اوپن‌ای‌آی قابلیت جدیدی با نام تصاویر در چت‌جی‌پی‌تی به چت‌بات خود اضافه کرده و از مدل جی‌پی‌تی-۴او برای تولید عکس در این محیط بهره میبرد. این ویژگی دقت رنگ‌ها و رندر متن در تصاویر را به می‌زان قابل‌توجه‌ی ارتقا داده است.
به گفته تارا کریستینسن، سخنگوی اوپن‌ای‌آی، این قابلیت از امروز در دسترس تمام کاربران قرار گرفته است. او افزود که کاربران نسخه رایگان چت‌جی‌پی‌تی با وجود برخی محدودیت‌ها، از نظر تعداد تصاویر درخواستی محدودیتی ندارند و این محدودیت‌ها نیز بر اساس تقاضای کاربران ممکن است در آینده تغییر کند.
گابریل گو، مدیر تیم تحقیقاتی اوپن‌ای‌آی، در گفتگو با وب‌سایت ورج از نتایج مثبت این ویژگی خبر داد. او اشاره کرد که از مدل جی‌پی‌تی-۴او امنی‌مودال برای پردازش و گسترش این قابلیت استفاده شده است؛ مدلی که توانایی پردازش انواع داده‌ها را دارد.
او از بهبود قابل‌توجه در ویژگی بایندینگ یا اتصال عناصر در ساخت تصاویر گفت مدل‌های قدیمی بیشتر در حفظ انسجام تصاویر مشکل داشتند، مخصوصا وقتی عناصر بیش‌تری به عکس‌ها اضافه می‌کردیم. برای مثال ممکن بود مدل هوش مصنوعی به جای ساخت یک ستاره آبی و یک مثلث قرمز، یک ستاره قرمز و یک مثلث آبی بسازد. این مشکل در چت‌جی‌پی‌تی برطرف شده و مدل جدید می‌تواند بین ۱۵ تا ۲۰ عنصر را به‌درستی در عکس قرار دهد، در حالی که مدل‌های قدیمی تنها می‌توانستند ۵ تا ۸ عنصر را بدون خطا تشکیل دهند.
<figcaption class="wp-element-caption"عکس ساخته‌شده با Images in ChatGPT
گابریل گو افزود که این ویژگی از رویکرد اتورگریسیو یا خودرگرسیو بهره میبرد؛ یعنی چت‌جی‌پی‌تی تصاویر را همانند نوشتن متون، به صورت تدریجی از بالا به پایین و از چپ به راست می‌سازد. در حالی که مدل‌های قبلی مانند دال-ای بر پایه مدل دیفیوژن کل عکس را به‌صورت همزمان پردازش و طراحی می‌کردند. همین رویکرد به نظر می‌رسد باعث بهبود یکپارچگی تصاویر شده است.
مدیر تیم تحقیقاتی اوپن‌ای‌آی این قابلیت را نتیجه تست‌های متعدد و تکراری تیمش در ماه‌های اخیر می‌داند. او گفت که این ویژگی در پردازش متون ریز و کوچک در تصاویر همچنان چالش دارد، اما در مجموع کیفیت متن و تصاویر را به‌صورت همزمان حفظ می‌کند.
