infonebpress.

Отделяем факты от медийного шума

Колонку ведёт Денис Архипов

GPT-генерация изображений: почему один промт даёт разные результаты

В сети встречается устойчивое утверждение: если внести один и тот же промт в GPT, должна получиться одна и та же картинка. Когда два результата не совпадают, из этого иногда делают вывод, что одно из изображений подделали или сгенерировали в другом сервисе.

Денис Архипов, Аналитик данных и фактчекер·Обновлено: 20 ноября 2026 г.·10 мин

GPT-генерация изображений: почему один промт даёт разные результаты

Логика выглядит убедительно, хотя не учитывает устройство генерации.

GPT-генерация изображений — стохастический процесс. Одинаковый текст задаёт модели условие и набор допустимых решений, но rarely фиксирует единственную композицию, цветовую схему или расположение объектов. Поэтому два запуска с одинаковым промтом вполне могут дать разные файлы.

Есть и вторая ошибка. Скриншот промта вместе с изображением часто используют как доказательство искусственного происхождения картинки. Между тем он показывает только то, что в момент съёмки на экране существовал некоторый текст и некоторая картинка. Какой именно запрос ушёл в модель, какая версия использовалась и что происходило с файлом после генерации, по такому изображению установить нельзя.

Главное: промт не является чертежом

Когда пользователь пишет «портрет инженера в дождливом ночном городе», он задаёт тему, обстановку и часть визуальных признаков. Но подсказка не сообщает модели, где именно находится окно, как падает свет, каким будет лицо, какие детали появятся на заднем плане и как распределится глубина резкости.

Нейросеть не ищет единственную картинку в своей памяти. Она формирует новую, опираясь на усвоенные закономерности и распределение вероятностей. Внутри этого распределения находится множество вариантов, которые одинаково хорошо соответствуют запросу. Один может поставить человека слева, другой — по центру; один добавит неоновое отражение, другой — холодный свет из окна.

Именно здесь проходит граница между обычной детерминированной обработкой и генерацией:

ФакторЧто он определяетВиден ли пользователю
Текст промтаТема, объекты, стиль и другие ограниченияОбычно да
Версия моделиВозможности, привычки и качество генерацииНе всегда
Начальное случайное значение, seedСтартовая точка расчётаВ некоторых сервисах скрыт
Параметры samplingНасколько свободно выбираются вариантыЧасто скрыты
Контекст запросаДополнительные инструкции и влияние диалогаОбычно скрыт
Размер, качество, число вариантовКомпоновку и детализацию результатаЗависит от интерфейса
Обработка после генерацииКадрирование, сжатие, очистка метаданныхЧасто не видна

Слово GPT здесь служит понятной пользователю обёрткой. В конкретном продукте запрос передаётся компоненту, предназначенному для работы с изображениями, а сервисный слой добавляет собственные настройки. Архитектура закрытой модели, маршрутизация запросов и набор доступных параметров могут меняться при обновлении продукта.

Промт задаёт условие и распределение допустимых решений, но не фиксирует единственный результат.

Как генератор приходит к разным картинкам

Случайность заложена в сам механизм

В распространённых диффузионных моделях работа начинается не с чистого листа и не с готовой картинки, а со случайного цифрового сигнала, который принято называть шумом. Модель постепенно преобразует его в изображение, ориентируясь на промт.

Упрощённо процесс выглядит так:

1. Создаётся исходная случайная матрица пикселей или признаков.

2. Промт кодируется в представление, понятное модели.

3. На каждом шаге шум частично удаляется, а изображение получает всё больше деталей.

4. Финальное преобразование переводит полученное представление в привычные пиксели.

Seed определяет начальную случайную матрицу. Если параметры генератора доступны пользователю, один и тот же seed помогает сделать повтор более предсказуемым. Он не превращает творческий процесс в копирование исходника один в один, но убирает значительную часть неопределённости.

В моделях, которые генерируют изображение последовательными визуальными токенами, используется другой, но сходный принцип. На каждом шаге модель оценивает вероятности следующих элементов картинки и выбирает один из вариантов с помощью sampling. На результат влияют температура, ограничения по вероятности и другие настройки.

В коммерческих чат-сервисах пользователь часто видит только промт. Seed, версия модели, параметры sampling и служебные инструкции остаются внутри системы. Поэтому визуально одинаковый запрос может каждый раз запускать немного разные вычислительные сценарии.

Семантика промта не определяет все детали

Даже полностью совпадающий текст оставляет модели пространство для решений. Причин несколько.

Во-первых, запрос обычно недодетализирован. Слова «киношный кадр» не задают конкретную оптику, объектив, композицию или схему освещения. Разные трактовки остаются в рамках текста.

Во-вторых, промт преобразуется в числовое представление. Токенизация зависит от словаря модели. Изменение пробелов, регистра, знаков препинания или добавление невидимого символа может изменить последовательность токенов. Если запрос отличается хотя бы одной деталью, сравнивать результаты уже нужно как разные задачи.

