ChatGPT Images 2.5 با معرفی قابلیت Sketch امکان تبدیل یک طرح دستی ساده به تصویر کامل را فراهم کرده است. این قابلیت برای زمانی کاربرد دارد که توضیح جای دقیق سوژه‌ها با متن دشوار است؛ می‌توانید ابتدا چیدمان کلی را بکشید و سپس سبک و جزئیات تصویر را با متن مشخص کنید. OpenAI اعلام کرده که Images 2.5 علاوه بر این قابلیت، در کیفیت تصویر و ویرایش چندمرحله‌ای نیز بهبود پیدا کرده و سرعت تولید تصویر را تا ۵۰ درصد نسبت به Images 2.0 افزایش داده است.

در این نسخه، متن را کوتاه و پاسخ‌محور نگه داشتم و جزئیات مهم مربوط به نحوه بازی GPT-6 Astra و هزینه آزمایش را هم اضافه کردم. اطلاعات مربوط به اجرای Portal با گزارش‌های منتشرشده درباره این آزمایش تطبیق داده شده است.

GPT-6 Astra در یک آزمایش مستقل توانست بازی Portal را بدون کنترل مستقیم انسان تا پایان پیش ببرد؛ اتفاقی که نشان می‌دهد مدل‌های هوش مصنوعی جدید در درک تصویر، برنامه‌ریزی چندمرحله‌ای و کنترل نرم‌افزارها وارد مرحله‌ای متفاوت شده‌اند. با این حال، این آزمایش برخلاف چیزی که ویدئوی کوتاه آن نشان می‌دهد، در چند ساعت تمام نشد و اجرای کامل آن تقریباً یک شبانه‌روز طول کشید.

در این آزمایش GPT-6 Astra از طریق ابزارهای متصل به بازی، تصاویر محیط و اطلاعات موقعیت بازیکن را دریافت می‌کرد و سپس برای حرکت بعدی تصمیم می‌گرفت. بازی هنگام پردازش مدل متوقف می‌شد و بعد از آماده شدن فرمان‌ها دوباره ادامه پیدا می‌کرد.

SillyTavern چیست؟ معرفی کامل لانچر چت هوش مصنوعی رایگان و متن‌باز برای کاربران حرفه‌ای

اگر چت‌بات‌هایی مثل چت‌جی‌پی‌تی برایتان بیش از حد ساده هستند و می‌خواهید کنترل بیشتری روی مدل، پرامپت، شخصیت، حافظه و نحوه تولید پاسخ داشته باشید، SillyTavern یکی از قدرتمندترین گزینه‌های متن‌باز است. این برنامه خودش مدل هوش مصنوعی نیست؛ بلکه یک رابط کاربری محلی برای اتصال به مدل‌های مختلف متنی، تصویری و صوتی محسوب می‌شود. پروژه SillyTavern رایگان و متن‌باز است و تحت مجوز AGPL-3.0 منتشر شده است.

مزیت اصلی آن انعطاف‌پذیری است. می‌توان SillyTavern را به مدل‌های محلی یا سرویس‌های آنلاین متصل کرد و تنظیمات تولید متن و ساختار پرامپت را بسیار دقیق‌تر از یک چت‌بات معمولی کنترل کرد. در مقابل، همین امکانات باعث شده راه‌اندازی و استفاده از آن برای کاربران تازه‌کار ساده نباشد.

وقتی صحبت از این می‌شود که «چطور این فایل را وارد ChatGPT کنم؟»، معمولاً PDF اولین پاسخی است که به ذهن می‌رسد؛ حتی زمانی که فایل اصلی می‌تواند ساختار بسیار مفیدتری را حفظ کند. PDF در درجه اول برای حفظ ظاهر ثابت یک سند طراحی شده است. اگرچه PDFهای استاندارد می‌توانند برچسب‌ها و ساختار منطقی داشته باشند، خروجی گرفتن از فایل‌های دیگر معمولاً صفحات گسترده و اسلایدها و سایر فایل‌های کاری را به صفحاتی تبدیل می‌کند که تحلیل دقیق آن‌ها دشوارتر است.

