Polskie napisy w Qwen-Image-2.1: pięć testów z ogonkami, znak po znaku

👁 119 przeczytań

Modele obrazowe od lat wykładają się na polskich ogonkach: Ł traci kreskę, Ż gubi kropkę, Ę zamienia się w E. Puściłem przez Qwen-Image-2.1 pięć szyldów po polsku i policzyłem znak po znaku, co wyszło. Wynik mnie zaskoczył, ale nie w tę stronę, w którą się spodziewałem.

Wyniki testu, znak po znaku

Wszystko wygenerowane lokalnie, wariantem int8, po 25 kroków, przy pierwszym podejściu - bez dobierania ziarna i bez powtórek.

Test pierwszy: ŻÓŁĆ, czyli cztery ogonki naraz

Emaliowany szyld z napisem ŻÓŁĆ. Wszystkie cztery znaki diakrytyczne poprawne: kropka nad Ż, kreska nad Ó, kreska w Ł, kreska nad Ć.

To jest słowo, na którym wykłada się większość modeli, bo ma cztery różne znaki diakrytyczne w czterech literach. Qwen napisał je poprawnie za pierwszym razem: kropka nad Ż na miejscu, kreska nad Ó, przekreślone Ł, kreska nad Ć.

Co więcej, litery mają spójny krój, równe światła i realistyczne odpryski emalii. To nie jest napis doklejony do obrazu - to napis, który wygląda na pomalowany razem z tabliczką.

Test drugi: pocztówka z Łodzi

POZDROWIENIA Z ŁODZI w ozdobnym kroju z XIX-wiecznych pocztówek, z poprawnym Ł. W tle panorama miasta z kominami fabrycznymi.

Tu poprzeczka była wyżej: napis miał być w ozdobnym, wiktoriańskim kroju z cieniowaniem - a to zwykle rozsypuje litery diakrytyczne, bo kreska w Ł musi się wpisać w zdobiony korpus litery.

Wyszło bezbłędnie, razem z panoramą przemysłowej Łodzi, której nie było w moim poleceniu wprost - poprosiłem o „rzeczne miasto z ceglanymi kominami”, a model dołożył kontekst sam.

Test trzeci: długa tabliczka bez ogonków

ZAKAZ WJAZDU - TEREN PRYWATNY, 29 znaków w dwóch wierszach, bez jednego błędu, razem z poprawnym myślnikiem.

Dwadzieścia dziewięć znaków w dwóch wierszach, z myślnikiem, w zwężonym kroju bezszeryfowym - bez jednej pomyłki. To jest test, który obala najprostsze wyjaśnienie („model się myli, bo napis jest długi”). Długość sama w sobie mu nie przeszkadza.

Gdzie to pękło

Szyld księgarni. Pierwszy wiersz idealny, w drugim Ż zamieniło się w Ź, a W w V - model podmienił litery, nie zgubił ogonków.

Pierwszy wiersz - „KSIĘGARNIA” - jest bez zarzutu, razem z Ę. Drugi miał brzmieć „POD ŻÓŁWIEM”, a wyszło „POD ŹÓLVIEM”. Trzy podmiany:

• Ż → Ź - kropka zamieniona na kreskę. Model wiedział, że nad literą coś ma być, ale wstawił nie ten znak.
• Ł → L - zgubiona kreska.
• W → V - i to jest najciekawsze, bo to nie ma nic wspólnego z ogonkami.

Podobnie w piekarni: „ŚWIEŻE” i „PIECZYWO” idealnie, ale „CODZIENNIE” wyszło jako „CODZIANNIE” - jedna samogłoska podmieniona, zero problemów z diakrytyką.

Kredowa tablica w piekarni. Ś i Ż poprawne, ale w trzecim wyrazie E zamieniło się w A.

Co z tego wynika - i to jest praktyczne

Ogonki są dla tego modelu łatwiejsze niż rzadkie ciągi liter. W czterech na pięć testów wszystkie znaki diakrytyczne wyszły poprawnie. Błędy, które się pojawiły, to podmiany liter w wyrazach, których model widział w treningu mało: „żółwiem” i „codziennie” to nie są słowa z angielskiego internetu.

To jest mój wniosek z pięciu prób, nie twarde prawo: model radzi sobie z kształtem polskiej litery, bo to zadanie graficzne. Gorzej radzi sobie z zapamiętaniem dokładnej kolejności liter w długim, obcym dla siebie wyrazie - i wtedy podstawia literę wizualnie podobną.

Pięć zasad, które podnoszą skuteczność

1. Trzymaj napis krótko. Do dwudziestu znaków w jednym bloku wychodzi niemal zawsze. Powyżej rośnie ryzyko podmiany litery.
2. Dziel na wiersze. Dwa krótkie wiersze są bezpieczniejsze niż jeden długi - widać to po tabliczce z zakazem wjazdu.
3. Pisz w poleceniu „reads exactly” i napis w cudzysłowie. Tak zbudowane były wszystkie moje testy.
4. Sprawdzaj litery, nie ogonki. Odruchowo patrzysz na kreski nad literami, a błąd siedzi gdzie indziej. Przeczytaj napis głoska po głosce.
5. Powtórz z innym ziarnem, zanim zmienisz polecenie. Przy 44 sekundach na obraz trzy podejścia to dwie minuty i zwykle jedno z nich jest czyste.

Czym to się różni od innych modeli

To jest opinia oparta na tych pięciu próbach, nie na porównaniu ich wszystkich w tych samych warunkach: poziom, na którym trzy z pięciu polskich napisów wychodzą bezbłędnie za pierwszym razem, jeszcze rok temu był nieosiągalny dla modeli otwartych. Producent wymienia poprawioną typografię jako jedną z czterech głównych zmian w tym wydaniu i akurat to widać.

Warto pamiętać o dwóch rzeczach z innych tekstów: model ma licencję niekomercyjną, a całość stawia się u siebie w godzinę.

Najczęstsze pytania

Czy Qwen-Image-2.1 pisze po polsku z ogonkami?

Tak. W moim teście cztery z pięciu napisów miały wszystkie znaki diakrytyczne poprawne, w tym „ŻÓŁĆ” z kompletem czterech.

Jak długi napis wychodzi bez błędu?

Do dwudziestu kilku znaków bardzo często. Najdłuższy bezbłędny w moim teście miał 29 znaków w dwóch wierszach.

Jakie błędy popełnia najczęściej?

Podmienia litery na wizualnie podobne: W na V, E na A, Ż na Ź. Rzadziej gubi sam ogonek.

Jak formułować polecenie z napisem?

Podaj napis w cudzysłowie i dopisz, że ma być odwzorowany dokładnie. Krótkie bloki i podział na wiersze pomagają bardziej niż dłuższy opis.

Czy da się to poprawić bez zmiany polecenia?

Zwykle tak - wystarczy powtórzyć z innym ziarnem. Przy 44 sekundach na obraz to tańsze niż przepisywanie polecenia.