ChatGPT Images 2.0: OpenAI के अगली पीढ़ी के इमेज मॉडल की गाइड

ChatGPT Images 2.0 में नया क्या है?

ChatGPT Images 1.5 के रिलीज़ से सबसे बड़ा निष्कर्ष प्रदर्शन गति में बड़ा इज़ाफ़ा था। उस समय कहा गया था कि यह 4 गुना तेज़ है। हमने उस दावे को जाँचा, लेकिन यह नए इमेज बनाने पर नहीं, संपादन पर लागू दिखा। 

इस बार बड़ा दावा है बुद्धिमत्ता। ChatGPT Images 2.0 एक "सोचने वाला" इमेज मॉडल है: यह तथ्यों पर खोज और तर्क करके, खुरदरे इनपुट्स (नोट्स, स्केच, रेफरेंस) को बहुत कम मैनुअल प्रॉम्प्टिंग के साथ परिष्कृत विज़ुअल्स में बदलने वाला बताया जा रहा है।

घोषणा के अन्य मुख्य बिंदु:

• जेनरेशन पर अधिक शुद्धता और नियंत्रण
• भाषाओं और लिपियों में सशक्त प्रदर्शन
• और अधिक शैलीगत परिष्कार और यथार्थवाद
• मॉडल में निहित उन्नत वास्तविक-विश्व बुद्धिमत्ता
• लचीले आस्पेक्ट रेशियो—मोबाइल से लेकर बैनर फॉर्मैट तक

एक मॉडल जो सोचता है

रिलीज़ के सबसे बड़े दावों में से एक है कि नया मॉडल "सोचता" है और एक "विजुअल थॉट पार्टनर" की तरह काम करता है। विचार यह है कि एजेंट्स पर्दे के पीछे काम करके कार्य को अच्छी तरह समझते हैं और जेनरेशन रिक्वेस्ट चलाने से पहले उस पर तर्क करते हैं।

दुनिया की इसकी समझ दिसंबर 2025 के कटऑफ तक अपडेट की गई है, जिससे आउटपुट अधिक संदर्भ-सही हों। यह बात नए मॉडल को शैक्षिक ग्राफिक्स और संदर्भ-आधारित बहु-चरणीय वर्कफ़्लोज़ के लिए उपयुक्त बताती है।

वेब पर खोज करें

कटऑफ और ताज़ा, अद्यतन जानकारी के बीच की दूरी को पाटने के लिए, Images 2.0 वेब पर प्रासंगिक जानकारी खोज सकता है। OpenAI के रिलीज़ नोट्स से यह स्पष्ट नहीं है कि यह ठीक कैसे काम करता है, लेकिन हमारी समझ में वेब सर्च ऊपर बताये गए थिंकिंग एजेंट द्वारा कॉल किया जाने वाला एक टूल है।

एक ही प्रॉम्प्ट से कई इमेज बनाएं

नया मॉडल अब मूल रूप से एक ही प्रॉम्प्ट से कई इमेज जेनरेट करने का समर्थन करता है। यह API में ("कंपोजीशन" के लिए प्रॉम्प्ट करके) एक वर्कअराउंड से संभव था, लेकिन अब UI में भी, दस तक इमेज के लिए किया जा सकता है। OpenAI इन सभी आउटपुट्स में कैरेक्टर और ऑब्जेक्ट की निरंतरता का वादा करता है।

ChatGPT Images 2.0 का परीक्षण

अब देखते हैं कि नया मॉडल वास्तव में क्या कर सकता है! हमने Images 2.0 की निम्न क्षमताओं और फीचर्स का परीक्षण किया:

• एडिटिंग वर्कफ़्लो
• थिंकिंग मोड और वेब सर्च
• शैलीगत दायरा
• खुरदरे स्केच को सँवारना
• आस्पेक्ट रेशियो में लचीलापन
• रचनात्मकता

एडिटिंग वर्कफ़्लो का परीक्षण

2.0 के लिए OpenAI का प्रस्तुतीकरण पुनरावृत्ति पर टिका है: खुरदरा इनपुट अंदर, परिष्कृत असेट बाहर, निर्देश-पालन और घनी टेक्स्ट रेंडरिंग में सुधार के साथ। हमने 1898 के एक प्रसिद्ध अमेरिकी डाक टिकट Western Cattle in Storm का उपयोग करके इस लूप को परखा।

