Тест связки GPT Image 2 и Gemini Omni 1.2 Flash для создания анимированных пиксель-арт ассетов
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Авторы протестировали совместную работу моделей генерации изображений GPT Image 2 и видео Gemini Omni 1.2 Flash на примере пятнадцати игровых объектов. Связка демонстрирует высокую скорость работы и качество анимаций, однако модель Google периодически игнорирует технические требования к формату фона.
Материал иллюстрирует практическое применение современных мультимодальных моделей в геймдеве, показывая их сильные стороны и типичные ограничения при создании динамичных визуальных элементов.
В обзоре на Habr AI рассматривается эффективность связки двух нейросетевых моделей: GPT Image 2 от OpenAI и Gemini Omni 1.2 Flash от Google. Первая модель выделяется однопроходной архитектурой, которая обеспечивает генерацию изображений почти в два раза быстрее предыдущих версий линейки GPT Image. При этом качество результата и стоимость вычислений варьируются в зависимости от выбранного режима, от Low до High. Вторая модель специализируется на создании видеороликов длительностью до 15 секунд с одновременной генерацией звукового сопровождения. Важной особенностью Gemini Omni 1.2 Flash является «диалоговый режим», позволяющий вносить правки в уже готовое видео.
Тестирование проводилось на материале пятнадцати различных игровых ассетов в стиле пиксель-арт, взятых из разных жанров. Задача состояла в том, чтобы GPT Image 2 сгенерировал статичное изображение или раскадровку, а Gemini Omni 1.2 Flash превратила его в динамичную анимацию. В большинстве случаев связка показала высокую результативность. Например, при создании анимации стреляющего пистолета первая модель успешно выполнила раскадровку выстрела, а вторая качественно оживила процесс. Аналогично удачно реализованы эффекты для сопел космического корабля и средневековой катапульты, где физика движения инерции была передана правдоподобно даже без детального описания кинематики в промпте.
Однако авторы отмечают системные проблемы в работе Gemini Omni 1.2 Flash с техническими ограничениями. В нескольких случаях, включая анимацию сопел и катящегося валуна, модель игнорировала прямое указание рендерить видео на прозрачном PNG-фоне. Вместо этого она добавляла собственные фоновые элементы или странное освещение, что требует дополнительной постобработки. Также отмечаются стилистические отклонения: при просьбе добавить «прерывистость» для имитации восьмибитного стиля, модель часто генерирует более гладкую и современную анимацию, как в случае с опадающими лепестками сакуры или падающей кирпичной башней.
Несмотря на эти нюансы, качество визуализации остается на высоком уровне. Анимация костра, магического жезла и раскрывающегося японского веера получила высокие оценки за эстетичность и плавность. Отдельного упоминания заслуживает тест с автомобильным колесом, который часто становится «лакмусовой бумажкой» для нейросетей; Gemini Omni 1.2 Flash справилась с ним с первого раза, убедительно реализовав стробоскопический эффект вращения.
В заключении авторы подчеркивают, что Gemini Omni 1.2 Flash быстро генерирует анимации и хорошо понимает контекст, хотя и допускает определенные «своевольные» отклонения от инструкций. GPT Image 2 ценится за скорость рендеринга и строгое соблюдение стилистической логики исходных изображений. Данная связка представляет собой рабочий инструмент для создания динамичных ассетов, требующий, однако, внимательного контроля со стороны разработчика на этапе финализации.