‏جهش هوش مصنوعی تصویر: مقایسه مدل‌های جدید گوگل و بایت‌دنس

معرفی
دو مدل تصویرسازی هوش مصنوعی که از تواناترین‌ها در حال حاضر هستند، این هفته با فاصله چند روز از هم معرفی شدند و نویدبخش تغییر نحوه تولید محتوا توسط کاربران هستند.

نانو بانا ۲ – نام داخلی گوگل برای Gemini 3.1 Flash Image – در ۲۶ فوریه عرضه شد و تقریباً بلافاصله بر فضای گفتمان هوش مصنوعی مسلط شد. این مدل، جانشین Nano Banana Pro است که پس از عرضه در نوامبر ۲۰۲۵، به استاندارد طلایی ویرایش تصاویر با هوش مصنوعی تبدیل شد. Seedream 5 Lite، جدیدترین محصول ByteDance در مجموعه تولید تصاویرش، چند روز زودتر عرضه شد.

در حالی که مدل اول با تبلیغات گسترده از سوی گوگل همراه بود، دومی تقریباً بدون هیچ اطلاعیه‌ای منتشر شد. با وجود این شکاف بزرگ در پوشش خبری، تفاوت در قابلیت‌ها کمتر بود.

هر دو مدل بر اساس ایده معماری اصلی یکسانی ساخته شده‌اند که به یک تولیدکننده تصویر، توانایی تفکر قبل از ترسیم را می‌دهد.

این به معنای ادغام جستجوی وب در زمان واقعی قبل از شروع تولید، و همچنین استدلال چند مرحله‌ای برای تفسیر دستورات پیچیده یا مبهم، و توانایی مدیریت تصاویر مرجع در گردش‌های کاری ویرایش گسترده است.

این یک تغییر واقعی نسبت به مدل‌های تولید یک سال پیش است، زمانی که Stable Diffusion به طور گسترده‌ای انقلابی تلقی می‌شد.

هر دو مدل تا رزولوشن 4K خروجی می‌دهند. هر دو از ورودی‌های مرجع چند تصویری برای گردش‌های کاری سازگاری پشتیبانی می‌کنند. هر دو می‌توانند انسجام بصری را در سراسر کاراکترها و اشیاء در یک جلسه واحد حفظ کنند.

هر دو می‌توانند متن سبک‌دار و خوانا را در داخل تصاویر تولید کنند، اگرچه نه به یک اندازه. و هر دو وارد بازاری شدند که قبلاً شامل GPT Image 1.5 از OpenAI، Flux.2 از Black Forest Labs، و مجموعه‌ای رو به رشد از مدل‌های چینی بود که به طور تهاجمی در قیمت و انعطاف‌پذیری رقابت می‌کردند.

اما کدام گزینه برای کاربر نهایی بهترین است؟ ما هر دو مدل را آزمایش کردیم تا به این سوال پاسخ دهیم.

قیمت‌گذاری

اولین چیزی که باید درک کرد، شکاف قیمتی است.

گوگل قیمت Nano را از طریق Gemini API با 60 دلار در هر میلیون توکن تصویر خروجی تعیین می‌کند. از نظر عملی، این به حدود 0.045 دلار برای یک تصویر 512 پیکسلی، 0.067 دلار در رزولوشن 1K، 0.101 دلار در 2K و 0.151 دلار در 4K می‌رسد.

Seedream مبلغ ثابتی 0.035 دلار برای هر تصویر دریافت می‌کند، صرف نظر از رزولوشن خروجی، بنابراین در هر اندازه‌ای بالاتر از 512 پیکسل، Seedream گزینه ارزان‌تری است.

در 4K، Nano بیش از چهار برابر بیشتر برای هر تصویر هزینه دارد. برای خطوط تولید با حجم بالا، این به سرعت ترکیب می‌شود.