यहाँ Fine स्थिति वाले टिकटों में से एक की तस्वीर है। 

एडिटिंग वर्कफ़्लो को खास तौर पर जाँचने के लिए, हमने थिंकिंग मोड के बिना नीचे दिया गया प्रॉम्प्ट इस्तेमाल किया। इसका मतलब यह भी है कि मॉडल के पास वेब सर्च की पहुँच नहीं थी, जिसे हमने अलग से परखा।

Please create for me a picture of the famous 1898 Western Cattle in Storm stamp issued by the U.S. Post Office as part of the Trans-Mississippi Issue . The name of the stamp is "Western Cattle in Storm" Quality should be Fine to Very Fine -Centering: design shifted right, left margin twice as wide as right margin, perfs nearly touching design on the right side -Perforations: two short teeth on the top edge, slightly uneven spacing along the bottom -Gum: quarter-inch matte hinge remnant in upper-center of back, small paper fragment still -attached -Paper: diagonal gum bend across lower-left quadrant, light yellow toning along top edge -Cancellation: partial black circular datestamp in lower-right corner, moderate coverage over the cattle

और यह रहा नतीजा: 

सिर्फ टेक्स्ट-आधारित प्रॉम्प्टिंग काम नहीं आई। टिकट और उसकी कंडीशन ग्रेड का विस्तृत वर्णन कई मायनों में गलत लौटा—गलत रंग, गलत डिनॉमिनेशन लेआउट, अटपटी ऑफ-सेंट्रिंग। सिर्फ टेक्स्ट से किसी विशिष्ट ऐतिहासिक चीज़ की हूबहू नकल कराना मुश्किल काम है।

मॉडल को रेफरेंस इमेज देना और लक्षित एडिट्स माँगना वहीं है जहाँ 2.0 ने अपनी कीमत वसूल की: परफ़ोरेशन की अनियमितताएँ, हिंग रिमनेंट, तिरछा गम बेंड, हल्का टोनिंग, और आंशिक कैंसलेशन। 

एडिट्स मोटे तौर पर वहीं लगे जहाँ हमने कहा था। मॉडल ने आस्पेक्ट-रेशियो में गिरावट ला दी, लेकिन एक सादा फॉलो-अप इसे ठीक कर गया। अंतिम नतीजा फॉरेंसिक-ग्रेड नहीं है—"$1" थोड़ा खिंचा लगता है, मकई अलग है—पर लूप काम कर गया: खुरदरी शुरुआत, ठीक दिशा, तीन टर्न में उपयोगी नतीजा।

बहुभाषी टेक्स्ट रेंडरिंग का परीक्षण

ग़ैर-लैटिन लिपियों में टेक्स्ट रेंडरिंग इमेज मॉडलों की एक पुरानी कमजोरी रही है, और OpenAI ने इसे एक बड़े सुधार के रूप में रेखांकित किया है। रिलीज़ में जापानी, कोरियाई, चीनी, हिंदी और बांग्ला में उच्च-निष्ठा टेक्स्ट जेनरेशन का उल्लेख है—सिर्फ अनुवादित नहीं, बल्कि सुसंगत लेआउट और देशज-सी टाइपोग्राफी के साथ रेंडर किया गया। 

यहाँ एक निष्पक्ष टेस्ट है—इन लिपियों में से किसी एक में बड़े टेक्स्ट-ब्लॉक वाला पोस्टर या इन्फोग्राफिक माँगना और आउटपुट को देशज पाठक से जँचवाना। हमने मॉडल से एक आधुनिक जापानी लाइफस्टाइल पोस्टर माँगा जो एक काल्पनिक स्थानीय कॉफी शॉप और उनकी मौसमी चेरी ब्लॉसम लट्टे का विज्ञापन करे।

「居心地の良い日本のカフェの窓辺を描いた、モダンなグラフィックデザインスタイルのライフスタイルポスター。大きな窓から差し込む自然な光と、小さな観葉植物。ポスターの中央には、以下の日本語テキストが大きく、はっきりと読みやすく配置されている。フォントは現代的でクリーンなゴシック体（sans-serif）。

