تعتبر نماذج تحويل النص إلى صورة (Text-to-Image Models) واحدة من أبرز تقنيات الذكاء الاصطناعي في عالم اليوم، حيث تُنتج صوراً مذهلة تعكس فهمًا عميقًا للنصوص المُعطاة. ومع ذلك، فقد تبين أن هذه النماذج تعاني من نقص كبير كمولدات بيانات تدريب موثوقة.

في دراسة جديدة تم نشرها على منصة arXiv، تم إعادة تقييم فاعلية هذه النماذج كبيانات تدريب بديلة لمجموعات البيانات الحقيقية. على الرغم من التقدم الواضح في جودة الصور وتوافقها مع الأوامر المدخلة، إلا أن دقة التصنيف تتدهور باستمرار عند استخدام بيانات التدريب المُولدة من نماذج T2I الأحدث.

كما كشفت الدراسة أن هذه النماذج تميل بشكل متزايد نحو توزيع ضيق يركز على الجماليات، مما يقلل من التنوع ويعطي صورة غير دقيقة للبيانات الحقيقية. إن هذه النتائج تتحدى الفرضية السائدة في بحوث الرؤية، والتي تفترض أن التقدم في الواقعية الجينية يُترجم إلى تقدم في واقعية البيانات.

لذا، يستدعي الأمر إعادة التفكير في قدرات نماذج تحويل النص إلى صورة كمولدات موثوقة لبيانات التدريب. كيف يُمكن البحث في طرقٍ جديدة وابتكارات لتحسين قدرات هذه النماذج؟