Valaki csatolt egy képet — egy orosz szövegű kártyát — és oroszul kérte ugyanazt a kártyát törökül. Ami visszajött, az két kép volt, mindkettőt kiszámlázták, más háttéren, olyan betűkkel, amelyek egyik nyelven sem voltak szavak. A válasz törökül úgy írta le őket, mintha „az alábbi linkről” származnának.
Egy jelentés, három különálló hiba. Egyik sem önmagában okozta volna ezt az eredményt.
Az olcsó sáv nem tud helyesen írni
A képeszközök alapértelmezetten „közepes” minőséget kérnek, a minőségi preferencia nélküli közepes kérés pedig a router költség szerint rendezett ágába kerül, amely a legolcsóbb aktív képmodellnél végződik. Az a modell egy diffúziós modell. A diffúziós modellek nagyon jók a képekben, és hírhedten gyengék a betűkben — még rosszabbak a latin ábécén kívüli betűkkel.
Ez jó alapértelmezés egy „róka az erdőben” esetére, de rossz egy plakát, meghívó, étlap vagy kártya esetében, ahol maga a szöveg a szolgáltatott eredmény. Az ilyen kérések most kikerülnek az olcsó sávból. A promptot ennek jeleit keresve olvassák — idézőjelbe tett megfogalmazások, csupa nagybetűs sorok, felsorolásjeles listák, egy korlátozott szólista olyan dolgokhoz, amelyek nagyrészt szövegből állnak, több ábécében — és az eszköznek van egy explicit jelzője is, amit a modell beállíthat, ha ezt tudja. A tagadásokat először eltávolítják, hogy a „szöveg nélkül” ne váltsa ki ezt tévesen. A két jelzés bármelyike a minőségi szintre küldi a hívást. Az, hogy melyik képminőséget kapod, továbbra is a te választásod; ez csak azt dönti el, melyik modell próbálkozhat meg vele.
Egy modell, amely nem látta a képet
A második hiba súlyosabb, mert épp ez okozta a halandzsát, nem csak a középszerű betűket. A „csinálj nekem egy képet” és a „változtasd meg ezt a képet” felismerő detektorok angolra és törökre voltak írva. Egy orosz mondat egyikre sem illett, így ezt a fordulót soha nem jelölték meg olyanként, amely látást igényel, és egy látás nélküli szövegmodellhez került. Az a modell ezzel a mondattal, mint prompttal hívta meg a képeszközt. Nulláról rajzolt valamit, amit soha nem látott.
Mindkettőhöz orosz mintákat adtak hozzá. Ami fontosabb, védelmet adtak ahhoz a kifejezéshez, amely mindezt okozta: „ugyanazt”, „aynısını”, „такую же”, „mint amit küldtem”. Amikor egy kérés egy csatolt képre mutat, egy új generálás kikényszerítése nem apró hiba. Ez hibás, és számlázzák.
Az eszköz rosszul írta le önmagát
A harmadik hiba a legegyszerűbb módon kínos. A képeszköz leírása még mindig azt mondta, hogy a szerkesztőeszköz „még nincs bekötve”, és hogy az eredmény linkként jön vissza. Egyik sem volt igaz már egy ideje. Így a modell elkerülte azt a szerkesztőeszközt, amelyet használnia kellett volna, majd egy beágyazott képet linknek írt le.
A leírásokat átírták — mit csinál valójában minden eszköz, hogy „ugyanaz a kártya egy másik nyelven” szerkesztés, hogy az eredmény egy kép és soha nem link, hogy a modell nem látja, és hogy a leírásnak a felhasználó nyelvén kell lennie. Minden képeredmény most tartalmaz egy útmutatót arról, hogyan kell beszélni róla.
Mindhárom javítást olyan tesztek rögzítik, amelyek szóról szóra megismétlik az eredeti fordulókat, beleértve azokat a határeseteket is, amelyeknek továbbra is az olcsó sávra kell menniük.