Varjazzjonijiet u Iterazzjonijiet
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — Mudelli tal-immaġni.
gpt-image-1, il-mudell li għalih inkitbet oriġinarjament din il-kors, ġie interrott fil-23 ta’ Ottubru, 2026. Barra minn hekk,gpt-image-1.5,gpt-image-1-mini, uchatgpt-image-latestse jiġu rtirati fl-1 ta’ Diċembru, 2026. L-eżempji issa jużawgpt-image-2.5-sunburst, li joffri l-ogħla preċiżjoni għall-editjar;gpt-image-2.5-flarehuwa aktar mgħaġġel għall-ġenerazzjoni standard. Iż-żewġ mudelli jappoġġjaw ukoll il-konfigurazzjonijiet tal-kwalitàxhighumax. Il-mudelli GPT Image dejjem jirritornaw immaġni f’base64: il-parametruresponse_formatminn mudelli DALL·E aktar antiki m’għadux aċċettat u tneħħa mill-kodiċi. Sors: Image generation (OpenAI).
Varjazzjonijiet u Iterazzjonijiet
Huwa rari li tikseb l-immaġni perfetta mill-ewwel tentattiv. Ix-xogħol reali jinvolvi l-ġenerazzjoni ta’ varjazzjonijiet, it-tqabbil tagħhom, u mbagħad it-tisjir progressiv tal-prompt sakemm tilħaq ir-riżultat mixtieq. Din il-lezzjoni tagħtik it-tliet għodod għal dan il-metodu: varjazzjoni billi terġa’ tgħaddi l-proċess, varjazzjoni billi timmodifika l-prompt, u iterazzjoni permezz ta’ raffinar suċċessiv.
Ġenerazzjoni ta’ Varjazzjonijiet tal-Istess Kunċett
L-aktar metodu sempliċi huwa li terġa’ tgħaddi l-ġenerazzjoni bl-istess prompt: GPT Image jipproduċi riżultat differenti kull darba. Dan huwa utli fil-bidu tal-esplorazzjoni, meta għadek ma tafx eżattament x’inhu qed tfittex u trid tara l-firxa ta’ interpretazzjonijiet possibbli ta’ idea.
from openai import OpenAI
import base64
client = OpenAI()
def generate_variations(prompt: str, n_variations: int, prefix: str):
"""Iġġenera diversi varjazzjonijiet indipendenti tal-istess prompt."""
paths = []
for i in range(n_variations):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="medium",
)
path = f"{prefix}_v{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
paths.append(path)
print(f"Varjazzjoni {i+1} salvata: {path}")
return paths
variations = generate_variations(
prompt="Illustrazzjoni ta' robot gardinar jiswa l-fjuri, stil tfalikuluritu",
n_variations=5,
prefix="gardener_robot"
)
Varjazzjonijiet billi Timmodifika l-Prompt
L-approċċ preċedenti jħallik mar-randomness; dan jagħtik il-kontroll. Tiffissa suġġett invarjabbli—hawnhekk, tazza kafje duħħana fuq mejda tal-injam—u tmexxi biss dimensjoni waħda: il-burdata. Il-ħames riżultati mbagħad isiru komparabbli, peress li taf eżattament x’jiddistingwihom. Din hija d-differenza bejn ħames tentattivi u esperiment.
from openai import OpenAI
import base64
client = OpenAI()
base_prompt = "Tazza kafje duħħana fuq mejda tal-injam"
moods = [
"dawl ta' filgħodu artab, toni sħan",
"vibe ta' kafetterija Pariġina, abjad u iswed",
"stil pop art, kuluri saturati",
"minimalista Skandinavu, sfond abjad",
"atmosfera komda tax-xitwa, dwal tal-filigran bokeh",
]
for i, mood in enumerate(moods):
prompt = f"{base_prompt}, {mood}"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="medium",
)
path = f"cafe_mood_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Burdata: {mood[:30]}... → {path}")
Iterazzjoni billi Tirraffina l-Prompt
Meta r-riżultat ma jkunx sodisfaċenti, ir-reazzjoni t-tajba mhix li terġa’ tgħaddi u tittama f’aktar xorti, iżda li żżid il-vinċolu nieqes. Is-serje hawn taħt turi din il-progressjoni f’eżempju maħdum: “Logo għal startup fintech” ma tgħid xejn lill-mudell; it-tieni iterazzjoni tillimita n-numru ta’ kuluri u l-isfond; it-tielet isemmi l-metafora viżiva u l-paletta; ir-raba’ tinżel għal kodiċijiet hex u wisa’ tal-linja. Ma’ kull pass, l-ispazju tar-riżultati possibbli jiddejjaq u r-riproduċibbiltà tiżdied.
from openai import OpenAI
import base64
client = OpenAI()
iterations = [
# Iterazzjoni 1: prompt bażiku
"Logo għal startup fintech",
# Iterazzjoni 2: żieda ta' vinċoli viżivi
"Logo għal startup fintech, disinn minimalista, massimu żewġ kuluri, sfond trasparenti",
# Iterazzjoni 3: preċiżjoni tal-istil
(
"Logo minimalista għal startup fintech, ikona ġeometrika astratta "
"li tevoke t-tkabbir, paletta blu navy u aħdar smerald, ebda test, stil vettur"
),
# Iterazzjoni 4: aġġustamenti fini
(
"Logo minimalista għal startup fintech, ikona ġeometrika astratta: "
"żewġ vleġeġ imħallta li jiffurmaw djamant, blu navy (#1B2A4A) u "
"aħdar smerald (#2ECC71), linja rqiqa ta' 2px, sfond abjad, render vettur sharp, iċċentrat"
),
]
for i, prompt in enumerate(iterations):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
path = f"logo_iteration_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Iterazzjoni {i+1}: {prompt[:60]}...")