テキスト内容：
『桜フェア開催中。
心休まる場所で、
春の訪れを。
さくらラテ 650円』

テキストの下には、小さな文字で『HAVE A GOOD DAY』という英語のサブタイトルがあり、一番下にはロゴマークと『CAFE YUTORI』というローマ字の店名がある。全体的に暖かく、洗練されたレイアウト。」

आउटपुट कुछ ऐसा दिखता है:

हमारे जापानी बोलने वाले सहकर्मी (Sven को धन्यवाद!) के अनुसार, यह पहले के मॉडलों की तुलना में काफी बेहतर दिखता है, जहाँ कई अक्षर उलझे-से बेतुके होते थे। यह अधिक स्वाभाविक लगता है और देशज पाठकों द्वारा आसानी से पढ़ा जा सकता है।

थिंकिंग मोड में, इसने निचले बाएँ कोने में छोटे ब्लैकबोर्ड साइन पर प्रॉम्प्ट निर्देशों से परे कुछ वाक्य भी जोड़ दिए। वे संदर्भ में अच्छी तरह बैठते हैं और कुछ यूँ अनुवादित होते हैं: “मौसमी, कोमल स्वाद। आराम से एक ब्रेक लें—वह प्याला पिएँ जो आपको वसंत का अहसास दिलाए।”

थिंकिंग मोड और वेब सर्च का परीक्षण

हमें वेब सर्च क्षमताओं का परीक्षण करते समय थोड़ा सावधान रहना पड़ा, क्योंकि यदि आप प्रॉम्प्ट में मॉडल को वही बता दें जो आप चाहते हैं, तो आप सर्च नहीं, निर्देश-पालन का परीक्षण कर रहे हैं। सबसे साफ़ टेस्ट यह है कि किसी बहुत हालिया और बहुत विशिष्ट चीज़ के लिए कहें, मॉडल को लगभग कोई जानकारी न दें, और देखें कि क्या वह खाली स्थान सही ढंग से भर पाता है।

हमने कल के Boston Marathon को चुना। रेस सोमवार, 20 अप्रैल को खत्म हुई—ChatGPT Images 2.0 की घोषणा के एक दिन पहले—और पुरुषों का कोर्स रिकॉर्ड 2011 के बाद पहली बार टूटा। इससे तथ्यों का ठोस सेट मिलता है (विजेता, देश, समय, अंतर, संदर्भ) जो मॉडल के पास प्रशिक्षण से संभव नहीं हो सकता, लेकिन जिन्हें एक त्वरित खोज से आसानी से सत्यापित किया जा सकता है।

यह रहा प्रॉम्प्ट, जानबूझकर विवरणों से रहित। और परिणाम में आप देख सकते हैं कि मॉडल वास्तव में वेब सर्च करता है!

Create a celebratory poster-style infographic commemorating the course record set at yesterday's Boston Marathon. Include the winner's name, country, finish time, and the margin by which the previous record was broken. Include one or two additional stats or context details that make the achievement meaningful.

नतीजा विज़ुअली बहुत आकर्षक दिखता है और Boston Marathon के कलर कोड में रखा गया है, जो एक अच्छा बोनस है। बताए गए सभी तथ्य सटीक हैं, जिन्हें हमने दोबारा जाँचकर सत्यापित किया।

क्योंकि पुराना मॉडल (Images 1.5) वेब सर्च नहीं कर सकता था, हमें यकीन था कि पुराना मॉडल गलत जवाब देगा। फिर भी हमने उसी प्रॉम्प्ट से इसे परखा, और यह रहा नतीजा:

शैली के लिहाज़ से यह टक्कर दे सकता है, लेकिन यहाँ अंकों से जुड़े कई मसले हैं:

