Ao fazer vídeos, o mais difícil de gerar muitas vezes não são imagens de produtos claras e limpas, mas cenas escuras como noturnas, de desastre, ficção científica e guerra.
Esses tipos de planos parecem “escuros”, mas na prática contêm muitas informações.
As nuvens precisam ter variações de luminosidade em diferentes profundidades, a fumaça não pode se borrar em um único bloco, os prédios distantes precisam manter as camadas espaciais, e as chamas e fontes de luz energética precisam iluminar o ambiente ao redor. A chuva, o metal e as poças d'água também precisam formar reflexos coerentes. Quando os personagens usam roupas escuras, suas silhuetas não podem desaparecer no fundo nem parecer flutuar na imagem como adesivos.
Imagens de qualidade insuficiente podem ter muita atmosfera quando reduzidas, mas, assim que entram no fluxo de produção de vídeo, os problemas aparecem rapidamente. Surgem blocos de cor nas áreas escuras, os detalhes dos prédios se misturam uns aos outros, a fumaça perde suas camadas, a estrutura das aeronaves fica borrada, e personagens e fundo não podem ser separados. Ao fazer movimentos de câmera de aproximação, ampliações locais, animações de paralaxe ou vídeo a partir de imagem, esses defeitos são ainda mais ampliados.
Para criadores de cinema e vídeo, a imagem não termina quando é gerada. Ela ainda precisa entrar nos fluxos de edição, movimentação de câmera, efeitos visuais e animação. Esse é exatamente o significado da existência de níveis de qualidade mais altos.
O GPT Image 2.5 da Ace Data Cloud agora adicionou os níveis de qualidade xhigh e max, além de low, medium e high. Tanto Flare quanto Sunburst oferecem suporte a esses dois níveis, incluindo os respectivos canais oficiais.
Quando a imagem envolve áreas escuras complexas, nuvens volumétricas, fumaça, luz de fogo, reflexos de noites chuvosas e relações espaciais em múltiplas camadas, os criadores podem permitir que o modelo invista mais orçamento de geração para preservar, tanto quanto possível, as estruturas e os detalhes em ambientes escuros.
¶ Testamos cinco níveis de qualidade com uma cena escura de alta dificuldade
Para tornar as diferenças mais fáceis de revelar, desta vez não escolhemos um fundo claro ou um produto simples, mas projetamos um quadro-chave de efeitos visuais de um filme de desastre de ficção científica.
A cena se passa em uma futura cidade costeira durante a hora azul. Um anel orbital fraturado paira sobre a cidade, uma fenda de energia rasga as nuvens de tempestade, e destroços de naves espaciais em chamas caem em direção aos arranha-céus. Em primeiro plano, há um piloto de resgate de costas para a câmera, com uma aeronave tilt-rotor danificada estacionada ao seu lado.
Toda a cena é predominantemente azul-escura, preta e cinza, com apenas a fenda de energia, as chamas, as luzes da cidade e partes da aeronave formando destaques quentes.
Esse tipo de cena testa simultaneamente se há detalhes reais nas áreas escuras, se o personagem em primeiro plano pode ser separado do fundo, se as nuvens e a fumaça têm camadas espaciais, se as chamas realmente iluminam o ambiente ao redor e se as estruturas da cidade, da aeronave e do anel orbital são coerentes.
O teste usa o gpt-image-2.5-sunburst, mais voltado para alta fidelidade e controle refinado. Todas as imagens usam exatamente o mesmo prompt, alterando apenas quality.
¶ Prompt completo do teste
Cinematic VFX keyframe from an original science-fiction disaster film, ultra-wide 16:9 composition. A colossal orbital ring has fractured above a rain-soaked futuristic coastal megacity at blue hour; a luminous energy rift tears through storm clouds while burning spacecraft debris falls toward skyscrapers. In the foreground, an armored rescue pilot stands on a flooded rooftop beside a damaged tilt-rotor aircraft, seen from behind, looking toward the catastrophe. Include physically plausible volumetric clouds, layered smoke, glowing embers, sparks, rain streaks, wet reflective surfaces, turbulent ocean spray, atmospheric perspective, realistic destruction, miniature-scale city detail, complex blue-orange lighting, accurate reflections and refractions, cinematic anamorphic lens flare, subtle film grain, deep depth staging, photorealistic live-action blockbuster visual effects, coherent geometry, natural human anatomy. No text, no logo, no watermark, no split screen, no collage.
Este prompt inclui intencionalmente muitos elementos que tendem a sair de controle em cenas escuras: nuvens escuras e fumaça em múltiplas camadas, faíscas pontuais e destroços em chamas, personagens com armaduras escuras, edifícios urbanos noturnos, superfícies úmidas e reflexos complexos, além de várias fontes de luz com grandes diferenças de luminosidade.
Se a qualidade de geração for insuficiente, o modelo pode facilmente preservar apenas a forte atmosfera azul e laranja, sacrificando a estrutura das áreas escuras que realmente determina a textura visual da imagem.
