Ktoś załączył obrazek — kartkę z rosyjskim tekstem — i poprosił, po rosyjsku, o tę samą kartkę po turecku. To, co wróciło, to dwa obrazy, oba naliczone, na innym tle, z literami, które nie były słowami w żadnym języku. Odpowiedź opisywała je po turecku jako pochodzące "z linku poniżej".
Jedno zgłoszenie, trzy oddzielne usterki. Żadna sama w sobie nie wytworzyłaby tego wyniku.
Tania ścieżka nie umie pisać
Narzędzia obrazu domyślnie proszą o "średnią" jakość, a średnie żądanie bez preferencji jakości ląduje w gałęzi routera posortowanej według kosztu, która kończy się na najtańszym aktywnym modelu obrazu. Ten model to model dyfuzyjny. Modele dyfuzyjne są bardzo dobre w obrazach i notorycznie słabe w literach — jeszcze gorsze w literach spoza alfabetu łacińskiego.
To dobre ustawienie domyślne dla "lisa w lesie" i złe dla plakatu, zaproszenia, menu lub kartki, gdzie tekst jest samym rezultatem. Takie żądania opuszczają teraz tanią ścieżkę. Podpowiedź jest odczytywana pod kątem oznak tego — sformułowania w cudzysłowie, linie wielkimi literami, listy punktowane, ograniczona lista słów dla rzeczy złożonych głównie z tekstu, w kilku alfabetach — a narzędzie ma też jawną flagę, którą model może ustawić, gdy to wie. Zaprzeczenia są usuwane najpierw, żeby "bez tekstu" tego nie wyzwalało. Każdy z dwóch sygnałów wysyła wywołanie do poziomu jakości. Jaki poziom obrazu otrzymasz, nadal jest twoim wyborem; to decyduje tylko, który model ma prawo spróbować.
Model, który nie widział obrazu
Druga usterka jest gorsza, bo to ona wyprodukowała bełkot zamiast po prostu przeciętnych liter. Detektory rozpoznające "zrób mi obrazek" i "zmień ten obrazek" były napisane dla angielskiego i tureckiego. Zdanie po rosyjsku nie pasowało do żadnego z nich, więc tura nigdy nie została oznaczona jako wymagająca widzenia i trafiła do modelu tekstowego bez wzroku. Ten model wywołał narzędzie obrazu z tym zdaniem jako podpowiedzią. Rysował od zera coś, czego nigdy nie widział.
Dodano rosyjskie wzorce dla obu. Co ważniejsze, dodano zabezpieczenie dla wyrażenia, które to spowodowało: "taka sama", "aynısını", "такую же", "jak ta, którą wysłałem". Gdy żądanie wskazuje na załączony obraz, wymuszenie nowej generacji nie jest drobnym niedopatrzeniem. Jest błędne i jest naliczane.
Narzędzie źle opisywało samo siebie
Trzecia usterka jest krępująca w najprostszy sposób. Opis narzędzia obrazu nadal mówił, że narzędzie edycji "jeszcze nie jest podłączone" i że wynik wraca jako link. Żadne z tych dwóch nie było prawdą od jakiegoś czasu. Więc model unikał narzędzia edycji, którego powinien był użyć, a potem opisywał osadzony obraz jako link.
Opisy zostały przepisane — co każde narzędzie naprawdę robi, że "ta sama kartka w innym języku" to edycja, że wynik jest obrazem i nigdy linkiem, że model go nie widzi, i że opis powinien być w języku użytkownika. Każdy wynik obrazu niesie teraz wskazówkę, jak o nim mówić.
Wszystkie trzy poprawki są zabezpieczone testami, które powtarzają oryginalne tury słowo w słowo, w tym przypadki graniczne, które nadal muszą trafiać na tanią ścieżkę.