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 cobradas, em um fundo diferente, com letras que não eram palavras em nenhum idioma. A resposta as descrevia em turco como vindas "do link abaixo".
Um único relato, três falhas distintas. Nenhuma sozinha teria produzido esse resultado.
A via barata não sabe escrever
As ferramentas de imagem pedem por padrão qualidade "média", e um pedido médio sem preferência de qualidade cai no ramo do roteador ordenado por custo, que termina no modelo de imagem ativo mais barato. Esse modelo é um modelo de difusão. Modelos de difusão são muito bons com imagens e notoriamente ruins com letras — piores ainda com letras fora do alfabeto latino.
Isso é um bom padrão para "uma raposa numa floresta" e um péssimo para um cartaz, um convite, um cardápio ou um cartão, onde o texto é a própria entrega. Esse tipo de pedido agora sai da via barata. Uma instrução é lida em busca dos sinais disso — frases entre aspas, linhas em maiúsculas, listas com marcadores, uma lista limitada de palavras para coisas feitas principalmente de texto, em vários alfabetos — e a ferramenta também tem um sinalizador explícito que o modelo pode ativar quando sabe disso. Negações são removidas primeiro, para que "sem texto" não dispare isso. Qualquer um dos dois sinais manda a chamada para o nível de qualidade. Qual nível de imagem você recebe continua sendo sua escolha; isso só decide qual modelo tem permissão para tentar.
Um modelo que não conseguia ver a imagem
A segunda falha é pior, porque foi ela que produziu um monte de letras sem sentido em vez de apenas letras medíocres. Os detectores que reconhecem "faça uma imagem para mim" e "mude essa imagem" foram escritos para inglês e turco. Uma frase em russo não batia com nenhum dos dois, então a rodada nunca foi marcada como uma que precisava enxergar, e foi parar em um modelo de texto sem visão. Esse modelo chamou a ferramenta de imagem com a frase como instrução. Estava desenhando do zero algo que nunca tinha visto.
Padrões em russo foram adicionados para os dois. Mais importante, foi adicionada uma proteção para a frase que causou tudo isso: "a mesma", "aynısını", "такую же", "como a que eu enviei". Quando um pedido aponta para uma imagem anexada, forçar uma geração nova não é um erro por pouco. É errado, e é cobrado.
A ferramenta descrevia a si mesma errado
A terceira falha é constrangedora da forma mais simples. A descrição da ferramenta de imagem ainda dizia que a ferramenta de edição "ainda não estava conectada" e que o resultado voltava como um link. Nenhuma das duas coisas era verdade fazia tempo. Então o modelo evitava a ferramenta de edição que deveria ter usado, e depois descrevia uma imagem embutida como um link.
As descrições foram reescritas — o que cada ferramenta realmente faz, que "o mesmo cartão em outro idioma" é uma edição, que o resultado é uma imagem e nunca um link, que o modelo não consegue vê-la, e que a descrição deve estar no idioma do usuário. Cada resultado de imagem agora carrega uma dica de como falar sobre ele.
As três correções estão presas por testes que repetem as rodadas originais palavra por palavra, incluindo os quase-erros que precisam continuar indo para a via barata.