GPT-4oとGemini-2.0の画像生成能力はいかにして作られているのか

はじめに Googleが2025年3月14日に発表したGemini-2.0と、続けてOpenAIが2025年3月26日に発表したGPT-4oの画像生成能力は、これまでの画像生成AIでは到達しえないレベルの制御性・品質での画像生成を実現しました。 ここ1年半ほど画像生成AIいじりを仕事にしてきた者としては、これまで積み上げてきた成果や進捗がすべて無に帰すレベルでの進化が突然起き、巨人にすべてを蹴散らされたという感じです。別のスキルを身につけたほうがいいかな… しかし一方で、この進化は決して1日にして為されたものではなく、これまでの研究成果が地道に蓄積された結果です。本記事では、その驚異的な画像生成能力、ひいてはAny-to-Anyの生成能力の裏にある技術的な背景を、分かる範囲でサクッと解説していきます。 これまでの画像生成AI TL;DR: これまで広く利用されてきた画像生成AIは、拡散モデ

[sato0427]

たこ焼きの作り方でベンチマークしてる人面白すぎるwww進化がわかりやすいので良い手だなこれ

[mobius118_7]

“私は職を失ってしまうかもしれませんが、相変わらず面白い領域です。”

[napsucks]

ムーアの法則が明らかに失速してきたこのタイミングでようやく人類はAIを実現しシンギュラリティに手が届きそうになっている。ほんとここ数年は奇跡のタイミングだったんだなと思う。性能が1/10だったら無理だった。

[kei_1010]

そのうち推論にも画像や図を生成して、それを参考にまた推論を進める、みたいな事が出来てきたら思考能力も上がりそう。

[stealthinu]

マルチモーダル手法この２年で一気に伸びたんだな。すごい参考になった。あと『私は職を失ってしまうかもしれませんが相変わらず面白い領域です』もこの領域追ってる人こそ強く感じてるよね。

[KoshianX]

へええ、いまの画像生成AIは拡散モデルじゃなくて自己回帰モデルってやつなのか。規模が効くということなら画像生成AIのモデルもクソデカ VRAM 使うようになっていくのかな……

[collectedseptember]

単語と絵の対応を学習する際の手順がdifusion系とは全く違うっぽい

[ame774]

“GPT-4oとGemini-2.0”

[misshiki]

“GPT-4oとGemini-2.0のAny-to-Anyモデルの裏にある技術的な背景を、分かる範囲で解説”

[toaruR]

凄さがむっちゃ伝わってくる(*´д｀*)

[peketamin]

理想的な粒度でまとめてくださって感謝！(ただ、なるほどわからん状態ではあるが)

[diabah_blue]

最後の一文がすごい。

[otoan52]

画像のトークンとか、bug of keypoints時代からみると隔世の感があるよなぁ。あれがそれなりに動いてた理由ももう説明できるんだろうな。

[otihateten3510]

たこ焼きの作り方って確かに難易度高いよね、画像的にね

[yarumato]

“これまでの画像生成AI（Stable Diffusion、Flux.1、DALL-E 3）は拡散モデル設計を基盤。それとは全く異なる、自己回帰モデルを画像生成に応用すると、言語モデルの膨大な知見を画像生成にも流用できる。Any-to-Anyモデル”

[webnoshiori]

こうするともっと良くなるんじゃないか、という人間の探究心と英知恐ろしいな。

[eroyama]

詳しそう

[kazuph1986]

はぁー、今一番読みたい記事だった。