در چنین شرایطی، ممکن است ارتباط واضح بین ستون‌های جدول از بین برود، ترتیب خواندن متن‌های چندستونه به‌هم بخورد و فرمول‌ها نیز پشت مقادیر نهایی که نمایش داده می‌شوند پنهان شوند.

اگر زیاد از ابزارهای هوش مصنوعی برای برنامه‌نویسی استفاده می‌کنید، احتمالاً با یک مشکل آشنا هستید: محدودیت توکن‌ها زودتر از چیزی که انتظار دارید تمام می‌شود. در نگاه اول شاید راه‌حل منطقی این باشد که سراغ یک پلن گران‌تر بروید، اما همیشه این‌طور نیست.

گاهی مشکل از مقدار کاری که انجام می‌دهید نیست؛ بلکه از نحوه انتقال Context به مدل است. نگه‌داشتن یک گفت‌وگوی بسیار طولانی می‌تواند باعث شود اطلاعات زیادی همراه هر درخواست دوباره در اختیار مدل قرار بگیرد. در Codex می‌توان بخشی از این اطلاعات و دستورالعمل‌های تکراری را به یک Skill تبدیل کرد و به جای حمل کردن تاریخچه یک گفت‌وگوی طولانی، همان دستورالعمل‌های موردنیاز را در پروژه‌های جدید دوباره به کار گرفت.

مستندات رسمی OpenAI نیز Skills را به عنوان گردش‌کارهای قابل استفاده مجدد معرفی می‌کند که می‌توانند شامل دستورالعمل‌ها، مثال‌ها، کد و منابع موردنیاز برای انجام یک کار مشخص باشند. Codex نیز از Skills برای اجرای کارهای تکراری و تخصصی با روندی ثابت استفاده می‌کند.

وقتی آدم مشغول ایده پردازی می شه، خیلی راحت از موضوع اصلی دور می افته. یه ایده شروع می شه، بعد کم کم شاخه های جدید باز می شن و گاهی سر از موضوعاتی درمیارن که اصلاً ربطی به بحث اول نداشتن. قبلاً می شد برای پیدا کردن سریع اطلاعات از جستجوی ChatGPT استفاده کرد و با حالت صوتی ChatGPT درباره ایده ها بیشتر صحبت کرد، ولی یه مشکل آزاردهنده وجود داشت: همیشه نمی شد وسط حرف چت جی پی تی صحبت کرد.

این موضوع وقتی دردسرساز می شد که لازم بود درباره چیزی که تازه گفته بود توضیح بیشتری گرفته بشه. چون باید صبر میکردیم تا حرفش تمام بشه و همین انتظار گاهی باعث می شد سؤال اصلی کاملاً از یاد آدم بره!

اما در ۸ ژوئیه ۲۰۲۶، OpenAI مدل GPT-Live-1 رو منتشر کرد و صحبت کردن با ChatGPT یه شکل کاملاً متفاوت به خودش گرفت. دیگه لازم نیست منتظر بمونید حالت صوتی ChatGPT ساکت بشه تا بتونید حرف بزنید. برای اولین بار، مکالمه با ChatGPT خیلی بیشتر شبیه صحبت کردن با یه آدم واقعی شده.

واکنش های چت جی پی تیبه بعضی حرف ها هم کاملاً متفاوت بود. بعد از امتحان کردنش برای ایده پردازی و چند گفتگوی روزمره، مشخص شد که این تغییر فقط یه قابلیت معمولی نیست و واقعاً تجربه کار با ChatGPT رو عوض می کنه.

در ادامه جزئیات بیشتر در مورد قابلیت چت زنده چت جی پی تی رو بررسی میکنیم. با ساده‌گو همراه باشید.