DALL·E เป็นเวอร์ชันที่มี 12 พันล้านพารามิเตอร์ของ GPT-3 ซึ่งได้รับการฝึกฝนด้วยชุดข้อมูลคู่ข้อความ-ภาพ เพื่อสร้างภาพจากคำอธิบายที่เป็นข้อความ
ในอนาคต เราวางแผนที่จะวิเคราะห์ถึงผลกระทบทางสังคมของโมเดล เช่น ผลกระทบทางเศรษฐกิจต่ออาชีพ หรืออคติที่อาจเกิดขึ้นในผลลัพธ์ของโมเดล รวมถึงความท้าทายทางจริยธรรมในระยะยาวของเทคโนโลยีนี้
การวาดวัตถุหลายชิ้น
หากได้รับคำสั่งเช่น “เม่นที่สวมหมวกสีแดง ถุงมือสีเหลือง เสื้อสีน้ำเงิน และกางเกงสีเขียว” DALL·E ต้องตีความและประกอบคุณลักษณะเหล่านี้ให้ถูกต้องโดยไม่สับสน
เรายังทดสอบความสามารถในการแสดงมุมมองและความสามมิติ เช่น การวาดศีรษะของบุคคลที่มีชื่อเสียงจากหลายมุมมองเพื่อสร้างภาพเคลื่อนไหวที่ราบรื่น
การอนุมานรายละเอียดบริบท
เช่น หากมีคำบรรยายว่า “ภาพวาดของคาปิบาราที่นั่งในสนามตอนพระอาทิตย์ขึ้น” อาจจำเป็นต้องวาดเงาของคาปิบารา แม้ว่ารายละเอียดนี้จะไม่ได้ถูกระบุไว้อย่างชัดเจนก็ตาม
ความสามารถในการให้เหตุผลแบบ Zero-shot นี้ถูกขยายไปยังโดเมนภาพ ทำให้ DALL·E สามารถทำงานแปลภาพไปเป็นภาพได้หลายประเภทเมื่อได้รับคำสั่งที่เหมาะสม
ศัพท์ที่ควรรู้
- GPT-3 – เป็นโมเดลภาษาขนาดใหญ่ที่ใช้เป็นพื้นฐานในการพัฒนา DALL·E
- 12-billion parameter – คือขนาดของโมเดลที่บ่งบอกถึงจำนวนพารามิเตอร์ที่ใช้ในการเรียนรู้
- Zero-shot reasoning – คือความสามารถในการทำงานหรืออนุมานโดยไม่ต้องมีการฝึกฝนเฉพาะเจาะจงสำหรับงานนั้นๆ
- Text–image pairs – คือชุดข้อมูลที่ประกอบด้วยคำอธิบายที่เป็นข้อความคู่กับภาพที่เกี่ยวข้อง
ที่มา: OpenAI