• यह दौड़ Boston Marathon का 130वाँ संस्करण थी, तो इसे “129 वर्षों की परंपरा” कहना चाहिए, 127 नहीं।
• यह दावा कि वह “इतिहास में 2:04 से कम समय में मैराथन दौड़ने वाला तीसरा धावक” है, गलत है। करीब 20 धावक ऐसा कर चुके हैं।
• Boston Athletic Association की वेबसाइट के अनुसार, उसका दूसरा हाफ टाइम 1:00:02 था, 1:01:05 नहीं (जो फिर भी अब तक का सबसे तेज़ दूसरा हाफ हो सकता था)
• सबसे महत्वपूर्ण, ChatGPT Images ने नए और पुराने रिकॉर्ड समयों में भ्रम किया। पुराना रिकॉर्ड 2:03:02 था; नया रिकॉर्ड 2:01:52 है। अंतर 1:10 मिनट है। साथ ही, 2:03:02 भी सही समय नहीं बताया गया था। 

ताज़ा जानकारी को विज़ुअली प्रस्तुत करने में सर्च क्षमताएँ फर्क डालती हैं। उन्हें इस्तेमाल करने के लिए थिंकिंग मोड सक्रिय होना चाहिए।

शैलीगत दायरे का परीक्षण

OpenAI फोटोग्राफी, इलस्ट्रेशन, मांगा, पिक्सेल आर्ट और अन्य विज़ुअल शैलियों में शैलीगत परिष्कार में वास्तविक बढ़त का दावा कर रहा है। ईमानदार टेस्ट यह नहीं कि कोई एकल इमेज अच्छी दिखती है या नहीं, बल्कि यह कि क्या एक ही विषय तीन अलग-अलग शैलियों में रेंडर होकर प्रत्येक जॉनर के अनुरूप स्वाभाविक लगता है, या सबमें एक ही AI-सा चमकता आवरण रहता है।

इसे परखने के लिए, हमने एक लकड़ी की वर्कबेंच पर एक एस्प्रेसो मशीन के तीन अलग-अलग संस्करण (फोटोग्राफी, मांगा, पिक्सेल आर्ट) माँगे। यहाँ प्रॉम्प्ट और परिणाम हैं:

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 35mm street photography, gritty, natural window lighting, Kodak Portra 400, shallow depth of field.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, Katsuhiro Otomo style.

यह दिलचस्प और कुछ विडंबनापूर्ण था, अगर याद करें कि Image 1 स्टूडियो घिबली मोंटाज के लिए मशहूर हुआ था जो सभी एक साल पहले बना रहे थे (हम भी)। लगता है OpenAI तब से कॉपीराइट और IP के बारे में अधिक सतर्क हो गया है।

Katsuhiro Otomo की शैली का उल्लेख किए बिना उसका वर्णन करने पर यह काम कर गया। ध्यान देने की एक बात यह है कि हमें इसे काम कराने के लिए नया चैट खोलना पड़ा। उसी चैट में, लगता है मॉडल समझ गया था कि हम ब्लॉक को दरकिनार करने की कोशिश कर रहे हैं।

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, hyper-detailed mechanical illustration, dramatic high contrast, retro-cyberpunk aesthetic.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 16-bit pixel art, isometric perspective, crisp edges, limited SNES color palette.

हमारी राय में, तीनों इमेज बहुत अच्छी लगती हैं और माँगी गई विशिष्ट शैलियों को प्रामाणिक रूप से दर्शाती हैं। फ़ोटोग्राफ़ बहुत स्वाभाविक दिखता है, और बाकी दोनों संस्करण क्रमशः किसी मांगा पुस्तक या SNES वीडियो गेम से सीधे लिए जा सकते हैं।

ऊपर के टेस्ट में एक और बात जो नज़र आती है, वह यह कि मॉडल ने हर इमेज के अनुकूल अपने लचीले आस्पेक्ट रेशियो का इस्तेमाल किया: फ़ोटोग्राफ़ के लिए 16:9 लैंडस्केप, मांगा संस्करण के लिए पोर्ट्रेट रेशियो, और पिक्सेल आर्ट के लिए स्क्वायर।

लचीले आस्पेक्ट रेशियो का परीक्षण

रिलीज़ 3:1 से 1:3 तक के आस्पेक्ट रेशियो और 2K तक के रेज़ोल्यूशन का समर्थन करती है। दिलचस्प सवाल यह नहीं कि क्या यह लंबी या चौड़ी इमेज बना सकती है—बल्कि यह है कि क्या मॉडल फॉर्मैट्स के बीच बुद्धिमानी से रीकंपोज़ करता है या सिर्फ क्रॉप करता है।