¶ Low：a atmosfera é estabelecida rapidamente, mas se parece mais com um esboço conceitual inicial
low concluiu a geração em cerca de 25,11 segundos, com saída de imagem de 157 Tokens.
Ele pode estabelecer rapidamente a cena completa e também representar a atmosfera de desastre, a posição do personagem e as principais fontes de luz. É altamente eficiente para avaliar se a composição funciona ou para explorar várias direções de planos na fase inicial.
Mas, em cenas escuras complexas, não podemos olhar apenas para saber se a imagem está “escura e legal o bastante”. Mais importante é verificar se ainda há algo nas sombras.
A estrutura da armadura do piloto de resgate, os detalhes mecânicos da aeronave danificada, as bordas entre os prédios distantes e as variações de luminosidade dentro das nuvens determinam se esta imagem pode continuar a ser usada na pós-produção. Se esses elementos já estiverem misturados na imagem original, simplesmente aumentar o brilho ou a nitidez na pós-produção não poderá recuperar de fato a estrutura perdida.
¶ Medium：as áreas escuras começam a ter mais conteúdo reconhecível
medium concluiu a geração em cerca de 27,18 segundos, com saída de imagem de 367 Tokens.
Em comparação com Low, ele não aumentou muito o tempo de espera, mas o modelo recebeu mais orçamento de geração.
Para imagens de acompanhamento em vídeos comuns, Medium já é um ponto de partida bastante prático. Ele não precisa apenas concluir a atmosfera geral, mas também tratar com mais cuidado as relações entre edifícios, veículos, personagens e ambiente. Em uma imagem escura, a chamada melhoria de qualidade não necessariamente se manifesta como “mais clara” ou “mais nítida”. Mais importante é se as estruturas nas sombras ainda podem ser vistas, se a fumaça possui camadas de profundidade, se a cidade distante consegue formar uma perspectiva atmosférica real e se os personagens se separam naturalmente do fundo por meio da luz de contorno.
¶ High: do “ter atmosfera” para “ter estrutura”
O tempo de geração de high é de cerca de 41,35 segundos, e a saída de imagem aumenta para 1.413 Tokens.
A partir deste nível, o investimento do modelo apresenta um salto evidente. Para cenas escuras cinematográficas, o ponto mais digno de atenção nesses investimentos adicionais é a transição entre as áreas claras e escuras.
A fissura de energia não pode ser apenas um brilho branco, ela deve afetar as nuvens ao redor; os destroços em chamas não podem ser apenas manchas laranjas, eles devem produzir fumaça, brasas e luz ambiente; a água acumulada também não pode ser apenas um simples espelho, ela precisa formar reflexos de diferentes intensidades conforme a estrutura do telhado e a direção da fonte de luz.
Quando essas relações se tornam mais completas, a imagem passa gradualmente de uma imagem atmosférica para se aproximar de uma tomada de filme. High é mais adequado para entrar formalmente na linha do tempo de vídeo, especialmente para tomadas que exigem leve avanço, panorâmica e tratamento de profundidade de campo.
¶ XHigh: reservar margem para ampliação, movimento de câmera e separação na pós-produção
xhigh conclui a geração em cerca de 53,68 segundos, e a saída de imagem chega a 2.511 Tokens.
No fluxo de trabalho de vídeo, muitos problemas só aparecem depois que a imagem começa a se mover. Quando a câmera avança, a cidade distante precisa suportar ampliação; ao criar animações de paralaxe, personagens em primeiro plano, aeronaves e fundo precisam ter limites claros; ao entregá-la a um modelo de imagem para vídeo para continuar a geração, as estruturas mecânicas e as relações ambientais também precisam ser suficientemente claras, caso contrário, deformações podem ocorrer facilmente durante o movimento.
O valor do XHigh está justamente aqui. Ele não apenas faz a imagem parecer mais bonita à primeira vista, mas também deixa o máximo possível de informações utilizáveis para a produção posterior. Para cenas escuras, isso significa contornos mais claros, estruturas locais mais estáveis e sombras e fumaça mais estratificadas.
Se a imagem for usada como uma tomada de destaque, imagem de abertura, arte conceitual de filme ou primeiro quadro de imagem para vídeo, o XHigh será mais adequado às necessidades reais de produção do que os níveis de qualidade comuns.
¶ Max: elevar o limite de saída para as tomadas escuras mais importantes
max conclui a geração em cerca de 104,43 segundos, e a saída de imagem chega a 5.650 Tokens.
Seu tempo de espera é próximo do dobro do XHigh, e os Tokens de saída de imagem também ultrapassam o dobro do XHigh. Isso mostra que Max não é apenas um nome que soa mais avançado, mas aumenta claramente o investimento na geração.
Em cenas escuras complexas, o significado da mais alta qualidade não é aumentar texturas sem parar, mas preservar ao mesmo tempo, tanto quanto possível, vários objetivos que entram facilmente em conflito: a imagem deve manter a atmosfera escura, mas não pode perder estrutura; a fissura de energia deve ser suficientemente brilhante, mas não pode destruir os detalhes das nuvens; os personagens devem estar claros, mas não podem parecer recortados separadamente; a fumaça deve ser rica, mas não pode cobrir todos os edifícios; os reflexos devem ser evidentes e, ao mesmo tempo, estar de acordo com a iluminação do ambiente.