print(f" → {path}\n")
Pipeline ta’ Iterazzjoni Awtomatizzata
F’proġett ftit itwal, il-memorja umana mhix biżżejjed: wara ħmistax-il immaġni, ma tkunx taf liema prompt ipproduċa liema riżultat. Il-pipeline li ġejja tistruttura x-xogħol f’dawriet, tiġġenera diversi varjanti għal kull dawra, tsemmi l-fajls b’mod traċċabbli, u żżomm l-istorja sħiħa tal-prompts f’fajl JSON. Dan il-fajl tal-istorja huwa dak li jagħmel l-installazzjoni prezzjuża: jippermettilek terġa’ lura u takkumula minn proġett għall-ieħor.
from openai import OpenAI
import base64
import json
client = OpenAI()
def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
"""
Pipeline ta' iterazzjoni: tiġġenera diversi varjanti għal kull dawra,
iżżomm storja tal-prompts u r-riżultati.
"""
history = []
current_prompt = brief
for round_num in range(1, n_rounds + 1):
print(f"\n{'='*50}")
print(f"DAWRA {round_num} — Prompt: {current_prompt[:80]}...")
print(f"{'='*50}")
round_images = []
for i in range(n_per_round):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=current_prompt,
size="1024x1024",
quality="medium",
)
path = f"pipeline_r{round_num}_v{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
round_images.append(path)
print(f" Varjant {i+1}: {path}")
history.append({
"round": round_num,
"prompt": current_prompt,
"images": round_images
})
# Irraffina l-prompt għad-dawra li jmiss
if round_num < n_rounds:
current_prompt += ", aktar dettalji, kompożizzjoni aħjar"
# Salva l-istorja
with open("pipeline_history.json", "w") as f:
json.dump(history, f, indent=2, ensure_ascii=False)
print(f"\nStorja salvata: pipeline_history.json")
return history
iteration_pipeline(
brief="Illustrazzjoni ta' ħanut tal-kotba indipendenti meħud minn barra, filgħaxija tal-ħarifa, stil Ghibli",
n_rounds=3,
n_per_round=3
)
Tqabbil ta’ Varjazzjonijiet f’Katalgu
Il-ftuħ ta’ disa’ fajls PNG wieħed wara l-ieħor f’viewer ma jippermetti l-ebda tqabbil serju. Minflok, iġġenera paġna HTML li turihom ħdejn xulxin, bl-immaġni kodifikati f’base64 sabiex il-fajl ikun awtosuffiċjenti u jista’ jiġi kondiviż hekk kif inhu ma’ klijent jew direttur artistiku.
import base64
from pathlib import Path
from glob import glob
def generate_catalog(images: list[str], title: str, output: str = "catalog.html"):
"""Oħloq paġna HTML bl-immaġni kollha ħdejn xulxin."""
html_parts = [
'<!DOCTYPE html><html><head><meta charset="utf-8">',
f'<title>{title}</title>',
'<style>',
'body { background: #111; color: #fff; font-family: sans-serif; padding: 2rem; }',
'.grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(300px, 1fr)); gap: 1rem; }',
'.card { background: #222; border-radius: 8px; overflow: hidden; }',
'.card img { width: 100%; display: block; }',
'.card p { padding: 0.5rem 1rem; font-size: 0.85rem; color: #aaa; }',
'</style></head><body>',
f'<h1>{title}</h1><div class="grid">',
]
for img_path in images:
with open(img_path, "rb") as f:
b64 = base64.b64encode(f.read()).decode()
html_parts.append(f'<div class="card">')
html_parts.append(f'<img src="data:image/png;base64,{b64}" />')
html_parts.append(f'<p>{Path(img_path).name}</p></div>')
html_parts.append('</div></body></html>')
with open(output, "w") as f:
f.write("\n".join(html_parts))
print(f"Katalgu ġġenerat: {output}")
images = sorted(glob("pipeline_r*_v*.png"))
generate_catalog(images, "Varjazzjonijiet — Ħanut tal-Kotba Ghibli")
Id-Dixxiplina tal-Iterazzjoni
Xi ftit prinċipji jisseparaw l-iterazzjoni produttiva mill-prova u l-iżball kostuż. Ibiddel parametru wieħed biss kull darba, inkella qatt ma tkun taf liema wieħed ittejjeb ir-riżultat. Żomm storja tal-prompts u r-renders tiegħek, kif jagħmel il-pipeline hawn fuq, biex takkumula minflok ma tibda mill-bidu fuq kull proġett. Aħdem b’quality: low matul il-fażi kollha tal-esplorazzjoni u ibdel għal high biss għar-render finali, inkella se tħallas prezz għoli għal immaġni li se tarmi. Meta tkun qed tfittex sempliċiment diversità mgħaġġla, ippreferi sejħa waħda bil-parametru n minflok loop ta’ talbiet. Fl-aħħar nett, semmi l-fajls tiegħek b’mod deskrittiv: huwa dettall trivjali l-ewwel jum, deċiżiv wara mitejn immaġni.
Issa applika din is-sekwenza sħiħa għal suġġett tal-għażla tiegħek—logo, illustrazzjoni, jew ritratt ta’ prodott. Iġġenera tliet varjanti b’prompt inizjali, irraffina dak il-prompt fid-dawl tar-riżultati, iġġenera tliet varjanti ġodda, u mbagħad ipproduċi l-katalgu HTML komparattiv tas-sitt immaġni.