ChatGPT"与图对话"初体验
ChatGPT发布语音和图像能力重大更新:要点解读、应用畅想与原文翻译
中提到:ChatGPT开放了"与图对话"的多模态能力,用户可以上传一张图片或多张图片,与ChatGPT展开基于图片的对话。想不到这么快就开放了:
ChatGPT对图片的理解能达到什么水平呢?让我们一起来测试。
单图理解:非常精确
我上传了一张我和女儿在一个室内动物园戴着动物面具的合影,让ChatGPT理解这张图片:
ChatGPT的描述是下面这样的:
它详细描述了:
- 森林背景墙
- 我的穿着打扮
- 女儿的穿着打扮
- 父女俩的动作
- 整个画面的氛围
这理解不能说是特别准确,那简直是十分精确!那个传神的表情"✌️"真的赞!
然后可以让ChatGPT以此图片为蓝本,讲一个你想要的故事:
ChatGPT能否生成图像呢?
遗憾的是,无论是生成图片还是修改上传的图片,ChatGPT暂时还做不到。
ChatGPT能注意到更多的细节(那个插座)吗?
看来它是注意到了那个墙上的插座,而且知道它存在安全隐患,很赞!
它能注意到右上角那不太容易分辨的蜘蛛网吗?
看来是没有注意到。我提示一下,会如何?
经过提示,它注意到了蜘蛛网,不过它并不百分之百确认。看来这个部分的识别精确度比较低。
还能进一步理解吗?
嗯,能理解人物关系。
对背景森林的类型也能做比较准确的推断。
这就有点强人所难了!
总的来说,ChatGPT对单张图片的理解是相当准确的,无论是场景描述、人物关系,还是整体氛围、局部细节。
艺术风格识别:一半一半
对感兴趣的绘画作品,可以让ChatGPT做解释:
这是它对其艺术风格和内容的描述:
这的确是马赛克风格的绘画。它也知道不同画家的风格流派:
试试中国风:
不错,就是工笔画。
也有不尽人意的地方,比如将下面的"大和绘"风格的作品识别成"浮世绘"
对于"达达主义"风格并没有直接叫出其名字:
我还尝试过现实主义、立体主义、世俗画、哥特主义、奥托尼亚等不同风格的绘画作品,ChatGPT的水平基本上在半对半错之间。对于风格强烈的画风(比如立体主义、现实主义等)识别率高;对于风格不那么强烈或者比较细分的流派(比如风俗画,被误认为是洛可可),识别率低。
因此在艺术鉴赏方面,ChatGPT还需要进一步提高。
从图片到代码:差强人意
网传在Twitter上有人给ChatGPT喂一张数据看板的截图,它直接生成了对应的代码。我也在这方面试了试,看看ChatGPT能在这方面做到什么程度。
对于想要给一个长截图就生成整个页面代码的想法,我劝大家还是现实一点。这是我提供给ChatGPT的一个网页长截图:
然后让它"这是一个产品的landing page,请你生成一个html文件,来复刻这个网页",当然它很乖地给出了html代码:
我满怀希望地打开,结果效果是这样的😱:
不能说是一模一样,简直是毫无相似之处。估计要通过非常多轮的对话,才能有一个稍微可用的版本。
然后我对任务做了简化,只让它复刻其中的一部分:
这下得到的版本就好多了,加上图标就基本可用了:
对于更加复杂一点的数据看板:
多轮对话之后,可以得到下面的版本:
嗯,还算OK,调调能用。
多图理解:还挺不错的
ChatGPT支持传多张图片(最多是四张)
那多图的理解能力如何呢?
我先传了一张女儿画的简笔画以及一张剪纸后的简笔画:
ChatGPT的理解挺到位的:
当我上传四张图片之后,会发现上传的三张和第四张图片丢失(可能是服务不稳定造成的,我试过好几次都是如此)
ChatGPT果然没有收到第三张和第四张图片
如果仅仅就两张图片,它可以讲一个"自以为是"的故事
小结
就目前的体验来看,ChatGPT的识图能力:
- 单图理解能力非常强悍
- 艺术风格识别一半一半
- 从图片生成代码差强人意
- 多图理解还挺不错
期待ChatGPT多模态能力的不断增强!
【完】
【往期相关】