دسترسی

دسترسی مسیرهای توزیع کاملاً متفاوتی را دنبال می‌کند. Nano در سراسر اکوسیستم مصرف‌کننده و توسعه‌دهنده گوگل، برنامه Gemini، حالت هوش مصنوعی جستجوی گوگل، Google Lens، AI Studio، Vertex AI و Google Flow برای ایجاد ویدیو فعال است. این در زیرساختی تعبیه شده است که صدها میلیون نفر در حال حاضر روزانه از آن استفاده می‌کنند.

Seedream از طریق برنامه‌های خلاقانه CapCut و Jianying ByteDance، از طریق پلتفرم‌های تجمیع‌کننده API شخص ثالث و از طریق Dreamina، رابط اختصاصی تولید تصویر ByteDance، به کاربران می‌رسد. یک تمایز کلیدی: Seedream را می‌توان به صورت محلی اجرا کرد. گوگل این اجازه را نمی‌دهد.

تجربه پلتفرم

تجربه پلتفرم تفاوت دیگری است که باید در نظر گرفته شود. Gemini در درجه اول یک چت‌بات است، و در درجه دوم یک تولیدکننده تصویر. تصاویر را بسیار خوب و سریع تولید می‌کند. ادعاهای سرعت گوگل در عمل صدق می‌کند.

اما شما در حال کار در یک رابط مکالمه‌ای هستید که برای گردش‌های کاری بصری تکراری طراحی نشده است.

Dreamina به طور خاص برای ایجاد تصویر ساخته شده است. این ابزار مخصوص مدیریت مرجع، ویرایش چند مرحله‌ای و کنترل ترکیب‌بندی را دارد.

همچنین، صف تولید Dreamina به طور قابل توجهی بیشتر از Nano از طریق رابط Gemini طول می‌کشد. برای یک آزمایش سریع یا یک تصویر واحد، Gemini شما را سریع‌تر به نتیجه می‌رساند. برای جلسات ویرایش چند دوره‌ای مداوم، ساختار Dreamina منسجم‌تر است.

تعدیل محتوا

از نظر تعدیل محتوا، Gemini از کار با افراد واقعی در اکثر سناریوها خودداری می‌کند – آن را به سمت ویرایش شباهت، دستکاری عکس شامل یک چهره عمومی، یا هر چیز پیشنهادی که شامل یک سوژه قابل شناسایی باشد، هدایت کنید، و آن رد می‌کند.

Seedream تحت قوانین بسیار آزادانه‌تری عمل می‌کند. ByteDance اجازه ویرایش تصاویر واقعی و کار با سوژه‌های قابل شناسایی را به روش‌هایی می‌دهد که گوگل با آن‌ها درگیر نمی‌شود، که این امر بخش قابل توجهی از دنبال‌کنندگان Seedream را در میان سازندگان محتوا توضیح می‌دهد.

به طور خاص در مورد API، هر دو مدل از عمق استدلال قابل تنظیم پشتیبانی می‌کنند. Nano به توسعه‌دهندگان اجازه می‌دهد تا سطوح تفکر را از Minimal تا High یا Dynamic تنظیم کنند، و به مدل اجازه می‌دهد قبل از متعهد شدن به یک رندر، از طریق دستورات پیچیده استدلال کند.

Seedream نظارت بر زنجیره تفکر را در معماری خود پیاده‌سازی می‌کند، در نتیجه وفاداری به دستور را برای وظایف تولید چند محدودیتی و از نظر فضایی پیچیده بهبود می‌بخشد.

هیچ یک از مدل‌ها استدلال را به طور کامل برای توسعه‌دهنده شفاف نمی‌کنند، اما هر دو در دستورات سخت‌تر از پیشینیان خود بدون آن بهتر عمل می‌کنند.

آزمایش هویت

این آزمایش بررسی می‌کند که آیا مدل‌ها می‌توانند یک هویت قابل تشخیص را در چندین تکرار ویرایش شده از یک تصویر واقعی حفظ کنند یا خیر. سوژه اصلی یک زوج واقعی بود که در یک مرکز خرید عکس گرفته شده بودند.

هدف این بود که لباس‌ها و عناصر دیگر را در عکس در پنج تکرار تعویض کنیم، در حالی که همان چهره‌ها، اندام‌ها و هویت بصری در سراسر آن قابل تشخیص باقی بماند.

