OpenGPT-4o-Image: A Comprehensive Dataset for Advanced Image Generation and Editing

في عالم الذكاء الاصطناعي، هناك طموح متزايد لبناء أنظمة تفعل ما هو أكثر من مجرد التعرف على ما تراه. لسنوات، أصبحت الحواسيب بارعة في وصف صورة أو الإجابة على سؤال حول صورة ما. والآن، يسعى الباحثون جاهدين لإنشاء نوع جديد من الذكاء لا يمكنه فقط فهم الصورة، بل يمكنه أيضاً إنشاء واحدة من الصفر أو تعديلها بناءً على جملة بسيطة. هذه القدرة، المعروفة باسم توليد الصور وتحريرها، تعتمد على مجموعات ضخمة من الأمثلة. تماماً كما يتعلم الطفل الرسم من خلال دراسة عدد لا يحصى من الصور وتلقي الملاحظات، تتعلم هذه النماذج الحاسوبية من خلال معالجة كميات هائلة من البيانات التي تربط الأوصاف النصية بالصور التي تمثلها. إن جودة مادة التعلم هذه هي كل شيء؛ فإذا كانت الأمثلة بسيطة أو مكررة، يظل النموذج محدوداً. ولكي تتقن هذه الأنظمة الطبيعة المعقدة والفوضوية والمتنوعة للطلبات في العالم الحقيقي، فإنها تحتاج إلى منهج دراسي غني ومنظم بقدر العالم الذي تحاول محاكاته.

لقد تدخل فريق من الباحثين لتوفير ذلك المنهج الدراسي باستخدام مجموعة بيانات جديدة واسعة النطاق تسمى OpenGPT-4o-Image. لقد أدركوا أنه بينما غطت مجموعات البيانات الموجودة مهاماً أساسية مثل تغيير لون جسم ما أو نسخ أسلوب لوحة فنية، إلا أنها غالباً ما قصرت عند مواجهة تحديات أكثر صعوبة. فالحياة الواقعية مليئة بالطلبات التي تتطلب خطوات متعددة في آن واحد، مثل طلب مخطط علمي محدد أو المطالبة بنقل شخصية مع تغيير الخلفية وإضافة نص جديد. ولحل هذه المشكلة، أنشأ الفريق مجموعة بيانات تحتوي على 80,000 زوج عالي الجودة من التعليمات والصور. لم يقوموا بجمع هذه الأمثلة بشكل عشوائي؛ بل بنوا إطاراً نظامياً يفكك العالم الواسع لإنشاء الصور إلى 11 مجالاً رئيسياً و51 مهمة فرعية محددة. يضمن هذا الهيكل أن يتعلم الحاسوب ليس فقط الرسم، بل التفكير في المساحة، واتباع سلاسل منطقية معقدة، والتعامل مع موضوعات متخصصة مثل الرسوم التوضيحية الكيميائية أو أوامر التحرير متعددة الخطوات.

نظم الباحثون عملهم في فئتين رئيسيتين: إنشاء الصور من العدم وتغيير الصور الموجودة. بالنسبة لجانب الإنشاء، ركزوا على خمس قدرات أساسية. أولاً، علموا النموذج محاكاة أساليب فنية متنوعة، تتراوح من لوحات الحبر المائي القديمة إلى جماليات السايبربانك الحديثة. ثانياً، تحدوه بتعليمات معقدة تتطلب الاحتفاظ بأفكار متعددة في الذهن في وقت واحد، مثل وضع عدد محدد من الأشياء في مشهد مع علاقات مكانية دقيقة. ثالثاً، تناولوا المهمة الصعبة المتمثلة في كتابة النص مباشرة داخل الصورة، مع ضمان تهجئة الكلمات بشكل صحيح ووضعها بشكل طبيعي داخل المشهد. رابعاً، اختبروا قدرة النموذج على فهم الهندسة والمنطق، من خلال مطالبته بعد الأشياء أو تحديد أي عنصر أكبر من الآخر. وأخيراً، وسعوا نطاق النموذج ليشمل المجالات المتخصصة، مثل توليد صور للعلوم والهندسة، مثل مخططات الغلاف المغناطيسي للكواكب أو التروس الميكانيكية، وهي مجالات تكون فيها الوضوح البصري أمراً حاسماً للتعليم والبحث.