मॉडल की अंतर्निहित स्थानिक लॉजिक को उजागर करने के लिए, हमें कई अक्षों पर पृथक, अनिवार्य तत्वों वाला दृश्य चाहिए (कुछ ऊँचा, कुछ चौड़ा, और एक केंद्रीय विषय)।

टेस्ट के तौर पर, हमने अपने विषय (एक विशिष्ट सेटिंग में एक अंतरिक्ष यात्री) को एक बेस प्रॉम्प्ट से जेनरेट किया, फिर मॉडल से उसे मोबाइल वॉलपेपर, बैनर और स्क्वायर के रूप में फिर से बनाने के लिए कहा ताकि देखा जा सके कि कंपोज़िशन कैसे अनुकूलित होता है।

बेस प्रॉम्प्ट:

A lone astronaut standing on a rocky, desolate hill. To the far left, a massive, blocky futuristic rover is parked. In the sky directly above the astronaut, a gigantic, luminous ringed planet dominates the starry backdrop.

देखते हैं यह कैसे बदलता है:

Recreate the original image as a banner

Recreate the original image as a mobile wallpaper

Recreate the original image as a square

हर संस्करण ने रिक्वेस्ट के लिए उपयुक्त आस्पेक्ट रेशियो चुना, सभी महत्वपूर्ण तत्वों (अंतरिक्ष यात्री, रोवर, ग्रह) को शामिल किया, उन्हें मूल प्रॉम्प्ट के अनुरोधानुसार व्यवस्थित रखा, और यह सुनिश्चित किया कि वे केंद्रित रहें। टेस्ट पास।

खुरदरे इनपुट से परिष्कृत आउटपुट तक

थॉट-पार्टनर का ढाँचा इस बात पर टिका है कि मॉडल अस्पष्ट या अस्त-व्यस्त इनपुट—खुरदरा स्केच, बुलेटेड नोट, कुछ रेफरेंस—को लेकर एक तैयार असेट में बदल दे। रिलीज़ असल में इसी लूप के इर्द-गिर्द बनी है, और यही वह चीज़ है जिसे सीधे तौर पर परखना सबसे ज़्यादा मायने रखता है।

इसे परखने के लिए, हमने झील के पास एक केबिन का निम्न अत्यंत खुरदरा पेंसिल स्केच अपलोड किया:

इसे पेचीदा बनाने के लिए, इसमें कई विवरण हैं, डॉक के लिए फ़िनिश शब्द “laituri” का उपयोग है, और संभावित भ्रम पैदा होता है क्योंकि इसमें दो तरह की इमारतें (घर और केबिन) और दो तरह की जल सतहें (झील और तालाब) हैं

Turn this crude layout into a photorealistic, cinematic landscape of a modern cabin at sunset. Keep elements where I mapped them out. The cabin includes a sauna with smoke coming out of the chimney.

नॉन-थिंकिंग मोड में नतीजा ठीकठाक लगता है, पर बहुत फोटोरियलिस्टिक नहीं। फिर भी, लाइटिंग अच्छी तरह मेल खाती है और इमेज प्रॉम्प्ट के मूड को ठीक से पकड़ लेती है। हमें स्केच के लगभग सभी तत्त्वदिखते हैं। कुछ बातें ग़लत हैं:

• नाव गायब है
• डॉक झील पर नहीं, तालाब पर है
• सूरज की स्थिति ऊपर दाएँ कोने में नहीं है।

जब हमने उसी स्केच इमेज के साथ वही प्रॉम्प्ट थिंकिंग मोड में आज़माया, तो आउटपुट कहीं अधिक यथार्थवादी दिखा और छोटी सभी अशुद्धियाँ ठीक हो गईं:

इमेज में स्केच के हर तत्त्व अपनी तयशुदा स्थिति में मौजूद है और बहुत सुथरा दिखता है। मुख्य निष्कर्ष यह है कि खुरदरे स्केच को फोटोरियलिस्टिक इमेज में बदलने के लिए सर्वश्रेष्ठ नतीजों हेतु थिंकिंग मोड का उपयोग करें।

रचनात्मकता का परीक्षण

अगले टेस्ट के लिए, हम देखना चाहते थे कि क्या यह Niikuni Seiichi की कंक्रीट पोएट्री को फिर से बना सकता है। 

यह प्रसिद्ध कविता जापानी कांजी “बारिश” को दिखाती है, जो बारिश से घिरा है—हमारी नज़र में यह जैसे भाषा में बारिश को पकड़ना है।

यह रहा हमारा प्रॉम्प्ट:

Please recreate the concrete poetry of Niikuni Seiichi. I want to see "Ame" meaning Rain. But make it different using your creativity.