چت‌بات Gemini از درگیر شدن با عکس واقعی خودداری کرد – که با خط‌مشی محتوای آن مطابقت داشت. آزمایش Nano Banana 2 مستلزم رفتن مستقیم از طریق API بود.

Nano:

نتایج Nano، در حالی که از نظر بصری پرداخت شده بود، انحراف قابل توجهی در هویت را در تکرارهای بعدی نشان داد.

هندسه صحنه حفظ شد – محیط تونل LED، چشم‌انداز پیاده‌رو کاشی‌کاری شده و قرارگیری علامت پس‌زمینه همگی منسجم باقی ماندند.

اما خود سوژه‌ها عملاً دوباره انتخاب شدند. در پایان تکرارها، زن دیگر اصلی نبود. مرد تقریباً به طور کامل در سراسر تکرارها جایگزین شد: محدوده سنی متفاوت، اندام متفاوت، ساختار صورت متفاوت، موهای متفاوت.

مدل چیزی زیبا تولید کرد، اما نه افرادی که واقعاً آنجا بودند. این را می‌توان تا حدودی اصلاح کرد اگر مراجعی که برای ویرایش اصلی استفاده می‌شوند بدون چهره‌هایی آپلود شوند که بتوانند مدل را گیج کنند.

Seedream:

Seedream در حفظ هویت در سراسر همان گردش کار، به طور قابل توجهی بهتر عمل کرد. ساختار صورت زن، هندسه لبخند و کج شدن سر او در چندین دور به تصویر منبع متصل ماند.

مرد بیشتر اندام اصلی و حضور فیزیکی خود را حفظ کرد. تداوم ژست بین دو سوژه نیز بهتر حفظ شد – قرارگیری بازو، نزدیکی و هم‌ترازی وضعیت همچنان ثابت ماند، که برای هر چیزی که نیاز به احساس یک صحنه واحد دارد، نه یک صحنه جدید، مهم است.

با این حال، نشانه‌های کوچکی وجود داشت، در صاف کردن ملایم پوست، تغییر شکل جزئی کمر و تخریب کیفیت کلی در سوژه‌ها.

اما این زوج قابل تشخیص باقی ماندند. برای یک گردش کار کمپین که در آن افراد یکسان باید در چندین خروجی خلاقانه ظاهر شوند، این تفاوت ناچیز نیست.

آزمایش گسترش تصویر

آزمایش گسترش تصویر، هر دو مدل را وادار کرد تا یک تصویر اتاق نشیمن مدرن مینیمالیستی را به 16:9 گسترش دهند، صحنه را به طور طبیعی به سمت چپ و راست گسترش داده و در عین حال سازگاری نور و منطق فضایی را حفظ کنند.

دستورالعمل، دیوارهای سفید، یک مبل بژ، یک میز قهوه چوبی و گیاهان داخلی را مشخص می‌کرد – یک خلاصه ساده با پارامترهای معماری واضح.

Nano:

Nano Banana 2 نتایج تمیز و یکپارچه‌ای را بدون هیچ گونه مصنوع یا نوارهای رنگی قابل مشاهده در مرزهای اصلی محصول تولید کرد. رنگ دیوار، تعادل نور روز و جنس کف همگی در سراسر گسترش ثابت ماندند.

جهت نور از منبع پنجره ضمنی به طور معقولی به قاب گسترش یافته ادامه یافت. از نظر فنی، ترکیب تقریباً بی‌عیب و نقص بود.

اما مدل چند عنصر را معرفی کرد که بخشی از صحنه نبودند، مانند یک سبد در سمت راست و یک ساختمان در پس‌زمینه. با این حال، در مقایسه با مدل‌های قبلی بسیار چشمگیر است.

Seedream:

Seedream در خروجی اصلی ساده‌تر بود، که ویرایش‌ها را آسان‌تر کرد.

