Wariacje i iteracje
Na tej stronie
Zaktualizowano 2 listopada 2026 — Modele obrazowe. Model
gpt-image-1, dla którego pierwotnie napisano ten kurs, został wycofany 23 października 2026. Dodatkowo modelegpt-image-1.5,gpt-image-1-miniorazchatgpt-image-latestprzestaną być dostępne 1 grudnia 2026. Przykłady wykorzystują obecnie modelgpt-image-2.5-sunburst, który oferuje najwyższą precyzję podczas edycji; modelgpt-image-2.5-flarejest szybszy przy standardowej generacji. Oba modele obsługują również ustawienia jakościxhighimax. Modele GPT Image zawsze zwracają obrazy w formacie base64: parametrresponse_formatznany ze starszych modeli DALL·E nie jest już akceptowany i został usunięty z kodu. Źródło: Image generation (OpenAI).
Wariacje i iteracje
Uzyskanie idealnego obrazu za pierwszym razem zdarza się rzadko. Prawdziwa praca polega na generowaniu wariacji, porównywaniu ich, a następnie stopniowym doprecyzowywaniu promptu, aż osiągniesz pożądany rezultat. Ta lekcja dostarcza Ci trzech narzędzi do tej metody: wariacji poprzez ponowne uruchomienie, wariacji poprzez modyfikację promptu oraz iteracji poprzez successive refinement (stopniowe udoskonalanie).
Generowanie wariacji tego samego konceptu
Najprostszą metodą jest ponowne uruchomienie generacji z tym samym promptem: GPT Image za każdym razem produkuje inny wynik. Jest to przydatne na początku eksploracji, gdy jeszcze nie wiesz dokładnie, czego szukasz i chcesz zobaczyć zakres możliwych interpretacji danego pomysłu.
from openai import OpenAI
import base64
client = OpenAI()
def generate_variations(prompt: str, n_variations: int, prefix: str):
"""Generate several independent variations of the same 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"Variation {i+1} saved: {path}")
return paths
variations = generate_variations(
prompt="Illustration of a gardener robot watering flowers, childish and colorful style",
n_variations=5,
prefix="gardener_robot"
)
Wariacje poprzez modyfikację promptu
Poprzednie podejście pozostawia Cię z losowością; to daje Ci kontrolę. Ustalasz niezmienny temat – tutaj jest to parująca filiżanka kawy na drewnianym stole – i zmieniasz tylko jeden wymiar: nastrój. Pięć wynikowych obrazów staje się wtedy porównywalnych, ponieważ wiesz dokładnie, co je różni. To właśnie różnica między pięcioma próbami a eksperymentem.
from openai import OpenAI
import base64
client = OpenAI()
base_prompt = "Steaming coffee cup on a wooden table"
moods = [
"soft morning light, warm tones",
"Parisian café vibe, black and white",
"pop art style, saturated colors",
"Scandinavian minimalist, white background",
"cozy winter atmosphere, bokeh string lights",
]
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"Mood: {mood[:30]}... → {path}")
Iteracja poprzez doprecyzowywanie promptu
Gdy wynik nie jest satysfakcjonujący, właściwą reakcją nie jest ponowne uruchomienie i liczenie na szczęście, lecz dodanie brakującego ograniczenia. Poniższa seria pokazuje tę progresję na konkretnym przykładzie: „Logo dla startupu fintech“ nie mówi modelowi nic; druga iteracja ogranicza liczbę kolorów i tło; trzecia nazywa metaforę wizualną i paletę; czwarta schodzi do kodów hex i grubości obrysu. Z każdym przebiegiem przestrzeń możliwych wyników zawęża się, a powtarzalność rośnie.