Esses requisitos não são difíceis de cumprir individualmente; o difícil é fazer com que existam ao mesmo tempo.
Max é mais adequado para a saída final depois que a composição e o prompt já foram definidos, por exemplo, a imagem principal de abertura, pôster de filme, tomada central, material promocional de destaque e imagens que precisam continuar em fluxos complexos de pós-produção.
¶ As diferenças de qualidade em imagens escuras não podem ser avaliadas apenas por “ser nítida ou não”
O registro deste teste é o seguinte:
| Nível de qualidade | Tempo de geração | Tokens de saída de imagem | Total de Tokens |
|---|---|---|---|
| Low | 25,11 segundos | 157 | 567 |
| Medium | 27,18 segundos | 367 | 777 |
| High | 41,35 segundos | 1.413 | 1.823 |
| XHigh | 53,68 segundos | 2.511 | 2.921 |
| Max | 104,43 segundos | 5.650 | 6.060 |
De Low a Max, o que realmente precisa ser comparado não é qual imagem é simplesmente mais nítida, mas quanta informação útil é preservada no ambiente escuro.
É possível observar principalmente se a armadura do piloto de resgate possui estruturas reconhecíveis, se existe uma relação espacial clara entre o personagem e a aeronave, se as asas, os rotores e a fuselagem da aeronave são coerentes, se a cidade distante se torna uma massa inteira por causa da escuridão, se as nuvens possuem profundidade entre frente e fundo e se a água acumulada no telhado consegue refletir múltiplas fontes de luz no ambiente.
O que uma cena escura mais teme não é ser escura, mas “ser escura sem conteúdo”.
Uma imagem escura de alta qualidade, mesmo que o brilho geral seja muito baixo, ainda deve permitir que personagens, edifícios, máquinas, fumaça e nuvens tenham cada um suas próprias camadas. O público talvez não verbalize claramente essas diferenças, mas sentirá intuitivamente se a imagem possui qualidade cinematográfica.
¶ A qualidade da imagem determina quanto espaço de operação ainda existe na pós-produção de vídeo
A criação de vídeo raramente usa diretamente uma imagem original completamente estática. Os criadores normalmente fazem avanço de câmera, movimento horizontal, recorte parcial, separação entre primeiro plano e plano de fundo, sobreposição de efeitos de luz, simulação de profundidade de campo ou entregam a imagem a modelos de imagem para vídeo para continuar a geração. Todas essas operações ampliam os defeitos nas áreas escuras.
Se o contorno da personagem já estiver colado ao fundo, será difícil separar as camadas ao criar paralaxe; se a estrutura do edifício já estiver borrada, após o avanço da câmera só será possível ver um borrão maior; se a fumaça não tiver relações espaciais, ao gerar efeitos dinâmicos ela facilmente se transformará em blocos de cor revoltos sem padrão.
Portanto, uma imagem original de maior qualidade não significa apenas que “a imagem final parece mais bonita”, ela também determina diretamente até onde a pós-produção pode ir.
¶ Não é necessário usar Max em todas, mas cenas escuras importantes merecem maior qualidade
Uma abordagem de produção razoável não é definir a qualidade no nível mais alto desde o primeiro esboço.
Na fase de exploração, é possível usar Low ou Medium para confirmar rapidamente a composição, a posição dos personagens, a direção da fonte de luz e a tonalidade geral. Depois que a direção estiver estável, é possível usar High para gerar os materiais finais. Se a imagem precisar ser ampliada de forma evidente, ter camadas complexas ou continuar sendo gerada como vídeo, XHigh será mais adequado.
Max deve ser reservado para as tomadas mais importantes, como o primeiro quadro da abertura, o visual principal de um pôster, a imagem central de um trailer ou a cena-chave que determina a textura de todo o vídeo.
A Ace Data Cloud adicionou XHigh e Max ao GPT Image 2.5, e o que isso realmente traz não é apenas a adição de dois parâmetros, mas permitir que os criadores, diante de cenas escuras complexas, não precisem parar na etapa de “a atmosfera está mais ou menos certa”.
A escuridão não significa mais abrir mão dos detalhes.
Quando o modelo possui um orçamento de qualidade maior, as cidades, personagens, aeronaves, fumaça e reflexos nas sombras têm a chance de ser preservados juntos. Para a criação audiovisual, essas informações ocultas nas áreas escuras frequentemente são justamente a chave para que a imagem passe de uma ilustração comum a uma tomada cinematográfica.
¶ Experimente o GPT Image 2.5 agora
Quer usar XHigh e Max em suas próprias tomadas escuras, pôsteres e primeiros quadros de vídeo? Acesse a Ace Data Cloud para experimentar o GPT Image 2.5 Sunburst, com alta fidelidade e controle refinado, ou escolha o GPT Image 2.5 Flare, mais voltado para gerar imagens rapidamente.