سمت چپ گسترش یافته یک گیاه گلدانی بزرگ دوم و جریان پرده کامل را معرفی کرد که از نظر فضایی نسبت به منبع پنجره ضمنی توجیه شده بود.

سمت راست به یک دیوار ثانویه، هنر قاب‌بندی شده و یک کنسول چوبی کم ارتفاع گسترش یافت و زبان مواد مینیمالیستی را در سراسر آن حفظ کرد – چوب روشن، خنثی‌های نرم، هیچ چیز که با قوانین زیبایی‌شناختی اصلی در تضاد باشد. نورپردازی در سراسر قاب گسترش یافته از نظر جهت‌گیری منسجم باقی ماند.

صفحه سقف، قرارگیری چراغ آویز و الگوی استخوان شاه ماهی کف همگی هم‌ترازی منطقی را حفظ کردند. اتاق شبیه یک قاب گسترده‌تر قابل باور بود تا یک مفهوم بازسازی شده. ما هیچ مصنوع یا اشکال قابل توجهی را مشاهده نکردیم.

برای زمینه‌های تولید که در آن وفاداری فضایی و صداقت معماری مهم است، Seedream 5 Lite ابزار قابل اطمینان‌تری است. اگر واقع‌گرایی بیش از وفاداری اهمیت دارد، Nano Bana 2 می‌تواند گزینه بهتری باشد.

آزمایش تولید تصویر

این آزمایش از ویرایش و گسترش به قلمرو خالص تولید با یک خلاصه با ویژگی‌های بالا منتقل شد: یک تصویر بندانگشتی YouTube با عنوان “جنگ تصویر هوش مصنوعی” با زیرنویسی که هر دو مدل را نام می‌برد، یک طرح تقسیم صفحه با متن عنوان بزرگ و پررنگ در سمت چپ، رنگ‌های پرانرژی متضاد و قاب‌بندی 16:9.

تولید تصویر بندانگشتی به تایپوگرافی دقیق، سلسله مراتب ترکیبی عمدی و انرژی بصری فوری نیاز دارد – همه در یک زمان.

Nano:

Nano گرامر تصویر بندانگشتی را کاملاً درک کرد.

این یک ترکیب با تایپوگرافی با کنتراست بالا و بزرگ در سمت چپ، یک رویارویی دراماتیک تقسیم صفحه در سمت راست، تضاد رنگ نئونی اشباع شده بین نارنجی گرم و آبی الکتریکی، و یک تقسیم‌کننده رعد و برق مرکزی که پویایی مقابل را تقویت می‌کند، تولید کرد.

سلسله مراتب عنوان تمیز بود – “جنگ تصویر هوش مصنوعی” از نظر بصری با طرح‌بندی ضربه و جلوه‌های درخشش که در اندازه‌های کوچک صفحه نمایش تلفن همراه حفظ می‌شوند، غالب بود.

رندر متن دقیق بود، بدون اعوجاج املایی، بدون کاراکترهای نامفهوم و فاصله ثابت در سراسر آن. چهره‌ها فوق‌العاده دقیق و از نظر احساسی شدید بودند.

انرژی بصری بالا بود. دقیقاً شبیه یک تصویر بندانگشتی بود که برای کلیک شدن طراحی شده بود.

Seedream:

Seedream رویکرد متفاوتی داشت. به جای چهره‌های دراماتیک فوتورئالیستی، این کاراکترهای سبک‌دار – یک کاراکتر موز و یک کره عصبی درخشان – را برای نشان دادن هر مدل تولید کرد و به مقایسه، حس گرافیکی و شمایلی‌تری بخشید.

طرح‌بندی تمیزتر و خوش‌ساخت بود، با عنوان غالب، زیرنویس به وضوح خوانا و نام هر مدل در کادر برای اسکن فوری.

تایپوگرافی قوی بود: وزن ضربه تمیز، در مقیاس خوانا، بدون مصنوعات اصلی. جایی که Nano Banana به سمت نمایش و شدت احساسی متمایل شد، Seedream چیزی کمتر انفجاری، متمایزتر و مقیاس‌پذیر به عنوان یک هویت بصری تکراری تولید کرد.

