instrucciones de lenguaje. Al tratar los datos de texto e imagen como tokens intercambiables, el modelo puede responder a instrucciones de lenguaje natural que modifican fotos, como insertar a una persona en un nuevo entorno, cambiar la ropa o eliminar objetos no deseados. La integración está disponible para todos los usuarios de ChatGPT, lo que permite un flujo de trabajo conversacional donde los usuarios pueden escribir o hablar ediciones y recibir imágenes actualizadas en tiempo real.

Mejoras en el rendimiento y reducciones de costos

Según OpenAI, GPT Image 1.5 genera imágenes hasta cuatro veces más rápido que la versión anterior y lo hace a un costo aproximadamente 20 por ciento menor a través de la API. Estas mejoras en la eficiencia se posicionan como un paso hacia hacer que la manipulación de imágenes de alta calidad sea una parte rutinaria de la comunicación digital diaria, sin la necesidad de herramientas o expertise especializadas en edición de fotos.

Diferencia técnica: diseño multimodal nativo

El modelo difiere de los generadores de imágenes anteriores de OpenAI, como DALL-E 3, que dependían de un proceso de difusión separado. La arquitectura multimodal nativa de GPT Image 1.5 procesa tanto las entradas visuales como las textuales dentro de un solo modelo, lo que le permite predecir píxeles de imagen de la misma manera que predice la próxima palabra en una oración. Este enfoque unificado simplifica tareas que requieren una coordinación estrecha entre elementos textuales y visuales, lo que hace que ediciones como "ponlo en un traje de etiqueta en una boda" sean más fluidas y precisas.

Experiencia del usuario y flexibilidad creativa

Las primeras demostraciones muestran la capacidad del modelo para preservar las similitudes faciales a través de múltiples ediciones, cambiar poses, alterar ángulos y aplicar diferentes estilos visuales. Los usuarios pueden refinar iterativamente una imagen conversando con la IA, lo que resulta en un proceso creativo más intuitivo y accesible.

Contexto dentro del paisaje de edición de imágenes de IA

El lanzamiento de OpenAI sigue un período de desarrollo rápido en la edición de imágenes impulsada por IA. Mientras que OpenAI había estado trabajando en un modelo de edición de imágenes conversacional desde GPT-4o, otras empresas, notablemente Google, introdujeron prototipos públicos earlier en el año y más tarde los refinaron en herramientas ampliamente utilizadas. La presión competitiva parece haber acelerado el lanzamiento de GPT Image 1.5 de OpenAI, posicionándolo como una alternativa directa para desarrolladores y usuarios finales que buscan capacidades de generación de imágenes más rápidas, económicas y integradas.

Implicaciones para desarrolladores y empresas

Con el modelo ahora accesible a través de la interfaz y la API de ChatGPT, los desarrolladores pueden integrar funciones de edición de imágenes avanzadas en sus aplicaciones sin construir tuberías separadas para texto y visión. Las mejoras en el costo y la velocidad hacen que sea viable para casos de uso de mayor volumen, como contenido de marketing personalizado, prototipado rápido de activos visuales y asistencia creativa en tiempo real.

Mirando hacia adelante

El énfasis de OpenAI en el procesamiento multimodal nativo sugiere una estrategia más amplia de unificar modelos de lenguaje y visión para simplificar la interacción del usuario. A medida que GPT Image 1.5 gana adopción, es probable que se produzcan refinos adicionales en la calidad de la imagen, la precisión de edición y la integración con otros servicios de IA para dar forma al futuro de la creatividad visual conversacional.

Usado: News Factory APP - descubrimiento de noticias y automatización - ChatGPT para Empresas