किसी ने एक तस्वीर अटैच की — रूसी टेक्स्ट वाला एक कार्ड — और रूसी में उसी कार्ड को तुर्की में माँगा। जो लौटा वे दो तस्वीरें थीं, दोनों बिल की गईं, एक अलग बैकग्राउंड पर, ऐसे अक्षरों के साथ जो किसी भी भाषा में शब्द नहीं थे। जवाब ने उन्हें तुर्की में "नीचे दिए लिंक से" आया हुआ बताया।
एक ही रिपोर्ट, तीन अलग-अलग गड़बड़ियाँ। अकेले कोई भी यह नतीजा नहीं देती।
सस्ता रास्ता सही से लिख नहीं पाता
इमेज टूल्स डिफ़ॉल्ट रूप से "मध्यम" क्वालिटी माँगते हैं, और क्वालिटी की कोई पसंद न होने वाला मध्यम रिक्वेस्ट रूटर की लागत-क्रम वाली शाखा में जाकर सबसे सस्ते सक्रिय इमेज मॉडल पर ख़त्म होता है। वह मॉडल एक डिफ़्यूज़न मॉडल है। डिफ़्यूज़न मॉडल्स तस्वीरों में बहुत अच्छे होते हैं और अक्षरों में बदनाम रूप से ख़राब — लैटिन अल्फ़ाबेट से बाहर के अक्षरों में और भी बुरे।
"जंगल में एक लोमड़ी" के लिए यह एक अच्छा डिफ़ॉल्ट है और एक पोस्टर, आमंत्रण, मेन्यू या कार्ड के लिए बुरा, जहाँ टेक्स्ट ख़ुद ही आउटपुट है। ऐसा अनुरोध अब सस्ते रास्ते से बाहर निकल जाता है। एक प्रॉम्प्ट को इसके संकेतों के लिए पढ़ा जाता है — क्वोट किए हुए शब्द, बड़े अक्षरों की लाइनें, बुलेट लिस्ट, ज़्यादातर टेक्स्ट से बनी चीज़ों के लिए एक सीमित शब्द-सूची, कई अल्फ़ाबेट में — और टूल के पास एक स्पष्ट फ़्लैग भी है जिसे मॉडल तब सेट कर सकता है जब उसे यह पता हो। नेगेशन पहले हटा दिए जाते हैं, ताकि "बिना टेक्स्ट" यह ट्रिगर न करे। दोनों में से कोई भी संकेत कॉल को क्वालिटी टियर पर भेज देता है। आपको कौन-सा इमेज टियर मिलता है यह अभी भी आपकी पसंद है; यह सिर्फ़ यह तय करता है कि किस मॉडल को कोशिश करने की इजाज़त है।
एक मॉडल जो तस्वीर नहीं देख पा रहा था
दूसरी गड़बड़ी बदतर है, क्योंकि यही थी जिसने सिर्फ़ मामूली अक्षरों की बजाय पूरी बकवास पैदा की। "मुझे एक तस्वीर बनाओ" और "इस तस्वीर को बदलो" पहचानने वाले डिटेक्टर अंग्रेज़ी और तुर्की के लिए लिखे गए थे। रूसी में एक वाक्य दोनों में से किसी से मेल नहीं खाया, इसलिए उस टर्न को कभी ऐसा नहीं समझा गया जिसे देखने की ज़रूरत हो, और यह बिना विज़न वाले टेक्स्ट मॉडल के पास चला गया। उस मॉडल ने इमेज टूल को उस वाक्य को प्रॉम्प्ट के रूप में देकर कॉल किया। यह ऐसी चीज़ शुरू से बना रहा था जिसे उसने कभी देखा ही नहीं था।
दोनों के लिए रूसी पैटर्न जोड़े गए। ज़्यादा अहम, उस वाक्यांश के लिए एक सुरक्षा जोड़ी गई जिसने यह सब पैदा किया: "वही एक", "aynısını", "такую же", "जैसे मैंने भेजी थी वैसी"। जब कोई अनुरोध किसी अटैच की गई तस्वीर की ओर इशारा करता है, तो एक नई जनरेशन को ज़बरदस्ती करना कोई मामूली चूक नहीं है। यह ग़लत है, और यह बिल किया जाता है।
टूल ख़ुद को ग़लत तरीक़े से बता रहा था
तीसरी गड़बड़ी सबसे सीधी वजह से शर्मनाक है। इमेज टूल का डिस्क्रिप्शन अभी भी कहता था कि एडिटिंग टूल "अभी वायर्ड नहीं" है और नतीजा लिंक की तरह वापस आता है। दोनों में से कोई भी बात कुछ समय से सच नहीं थी। इसलिए मॉडल ने उस एडिटिंग टूल से बचा जिसे उसे इस्तेमाल करना चाहिए था, और फिर एक एम्बेडेड तस्वीर को लिंक बताया।
डिस्क्रिप्शन्स को दोबारा लिखा गया — हर टूल वाक़ई क्या करता है, कि "वही कार्ड किसी और भाषा में" एक एडिट है, कि नतीजा एक तस्वीर है और कभी लिंक नहीं, कि मॉडल इसे देख नहीं सकता, और कि डिस्क्रिप्शन यूज़र की भाषा में होनी चाहिए। हर इमेज नतीजा अब यह संकेत रखता है कि इसके बारे में कैसे बात करनी है।
तीनों फ़िक्स ऐसे टेस्ट से पक्के किए गए हैं जो मूल टर्न को शब्द-दर-शब्द दोहराते हैं, उन बॉर्डरलाइन मामलों समेत जिन्हें अभी भी सस्ते रास्ते पर जाते रहना ज़रूरी है।