В-третьих, генерация идёт не по одному сценарию. При сходном общем направлении промта модель может по-разному распределить крупные формы, цветовые акценты и мелкие признаки. Это не ошибка парсинга. Случайный путь внутри вероятностной модели порождает допустимое, но иное решение.

В-четвёртых, результат проходит постобработку. Сервис может менять размер, обрезать края, повышать детализацию, перекодировать файл или удалять метаданные. Социальная сеть добавляет собственное сжатие. Поэтому два изображения, внешне почти одинаковые, могут различаться байтами, размером, цветовым профилем и служебными полями.

Одинаковый промт может означать разные запросы

В чат-интерфейсе введённая строка редко является полным техническим заданием. К ней могут добавляться инструкции системы, история разговора, параметры аккаунта и выбранный вариант модели. Если картинка создаётся как редактирование уже загруженного изображения, исходный файл тоже становится частью запроса.

Поэтому утверждение «я дважды отправил GPT один и тот же промт» недостаточно для проверки. Нужно учитывать:

  • был ли это действительно один и тот же текст без скрытых символов;
  • существовал ли в диалоге дополнительный контекст;
  • менялась ли модель или маршрут обработки;
  • обновлялся ли сервис между запусками;
  • отличались ли настройки изображения;
  • сравнивались ли оригинальные файлы или только загруженные в редактор копии.

Если все эти условия совпадают, результаты всё равно могут различаться. Случайность — штатная часть генератора.

Практические детали: как добиваться повторяемости

Слово «воспроизводимость» здесь означает не копирование пикселей любой ценой, а возможность повторить важные характеристики генерации. Их можно разделить на три уровня.

УровеньЧто считается совпадениемЧто требуется
СмысловойТа же сцена, объекты и настроениеПохожий промт и модель
КомпозиционныйСхожие позы, ракурс и расположение элементовТе же модель, параметры и seed
ПиксельныйСовпадение изображения вплоть до байтовПолностью совпадающие версии, параметры и окружение

Для исследовательской и производственной работы полезнее фиксировать сразу три уровня. Если меняется только зерно, крупная композиция сохранилась, это один результат. Если сохранился цвет и стиль, но расположение объектов другое, другой. Сравнивать исключительно мелкие детали в таких случаях бессмысленно.

Рабочий протокол повторной генерации

1. Сохраните точную формулировку. Промт лучше выгрузить в текстовый файл, а не перепечатывать по памяти. Так сохраняются регистр, пробелы и знаки. При наличии вложений их тоже нужно архивировать.

2. Зафиксируйте модель и дату. Название продукта мало что значит, если сервис обновляется. Для API существуют более точные идентификаторы версий; в чат-интерфейсе приходится фиксировать хотя бы название модели, сценарий и дату запуска.

3. Запишите доступные параметры. Сюда входят seed, размер, качество, стиль, число результатов, negative prompt, режим редактирования и другие доступные настройки. Скрытые параметры отметить отдельно.

4. Изолируйте контекст. Повторяйте запрос в одинаковом режиме: без дополнительных сообщений в диалоге либо в новом чате с тем же системным состоянием. Если сервис использует историю разговора, это может изменить результат.

5. Получайте оригинальные файлы. Скачайте результат до загрузки в мессенджер или редактор. Для сохранности полезно вычислить хеш файла: он позволит заметить, что изображение заменили при пересылки.

6. Повторите запрос несколько раз. Один результат ещё не позволяет отделить особенность модели от случайного исхода. Небольшая серия показывает, какие признаки устойчивы, а какие плавают.

7. Сравнивайте структуру, а не случайные пиксели. Сначала смотрите на композицию, количество объектов, ракурс и цветовые отношения. Мелкие отличия вроде текста на вывеске или складок одежды часто возникают из-за стохастического процесса.

Если seed недоступен, пиксельная повторяемость в коммерческом сервисе обычно недостижима. Можно повысить устойчивость сцены более подробным промтом, но это меняет условие задачи и не превращает генерацию в детерминированный процесс.

На что обратить внимание при проверке происхождения

Промт и скриншот не устанавливают источник

Самый распространённый набор «доказательств» выглядит скромно: изображение, рядом текст промта, подпись о нейросети и утверждение, что картинка сделана через GPT. Такой набор удобен для публикации, но слабый с точки зрения фактчекинга.

МатериалЧто он действительно позволяетГраница вывода
Текст промта на скриншотеПрочитать надпись на экранеНе показывает фактически отправленный запрос
Скриншот результатаЗафиксировать внешний вид картинкиНе сохраняет исходный файл и метаданные
Визуальные признаки генерацииВыдвинуть гипотезуНе доказывает конкретную модель и момент создания
Похожая картинка по тому же промтуПроверить совместимость версииНе доказывает происхождение исходного файла
Обратный поиск изображенияНайти более ранние публикацииНе определяет способ создания
Метаданные оригиналаУзнать ПО, устройство или заявленную историюМогут быть удалены или изменены
Действительная C2PA-свидетельствоПроверить целостность подписанных утвержденийНе превращает изображение в истину

Особенно часто путают две разные задачи. Можно доказать, что изображение способно быть создано генеративной моделью, и совсем другое — что именно этот файл получен данным запросом. Из сходства результатов нельзя восстановить точную цепочку событий.