أما في جانب التحرير، فقد صمم الفريق تسلسلاً هرمياً مماثلاً لتغطية الطرق العديدة التي يرغب بها الناس في تغيير الصورة. فقد تضمنوا مهاماً قد يرغب فيها المستخدم في إضافة أو إزالة أو استبدال جسم معين مع الحفاظ على بقية المشهد كما هو. كما أنشأوا سيناريوهات يجب على النموذج فيها تحرير النص المضمن في الصورة، وتغيير لافتة أو ملصق دون تشويه الصورة المحيطة. ولعل الأبرز من ذلك، أنهم قدموا مهام تحرير معقدة تتطلب من النموذج اتباع عدة تعليمات في وقت واحد، مثل تغيير الخلفية، وإضافة شخصية جديدة، وتغيير الإضاءة، كل ذلك في خطوة واحدة. حتى أنهم تضمنوا تفاعلات متعددة الأدوار، حيث يعطي المستخدم تعليمات أولية، ويرى النتيجة، ثم يعطي أمراً متابعاً لتحسين الصورة بشكل أكبر، مما يحاكي محادثة طبيعية بين إنسان وفنان.

لبناء هذه المكتبة الضخمة، طور الباحثون مساراً مؤتمتاً يعمل كمساعد لا يكل. استخدموا نموذجاً لغوياً قوياً لتوليد التعليمات النصية، ثم استخدموا مولداً للصور عالي الجودة لإنشاء الصور المقابلة. تمت مراقبة هذه العملية بعناية لضمان تنوع البيانات وتوازن مستويات الصعوبة، بالانتقال من الطلبات البسيطة إلى التحديات المعقدة للغاية. والنتيجة هي مجموعة بيانات تغطي كل شيء، من مشهد شارع مزدحم مصور بأسلوب رسام مشهور إلى رسم تقني لمجموعة تروس دودية. ومن خلال تغذية هذه البيانات المهيكلة في النماذج الحاسوبية الرائدة، اختبر الباحثون ما إذا كان بإمكان النماذج التعلم منها. وكانت النتائج واضحة: أظهرت النماذج المدربة على هذه المجموعة الجديدة أداءً أفضل بكثير مما كانت عليه من قبل. ففي الاختبارات التي تقيس مدى قدرة النموذج على اتباع التعليمات لتحرير صورة، تحسن الأداء بنسبة تصل إلى 18 بالمائة. وبالنسبة للمهام المتعلقة بإنشاء الصور من النصوص، كان التحسن حوالي 13 بالمائة.

تشير هذه المكاسب إلى أن طريقة تنظيم البيانات لا تقل أهمية عن كمية البيانات نفسها. وتظهر الدراسة أنه عندما تتعرض النماذج لمجموعة متنوعة من التحديات المهيكلة، تصبح أكثر قدرة على التعامل مع الطلبات الدقيقة والمتطلبة التي تحدث في الحياة الواقعية. تصبح النماذج أفضل في فهم أن "طائراً ضخماً منفوشاً" يجب أن يبدو مختلفاً عن "طائر صغير"، أو أن "المخطط العلمي" يتطلب مستوى مختلفاً من الدقة مقارنة بـ "الرسم الخيالي". وبينما يشير الباحثون إلى أن عملهم يعتمد على قدرات الأدوات التي استخدموها لتوليد البيانات، فإن الأدلة تشير إلى مسار واضح للمضي قدماً. فمن خلال تفكيك المهمة المعقدة لإنشاء الصور بشكل منهجي إلى أجزاء يمكن إدارتها ومحددة جيداً، فقد وفروا أساساً يسمح للذكاء الاصطناعي بالانتقال من مجرد التقليد البسيط نحو شكل أكثر قوة وموثوقية وتعدداً في الاستخدامات للفهم البصري.