يفسّر ChatGPT الأوامر النصية المعقدة عبر عدة مراحل ذكية تجعل الصورة النهائية دقيقة ومطابقة للوصف:
1. تحليل الجملة وتقسيمها
باستخدام معالجة اللغة الطبيعية يتم تفكيك النص إلى عناصر:
الكائنات (شخص، حيوان…)
الصفات (ألوان، حجم…)
الأسلوب (واقعي، كرتوني…)
العلاقات (أمام، خلف، فوق…)
2. فهم العلاقات والسياق
تقنية المحوّلات تساعد النموذج على فهم ترتيب الكلمات وربطها ببعض، مثل:
“قطة على طاولة بجانب نافذة” → يحدد موقع كل عنصر بدقة.
3. تحويل المعنى إلى تمثيل رقمي غني
يتم تحويل النص إلى “خريطة معنى” (Embeddings) تحتوي على كل التفاصيل الدقيقة، وليس مجرد كلمات منفصلة.
4. موازنة التفاصيل المعقدة
النموذج يحدد الأهم في الوصف (مثلاً: الأسلوب أهم من الخلفية أحيانًا) ويوازن بين العناصر حتى لا تتعارض.
5. توجيه عملية توليد الصورة
نموذج مثل DALL·E يستخدم هذه المعلومات لتوجيه نماذج الانتشار أثناء توليد الصورة خطوة بخطوة.
6. تحسين تدريجي مع الالتزام بالتفاصيل
في كل مرحلة، يتم التأكد أن الصورة تقترب أكثر من الوصف (مثلاً: الحفاظ على “إضاءة غروب” أو “أسلوب أنمي”).
الخلاصة:
النموذج لا “يقرأ” النص فقط، بل يفهم العلاقات والسياق، ثم يترجمها إلى تعليمات دقيقة تتحكم في كل جزء من الصورة أثناء إنشائها.