from openai import OpenAI
import base64
client = OpenAI()
iterations = [
# Iteration 1: base prompt
"A logo for a fintech startup",
# Iteration 2: adding visual constraints
"A logo for a fintech startup, minimalist design, maximum two colors, transparent background",
# Iteration 3: style precision
(
"Minimalist logo for a fintech startup, abstract geometric icon "
"evoking growth, navy blue and emerald green palette, no text, vector style"
),
# Iteration 4: fine adjustments
(
"Minimalist logo for a fintech startup, abstract geometric icon: "
"two interlocking arrows forming a diamond, navy blue (#1B2A4A) and "
"emerald green (#2ECC71), 2px thin stroke, white background, sharp vector render, centered"
),
]
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"Iteration {i+1}: {prompt[:60]}...")
print(f" → {path}\n")
Zautomatyzowany potok iteracji
Przy nieco dłuższym projekcie ludzka pamięć nie wystarcza: po piętnastu obrazach nie wiesz już, który prompt wygenerował który wynik. Poniższy potok strukturyzuje pracę w rundy, generuje kilka wariantów na rundę, nazywa pliki w sposób umożliwiający śledzenie pochodzenia i przechowuje pełną historię promptów w pliku JSON. To właśnie ten plik historii czyni to rozwiązanie wartościowym: pozwala cofnąć się i capitalize (budować kapitał wiedzy) z jednego projektu na kolejny.
from openai import OpenAI
import base64
import json
client = OpenAI()
def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
"""
Iteration pipeline: generates several variants per round,
keeps a history of prompts and results.
"""
history = []
current_prompt = brief
for round_num in range(1, n_rounds + 1):
print(f"\n{'='*50}")
print(f"ROUND {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" Variant {i+1}: {path}")
history.append({
"round": round_num,
"prompt": current_prompt,
"images": round_images
})
# Refine the prompt for the next round
if round_num < n_rounds:
current_prompt += ", more details, better composition"
# Save the history
with open("pipeline_history.json", "w") as f:
json.dump(history, f, indent=2, ensure_ascii=False)
print(f"\nHistory saved: pipeline_history.json")
return history
iteration_pipeline(
brief="Illustration of an independent bookstore seen from outside, autumn evening, Ghibli style",
n_rounds=3,
n_per_round=3
)
Porównywanie wariacji w katalogu
Otwieranie dziewięciu plików PNG po kolei w przeglądarce nie pozwala na żadne poważne porównanie. Zamiast tego wygeneruj stronę HTML, która wyświetli je obok siebie, z obrazami zakodowanymi w base64, dzięki czemu plik jest samowystarczalny i można go udostępnić klientowi lub dyrektorowi artystycznemu „tak jak jest“.
import base64
from pathlib import Path
from glob import glob
def generate_catalog(images: list[str], title: str, output: str = "catalog.html"):
"""Create an HTML page with all images side by side."""
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"Catalog generated: {output}")
images = sorted(glob("pipeline_r*_v*.png"))
generate_catalog(images, "Variations — Ghibli Bookstore")
Dyscyplina iteracji
Kilka zasad oddziela produktywną iterację od kosztownych prób i błędów. Zmieniaj tylko jeden parametr na raz, w przeciwnym razie nigdy nie dowiesz się, który z nich poprawił wynik. Prowadź historię swoich promptów i renderów, tak jak robi to powyższy potok, aby budować kapitał wiedzy zamiast zaczynać od zera przy każdym projekcie. Pracuj w trybie quality: low przez całą fazę eksploracji i przełącz się na high tylko dla finalnego renderu, inaczej zapłacisz fortunę za obrazy, które i tak wyrzucisz. Gdy szukasz po prostu szybkiej różnorodności, preferuj pojedyncze wywołanie z parametrem n zamiast pętli żądań. Na koniec nazywaj swoje pliki opisowo: to trywialny szczegół pierwszego dnia, ale decydujący po dwóch setkach obrazów.
Teraz zastosuj tę pełną sekwencję do wybranego przez siebie tematu – logo, ilustracji lub zdjęcia produktu. Wygeneruj trzy warianty z początkowym promptem, doprecyzuj ten prompt w świetle wyników, wygeneruj trzy nowe warianty, a następnie stwórz porównawczy katalog HTML zawierający sześć obrazów.