और यह रहा आउटपुट:

यह हमें दिलचस्प लगा। इसने इमेज को हूबहू नहीं बनाया, बल्कि कुछ और रचा जो आकर्षक था। नई रचना में “बारिश” का कांजी घिरा नहीं है बारिश से, बल्कि वह स्वयं बारिश बनकर बरस रहा है। प्रतीकों की रचना काफी अनियमित दिखती है, जैसा कि आप बारिश की बूँदों से उम्मीद करते हैं, पर यह बहुत सुसंगठित मूल रचना के साथ अच्छा कंट्रास्ट बनाती है।

मैं ChatGPT Images 2.0 तक कैसे पहुँच सकता/सकती हूँ?

पहले रिलीज़ की तरह ही एक्सेस का पैटर्न है। यह दिसंबर में पेश किए गए समर्पित क्रिएटिव वर्कस्पेस—कैनवास-स्टाइल एडिटर, स्थायी आर्टिफैक्ट्स, स्टाइल प्रीसेट्स—को बरकरार रखता है और नीचे एक कहीं अधिक सक्षम मॉडल लगा देता है।

• वेब, मोबाइल ऐप, और Codex: ChatGPT Images 2.0 फ्री, प्लस, और प्रो यूज़र्स के लिए Images टैब में उपलब्ध है, उपयोग सीमा टियर के अनुसार बढ़ती है। बिज़नेस और एंटरप्राइज़ एक्सेस आमतौर पर शुरुआती रोलआउट के बाद आता है।
• API: डेवलपर्स नए मॉडल को OpenAI API और Azure OpenAI Service के माध्यम से, इमेज जेनरेशन और एडिट एंडपॉइंट्स पर उपयोग कर सकते हैं। 1.5 की तरह, इमेज आउटपुट टोकन्स में प्राइस्ड है, और एडिट्स के दौरान आंशिक रीजनरेशन हर बार पूरी इमेज रीजनरेट करने की तुलना में लागत कम रखता है।

ChatGPT Images 2.0 बनाम Nano Banana 2

आप सोच रहे होंगे कि ChatGPT Images 2.0 की तुलना Nano Banana 2 से कैसी है। दोनों मॉडल हालिया हैं, अपने-अपने इकोसिस्टम में डिफ़ॉल्ट अनुभव हैं, और दोनों को गति, तर्क, और वास्तविक-विश्व बुद्धिमत्ता के इर्द-गिर्द पेश किया गया है।

कब उपयोग करें ChatGPT Images 2.0 बनाम Nano Banana 2

ChatGPT Images 2.0 का उपयोग करें जब…

• आपको रेफरेंस-निर्देशित एडिटिंग लूप चाहिए। मॉडल रेफरेंस इमेज स्वीकार करता है और टर्न-दर-टर्न लक्षित बदलाव (टेक्स्चर विवरण, पोजिशन सुधार, आस्पेक्ट रेशियो फ़िक्स) लागू करता है, और सादे-भाषा वाले फॉलो-अप्स बिना फिर से शुरू किए आउटपुट को भरोसेमंद रूप से दिशा देते हैं, जिससे टोकन्स भी बचते हैं
• आप खुरदरे इनपुट्स को परिष्कृत असेट्स में बदल रहे हैं। थिंकिंग मोड अस्पष्ट स्केच और स्थानिक निर्देशों को सटीक, फोटोरियलिस्टिक रचनाओं में हल कर देता है, जिनमें तत्त्व ठीक वैसे ही रखे होते हैं जैसा इरादा था
• इमेज के भीतर तथ्यात्मक सटीकता महत्वपूर्ण है। वेब सर्च ग्राउंडिंग लाइव जानकारी खींचता है और उसे सीधे इमेज के भीतर सही ढंग से रेंडर करता है, जिससे यह इवेंट पोस्टर्स, न्यूज़ इन्फोग्राफिक्स, या किसी भी ऐसे विज़ुअल के लिए भरोसेमंद बनता है जहाँ नंबर और नाम सही होने चाहिए। वेब सर्च सक्षम करने के लिए थिंकिंग मोड का उपयोग करना याद रखें

