ChatGPT Images 2.0 的指令遵循（Instruction Following）

🧑‍🏫 這支是 OpenAI 影像生成研究員示範 Images 2.0，重點是它比以前更會照你的話畫圖。影片用三個常讓 AI 出錯的例子來測試：圖裡的文字、時鐘上的時間、物件擺的位置。平常用 AI 畫圖、常覺得「它沒聽懂我」的人，看完會知道現在可以把要求寫得更細。

• 00:02 模型需要具備想像能力，先想像出版面配置，再把物件放到正確的位置
  ↳ 模型動手畫之前，要先規劃好 layout，也就是畫面裡每樣東西放哪裡。像拍團體照前先排好誰站哪，不是邊畫邊碰運氣。
• 00:02 講者 Jian Feng 在影像生成研究團隊工作，本片主題是 Images 2.0（字幕作 Imagine 2.0）的 instruction following
  ↳ 講者 Jian Feng 做影像生成研究。本片講 Images 2.0 的 instruction following，意思是模型能不能確實照你說的畫，不自己亂發揮。字幕把名稱寫成 Imagine 2.0。
• 00:02 第一個例子測試文字渲染（text rendering）與文字擺放位置：請模型畫一張女性的照片
  ↳ 第一關測 text rendering，就是在圖裡畫出你指定的文字，而且要放在對的地方。先從基本的開始：畫一張女性的照片。
• 00:36 加高難度：指定她右手拿著「the words」、左手拿著「the view」這些字，生成結果表現得相當好
  ↳ 接著加難度：她右手拿「the words」、左手拿「the view」。字要寫對，左右手也不能拿反，結果表現相當好。
• 00:36 第二個例子是時鐘渲染：舊模型就算你指定別的時間，通常還是會畫成 10:10
  ↳ 第二關是畫時鐘。舊模型有個老毛病：就算你指定別的時間，畫出來的指針通常還是停在 10:10。
• 01:07 原因：時鐘公司做廣告時常把時間設在 10:10，網路上因此有大量顯示 10:10 的圖片
  ↳ 原因是時鐘廣告習慣把指針擺在 10:10，網路上這種圖非常多。模型從大量圖片學習，就把「時鐘指 10:10」當成預設答案。
• 01:07 改要求時鐘顯示 2:25、2:30、9:10 和 7:45，結果和舊模型相比進步驚人
  ↳ 這次要求時鐘顯示 2:25、2:30、9:10、7:45 等不同時間，講者說跟舊模型比，進步驚人。
• 01:07 第三個例子是物件擺放（object placement），對模型有挑戰性，因為模型必須理解空間版面配置
  ↳ 第三關是 object placement，就是照指令把東西放到指定位置。難在模型要真的懂上下左右的空間關係，不能把東西隨便丟進畫面。
• 01:38 指令內容：蘋果在正中央、馬克杯在蘋果正右方、書在馬克杯上方、相機在左邊、籃球在下方
  ↳ 指令像在描述一張桌面：蘋果在正中間、馬克杯在蘋果右邊、書在馬克杯上面、相機在左邊、籃球在下面。每個位置都要對上。
• 01:38 講者表示能精準遵循使用者的要求，是一大進步
  ↳ 講者認為，能精準照使用者的要求畫出來，是這一代的一大進步。
• 01:38 結語：Images 2.0 要縮小「使用者的意圖」與「模型產出」之間的落差
  ↳ 總結：Images 2.0 想讓「你心裡想要的」和「模型畫出來的」越接近越好，你就不用一直改提示重畫。

根據影片，舊模型畫時鐘時常出現什麼問題？