Ещё одна ошибка — считать отсутствие промта аргументом против генерации. Пользователь мог получить картинку из API, отредактировать её вручную, использовать её как референс для другой генерации или опубликовать без объяснения. Метаданные при этом часто исчезают уже при загрузке в социальную сеть.

Оригинальный файл полезнее скриншота

Если задача действительно состоит в проверке происхождения, сначала нужно получить максимально близкий к исходнику файл. Он может содержать EXIF, XMP, IPTC, текстовые поля PNG или другие служебные данные. Там иногда указываются программа, устройство, параметры съёмки, авторские поля и история редактирования.

Но наличие поля «Software» ещё не приговор. Редактор может добавить его в любой файл, а часть инструментов записывает туда нейтральное или маркетинговое название. Метаданные также способны исчезнуть при пересжатии, копировании через мессенджер или публикации в браузере.

Более сильный класс — Content Credentials на базе C2PA. Если файл содержит корректно подписанное свидетельство, можно проверить связь между заявлениями о происхождении и их целостность. Это полезнее безымянного поля в метаданных. При этом C2PA подтверждает подписанные записи, а не истинность каждого пикселя и не добросовестность организации, выпустившей свидетельство. Обычный скриншот почти наверняка эту служебную информацию не сохранит.

Обратный поиск и визуальные признаки дают направление поиска

Поиск по изображению полезен для нахождения первоисточника, ранних публикаций и версий. Если одна и та же картинка появляется на нескольких сайтах с разными подписями, можно проследить, какое объяснение появилось первым и кто первым опубликовал исходник.

Но находка в поисковой выдаче сама по себе не маркирует файл как AI или как человеческий. Поисковая система может находить репост, исходную работу художника, интерпретацию или страницу с чужим описанием.

Визуальные аномалии тоже стоит рассматривать только как подсказки. Ошибки в надписях, геометрии объектов, отражениях или мелких деталях могут выглядеть убедительно, однако похожие дефекты встречаются у фотографий, рисунков, composites и результатов работы обычных графических редакторов. Универсального признака, который отделял бы все сгенерированные изображения от всех созданных человеком, нет.

Поэтому детекторы AI-изображений полезны как один из сигналов, но их результат нельзя подавать как приговор. Особенно после сжатия, кадрирования, репоста или смешивания с элементами, созданными человеком.

Совпадение по промту проверяет гипотезу, а не авторство

Если изображение удаётся воспроизвести с похожей композицией, это показывает, что выбранная модель способна выдавать такой результат. Это полезный эксперимент: он помогает сформулировать версию и проверить устойчивость признаков.

Однако совпадение не устанавливает:

  • каким именно запросом создана исходная картинка;
  • в какой модели и в какую дату она была получена;
  • кем и для чего она создана;
  • была ли впоследствии отредактирована;
  • каким способом файл попал к проверяющему.

Особенно сбивает с толку повторное получение похожего результата в другом сервисе. Совпадение сцены подтверждает распространённость промта и изображения, но не их историческую связь.

Что можно утверждать с разумной уверенностью

Для проверки происхождения я бы выстроил в следующем порядке:

1. Получить оригинальный файл или максимально близкую к исходной версию, снабжённую датой и адресом публикации.

2. Проверить метаданные и наличие подписанных цифровых свидетельств.

3. Найти earliest publication through reverse search and compare versions.

4. Сопоставить публикацию с аккаунтом автора, описанием процесса и редакционными материалами.

5. Отметить визуальные аномалии и результаты независимых проверок как косвенные признаки.

6. При необходимости провести контролируемую генерацию по доступной реконструкции промта.

7. Сформулировать вывод с указанием степени уверенности, не выдавая гипотезу за установленный факт.

В результате разумный вывод нередко выглядит так: «В изображении присутствуют признаки, характерные для генеративного изображения; исходный файл и свидетельства происхождения отсутствуют». Такая формулировка слабее, чем уверенное «это точно сделано нейросетью», зато существенно труднее опровергнуть.

Итоги

Разные результаты при одном промте — нормальное поведение генератора. Случайный старт, sampling, версия модели, скрытый контекст и постобработка оставляют достаточно источников расхождений. Даже полностью совпадающий запрос не превращает генерацию в копирование одного файла.

Скриншот промта и картинки не доказывает происхождение изображения. Он фиксирует экранную ситуацию, но не техническую цепочку. Для уверенного вывода нужны оригинальный файл, метаданные, цифровые свидетельства происхождения, история первой публикации или иные прямые данные.

Самый точный ответ на исходный вопрос одновременно прост и неудобен: один и тот же промт не гарантирует одно и то же изображение, а одно и то же изображение не гарантирует один и тот же промт. Для проверки происхождения AI-картинки приоритет принадлежит первоисточнику и сохранённой цепочке данных, а не визуальному сходству и уверенной подписи под скриншотом.