این ممکن است یک انتخاب سبک باشد، اما به نظر ما، برای بهینه‌سازی CTR ویروسی تهاجمی، شدت سینمایی Nano Banana 2 برتری دارد.

آزمایش دستورالعمل

آزمایش نهایی اندازه‌گیری کرد که هر مدل با چه دقتی از یک دستورالعمل دقیق و چند عنصری بدون نقض یا سوءتفسیر هیچ محدودیتی پیروی می‌کند.

خلاصه: یک پرتره سینمایی از یک معمار زن 32 ساله روی یک پشت‌بام در غروب آفتاب، با پوشیدن یک بارانی بژ و عینک گرد، در دست چپ خود نقشه‌های معماری لوله‌شده را نگه داشته است، با خط افق شهر کمی خارج از فوکوس در پس‌زمینه، نورپردازی ساعت طلایی با نور لبه نرم، عمق میدان کم که یک لنز 50 میلی‌متری را شبیه‌سازی می‌کند، نسبت ابعاد عمودی 4:5، بافت پوست واقع‌گرایانه و دانه‌های فیلم ظریف. هر عنصر در آن لیست یک محدودیت است که می‌تواند به طور مستقل شکست بخورد.

Nano:

Nano یک زن قفقازی را تولید کرد که از دوربین دور نگاه می‌کرد – یک انتخاب روایی که در دستورالعمل مشخص نشده بود، که به سمت تفسیر خلاقانه بر پایبندی دقیق به محدودیت‌ها اشاره داشت.

بارانی بژ، عینک گرد و نقشه‌های معماری لوله‌شده در دست چپ همگی به درستی رندر شدند. پشت‌بام و خط افق تار شده وجود داشتند و از نظر فضایی متقاعدکننده بودند.

نورپردازی ساعت طلایی وجود داشت، اما در مقایسه با رنگ‌های گرمی که دستورالعمل برای آن درخواست کرده بود، کمی سرد بود. نور لبه کم‌رنگ بود تا به وضوح تعریف شده. عمق میدان به خوبی اجرا شد، اما فشرده‌سازی فضایی به شبیه‌سازی 35 میلی‌متری تا 40 میلی‌متری نزدیک‌تر بود تا یک 50 میلی‌متری واقعی.

دانه‌های فیلم حداقل بود تا جایی که قابل تشخیص نبود. بافت پوست واقع‌گرایانه بود اما سوگیری صاف‌کننده ملایم را که در سیستم‌های انتشار آموزش‌دیده زیبایی رایج است، حمل می‌کرد. اجرای کلی جامد، با چند جایگزینی آرام که در آن مدل انتخاب‌های خود را انجام داد.

Seedream:

Seedream یک زن آسیایی را تولید کرد که مستقیماً به دوربین نگاه می‌کرد – یک پیش‌فرض خنثی برای یک دستورالعمل که جهت نگاه را مشخص نکرده بود.

تمام عناصر مشخص شده وجود داشتند و به درستی پیاده‌سازی شدند. گرمای ساعت طلایی از نظر فیزیکی بیشتر وجود داشت (احتمالاً حتی اغراق‌آمیز)، با یک نور لبه به وضوح تعریف شده که سوژه را از پس‌زمینه جدا می‌کرد و با قصد دستورالعمل مطابقت داشت.

اجرای عمق میدان و فشرده‌سازی کانونی بیشتر شبیه یک شبیه‌سازی 50 میلی‌متری واقعی بود، با نسبت‌های طبیعی سوژه به پس‌زمینه. بافت پوست دقیق بود با حفظ کنتراست میکرو بهتر و مصنوعات صاف‌کننده کمتر از خروجی Nano Banana.

با این حال، یکی از نقشه‌های معماری به اشتباه تولید شد و بیشتر شبیه یک مصنوع بود تا یک عنصر مناسب در تولید.

از نظر ترکیب‌بندی، نتیجه Seedream متمرکزتر و از نظر فنی دقیق‌تر بود، با افزوده‌های تفسیری کمتر، اما Nano Banana یک تصویر واقع‌بینانه‌تر تولید کرد.

