Jemand hängte ein Bild an — eine Karte mit russischem Text — und bat auf Russisch um dieselbe Karte auf Türkisch. Zurück kamen zwei Bilder, beide abgerechnet, vor einem anderen Hintergrund, mit Buchstaben, die in keiner Sprache Wörter waren. Die Antwort beschrieb sie auf Türkisch als „vom Link unten“.
Eine Meldung, drei getrennte Fehler. Keiner davon hätte allein dieses Ergebnis erzeugt.
Der billige Weg kann nicht buchstabieren
Bild-Werkzeuge fragen standardmäßig nach „mittlerer“ Qualität, und eine mittlere Anfrage ohne Qualitätspräferenz landet im kostenorientierten Zweig des Routers, der beim günstigsten aktiven Bildmodell endet. Dieses Modell ist ein Diffusionsmodell. Diffusionsmodelle sind sehr gut bei Bildern und berüchtigt schlecht bei Buchstaben — noch schlechter bei Buchstaben außerhalb des lateinischen Alphabets.
Das ist eine gute Vorgabe für „ein Fuchs im Wald“ und eine schlechte für ein Plakat, eine Einladung, eine Speisekarte oder eine Karte, wo der Text das Ergebnis selbst ist. Solche Anfragen verlassen jetzt den billigen Weg. Ein Prompt wird auf Anzeichen dafür geprüft — zitierte Formulierungen, Zeilen in Großbuchstaben, Aufzählungslisten, eine begrenzte Wortliste für Dinge, die überwiegend aus Text bestehen, in mehreren Schriften — und das Werkzeug hat auch ein explizites Kennzeichen, das das Modell setzen kann, wenn es das weiß. Verneinungen werden zuerst entfernt, damit „kein Text“ das nicht auslöst. Eines der beiden Signale schickt den Aufruf in die Qualitätsstufe. Welche Bildqualität du bekommst, ist weiterhin deine Wahl; das entscheidet nur, welches Modell es versuchen darf.
Ein Modell, das das Bild nicht sehen konnte
Der zweite Fehler wiegt schwerer, weil er die Wirrnis statt bloß mittelmäßiger Buchstaben erzeugte. Die Erkennung von „mach mir ein Bild“ und „ändere dieses Bild“ war für Englisch und Türkisch geschrieben. Ein russischer Satz passte zu keinem davon, also wurde die Runde nie als eine markiert, die sehen musste, und ging an ein Textmodell ohne Sicht. Dieses Modell rief das Bildwerkzeug mit dem Satz als Prompt auf. Es zeichnete von Grund auf etwas, das es nie gesehen hatte.
Für beide wurden russische Muster ergänzt. Wichtiger noch: eine Absicherung für den Satz, der das verursacht hat: „dasselbe“, „aynısını“, „такую же“, „wie das, das ich geschickt habe“. Wenn eine Anfrage auf ein angehängtes Bild verweist, ist eine erzwungene Neuerstellung kein knapper Fehltreffer. Sie ist falsch — und wird abgerechnet.
Das Werkzeug beschrieb sich selbst falsch
Der dritte Fehler ist auf die einfachste Art peinlich. Die Beschreibung des Bildwerkzeugs sagte immer noch, das Bearbeitungswerkzeug sei „noch nicht angeschlossen“, und das Ergebnis komme als Link zurück. Beides stimmte schon länger nicht mehr. Also mied das Modell das Bearbeitungswerkzeug, das es hätte nutzen sollen, und beschrieb dann ein eingebettetes Bild als Link.
Die Beschreibungen wurden neu geschrieben — was jedes Werkzeug tatsächlich tut, dass „dieselbe Karte in einer anderen Sprache“ eine Bearbeitung ist, dass das Ergebnis ein Bild und nie ein Link ist, dass das Modell es nicht sehen kann, und dass die Beschreibung in der Sprache der Nutzerin oder des Nutzers erfolgen sollte. Jedes Bildergebnis trägt jetzt einen Hinweis, wie darüber gesprochen werden soll.
Alle drei Korrekturen sind durch Tests abgesichert, die die ursprünglichen Runden wortgetreu wiederholen — einschließlich der knappen Fehltreffer, die weiterhin auf den billigen Weg gehen müssen.