Nano Banana 2 का उपयोग करें जब…

• आप किसी दृश्य में विशिष्ट वास्तविक-विश्व विषयों या स्थानों को रख रहे हैं। Image Search Grounding Google से लाइव विज़ुअल रेफरेंस खींचता है, विशिष्ट स्थानों (GPS कोऑर्डिनेट्स तक) को सटीकता से पुनर्निर्मित करता है और उन्हें सब्जेक्ट-कंसिस्टेंट कैरेक्टर्स के साथ एक ही जेनरेशन में जोड़ता है
• आपको एक ही वर्कफ़्लो में कई कैरेक्टर्स और ऑब्जेक्ट्स में पहचान बनाए रखनी है। मॉडल सख्त सुसंगति के साथ पाँच तक कैरेक्टर्स और कुल चौदह रेफरेंसेज़ (कैरेक्टर्स + ऑब्जेक्ट्स) का स्पष्ट रूप से समर्थन करता है। इससे यह स्टोरीबोर्ड्स, प्रोडक्ट शॉट्स, या बहु-कैरेक्टर नैरेटिव्स के लिए एक मज़बूत विकल्प बनता है
• आप Google इकोसिस्टम में बना रहे हैं। Nano Banana नैटिवली Gemini चैट, Google Search, Google Ads, Firebase, और Vertex AI में एकीकृत है

इन-इमेज टेक्स्ट रेंडरिंग, शैलीगत दायरा, और संवादात्मक एडिटिंग के मामले में दोनों ही अच्छे विकल्प हैं।

अंतिम विचार

“विजुअल थॉट पार्टनर” का ढाँचा खरा उतरता है—लेकिन केवल थिंकिंग मोड ऑन होने पर। इसके बिना, मॉडल स्थानिक लॉजिक और फोटोरियलिज़्म से जूझता है; इसके साथ, यह अस्पष्ट इनपुट्स को ऐसे आउटपुट्स में बदलता है जो यांत्रिक के बजाय सहयोगी महसूस होते हैं। दो क्षेत्र जहाँ मॉडल थिंकिंग मोड के बिना भी चमकता है, वे हैं शैलीगत प्रामाणिकता और आस्पेक्ट रेशियो का लचीलापन।

वेब सर्च ग्राउंडिंग Images 1.5 पर सबसे बड़ा अपग्रेड महसूस होता है। Boston Marathon टेस्ट में हमने वह अंतर साफ़ देखा: 2.0 ने सभी तथ्य सही पकड़े, जबकि 1.5 अपडेटेड नहीं था। यह जानना महत्वपूर्ण है कि वेब सर्च भी केवल थिंकिंग मोड में ही काम करता है।

एक दिलचस्प निष्कर्ष यह था कि कॉपीराइट से जुड़े गार्डरेल्स कड़े हुए हैं, और यह झलकता है। यदि आप किसी कंपनी या व्यक्ति की पहचानी जाने वाली शैली को दोहराना चाहते हैं, तो आपको उनकी शैली के सार को पहचानकर उसका वर्णन करने का अतिरिक्त कदम उठाना पड़ता है (जो, तर्कसंगत रूप से, आजकल आसान है)।

कुल मिलाकर, यह मॉडल अपने पूर्ववर्ती पर एक महत्वपूर्ण अपग्रेड है और AI इमेज जेनरेशन और एडिटिंग में Nano Banana 2 की शीर्ष स्थिति को चुनौती देता है। 

ऐसे टूल्स का अधिकतम लाभ उठाने के लिए, प्रॉम्प्टिंग आना एक आवश्यक कौशल है। हम अत्यंत अनुशंसा करते हैं हमारे Understanding Prompt Engineering और Prompt Engineering with the OpenAI API कोर्सेज़—सैद्धांतिक और व्यावहारिक समझ के लिए।