زوال عملکرد

در سراسر جلسات API گسترده که شامل حجم زیادی از نسل‌های متوالی بود، هر دو مدل زوالی را نشان دادند که در ابتدای گردش کار وجود نداشت.

Seedream شروع به تولید چهره‌های تار و نامشخص در سوژه‌هایی کرد که در نسل‌های قبلی به وضوح رندر شده بودند. Nano شروع به از دست دادن هویت سوژه به طور کلی کرد و کاراکترهایی را تولید کرد که هیچ ارتباط ثابتی با سوژه‌هایی که در ابتدای جلسه ایجاد شده بودند، نداشتند.

به نظر می‌رسید که هر دو مدل عمق استدلال خود را با افزایش طول جلسه کاهش می‌دهند – گویی هر چه بیشتر انجام داده بودند، تلاش کمتری را برای هر نسل صرف می‌کردند.

اینکه آیا این یک دریچه محاسباتی عمدی است، یک رفتار متعادل‌کننده بار تحت ترافیک سنگین API، یا چیزی در معماری است، از بیرون مشخص نیست.

اما به اندازه کافی ثابت است که در هر خط تولیدی که زنجیره‌های تولید طولانی را اجرا می‌کند، برنامه‌ریزی شود. هر دو مدل در ابتدای یک جلسه بهترین عملکرد را دارند. هر دو با حجم مداوم تخریب می‌شوند.

در حالت ایده‌آل، به جای انجام تکرارهای متوالی، از مدل بخواهید تعداد معقولی ویرایش را در یک تکرار واحد انجام دهد تا از تخریب جلوگیری شود.

اما این یک هنر است. ویرایش‌های زیاد در یک دور منجر به عدم پایبندی به دستورالعمل می‌شود. خیلی کم منجر به نیاز به تکرارهای متوالی می‌شود که سازگاری سوژه را کاهش می‌دهد.

نتیجه‌گیری

Nano در رندر متن، سرعت تولید خام، ادغام اکوسیستم و انرژی تولید برنده می‌شود. دقت متن، بارزترین مزیت آن است – بدون کاراکترهای نامفهوم، بدون فونت‌های ناسازگار، بدون متن تکراری.

سریع تولید می‌کند. در سراسر محصولاتی کار می‌کند که میلیاردها نفر در حال حاضر از آن‌ها استفاده می‌کنند. و ادغام دانش جهانی آن، جایی که مدل قبل از تصمیم‌گیری در مورد آنچه باید رندر شود، وب را جستجو می‌کند، خروجی‌هایی تولید می‌کند که به جای زیبایی‌شناختی عمومی، از نظر سرمقاله ریشه‌دار هستند.

اگر گردش کار شما در داخل اکوسیستم گوگل قرار دارد، اگر دقت متن در داخل تصاویر غیرقابل مذاکره است، یا اگر به تکرار سریع بدون کار با افراد واقعی نیاز دارید، Nano ابزار قوی‌تری برای آن شرایط خاص است.

Seedream در هزینه، طراحی پلتفرم، انعطاف‌پذیری محتوا، نظم ساختاری در وظایف فضایی و حفظ کاراکتر در سراسر ویرایش چند مرحله‌ای برنده می‌شود.

قیمت ثابت 0.035 دلاری آن را به پیش‌فرض عملی برای هر خط تولیدی که تصاویر را با حجم تولید می‌کند، تبدیل می‌کند. رابط هدفمند Dreamina برای جلسات خلاقانه مداوم منسجم‌تر از پوشش چت‌بات Gemini است.

خط‌مشی محتوای آزاد، موارد استفاده‌ای را باز می‌کند که گوگل با آن‌ها درگیر نمی‌شود. و برای گردش‌های کاری که نیاز به حفظ هویت ثابت در چندین تکرار از سوژه‌های واقعی دارند – تقاضای اصلی کار کمپین – Seedream در هر آزمایشی که انجام دادیم، بهتر عمل کرد.