Alguém anexou uma imagem — um cartão com texto em russo — e pediu, em russo, o mesmo cartão em turco. O que voltou foram duas imagens, ambas faturadas, sobre um fundo diferente, com letras que não eram palavras em nenhum idioma. A resposta descrevia-as em turco como vindas "da ligação abaixo".
Um único relato, três falhas distintas. Nenhuma sozinha teria produzido este resultado.
A via barata não sabe soletrar
As ferramentas de imagem pedem por defeito qualidade "média", e um pedido médio sem preferência de qualidade cai no ramo do router ordenado por custo, que termina no modelo de imagem ativo mais barato. Esse modelo é um modelo de difusão. Os modelos de difusão são muito bons com imagens e notoriamente maus com letras — piores ainda com letras fora do alfabeto latino.
Isso é um bom valor por defeito para "uma raposa numa floresta" e um mau para um cartaz, um convite, um menu ou um cartão, onde o texto é o próprio resultado entregue. Esse tipo de pedido sai agora da via barata. Uma instrução é lida à procura de sinais disto — expressões entre aspas, linhas em maiúsculas, listas com marcadores, uma lista limitada de palavras para coisas feitas sobretudo de texto, em vários alfabetos — e a ferramenta também tem uma marca explícita que o modelo pode ativar quando o sabe. As negações são retiradas primeiro, para que "sem texto" não desencadeie isto. Qualquer um dos dois sinais envia a chamada para o nível de qualidade. Que nível de imagem obténs continua a ser a tua escolha; isto só decide que modelo está autorizado a tentar.
Um modelo que não conseguia ver a imagem
A segunda falha é pior, porque foi a que produziu disparates em vez de simplesmente letras medíocres. Os detetores que reconhecem "faz-me uma imagem" e "muda esta imagem" estavam escritos para inglês e turco. Uma frase em russo não correspondia a nenhum dos dois, por isso o turno nunca foi marcado como um que precisava de ver, e foi parar a um modelo de texto sem visão. Esse modelo chamou a ferramenta de imagem com a frase como instrução. Estava a desenhar do zero algo que nunca tinha visto.
Adicionaram-se padrões russos para ambos. Mais importante, adicionou-se uma proteção para a expressão que causou isto: "a mesma", "aynısını", "такую же", "como a que enviei". Quando um pedido aponta para uma imagem anexada, forçar uma nova geração não é um erro por pouco. É errado, e é faturado.
A ferramenta descrevia-se a si própria mal
A terceira falha é embaraçosa da forma mais simples. A descrição da ferramenta de imagem ainda dizia que a ferramenta de edição "ainda não estava ligada" e que o resultado voltava como uma ligação. Nenhuma das duas coisas era verdade há algum tempo. Assim, o modelo evitava a ferramenta de edição que devia ter usado, e depois descrevia uma imagem incorporada como uma ligação.
As descrições foram reescritas — o que cada ferramenta faz realmente, que "o mesmo cartão noutro idioma" é uma edição, que o resultado é uma imagem e nunca uma ligação, que o modelo não a consegue ver, e que a descrição deve estar no idioma do utilizador. Cada resultado de imagem leva agora uma pista sobre como falar dele.
As três correções estão fixadas por testes que repetem os turnos originais palavra por palavra, incluindo os casos-limite que devem continuar a ir para a via barata.