Я попросил нейросеть Шедеврум буквально нарисовать фразу «медведь на ухо наступил». В ответ пришел вот этот солидный лесной гражданин:

Медведь есть. Ухо, хозяин уха и само наступание на встречу не пришли. Зато зверя аккуратно поместили в резную раму, будто перед нами почетный директор лесхоза.

После такого стало интересно, это разовая вольность или YandexART v2.5 и дальше будет читать выражения по одному слову. Я взял еще три фразеологизма и прогнал каждый через Шедеврум и GPT Image 2 Low. Везде оставлял первый результат, даже если нейронка приносила дичь. Сейчас покажу все восемь картинок.

Как я проверял

Для теста я использовал Шедеврум для генерации изображений, внутри выбрал YandexART v2.5. Подписка Про была активна, но модель на скрине именно v2.5. Версию 2.5 Pro в этот прогон я не включал, так что дальше речь идет только о той модели, которая реально участвовала.

Вторым участником была GPT Low. Обеим моделям я давал один и тот же шаблон, менялось только выражение:

Создай одну квадратную реалистичную иллюстрацию, которая буквально, а не переносно изображает русское выражение: «[ВЫРАЖЕНИЕ]». Покажи все ключевые слова фразы как реальные предметы или действия в одном цельном сюжете. Без надписей, букв, рамок, коллажа и объяснений. Сцена должна быть понятна без подписи, без жестокости и травм.

Формат везде 1:1, улучшение промпта в Шедевруме выключено. На каждую фразу была одна попытка. Смотрел я на простые вещи: можно ли узнать выражение без подписи, сохранились ли нужные предметы и действие, не выросло ли в кадре что-нибудь совершенно постороннее. А вот красоту отдельно не оценивал. Красивый медведь без уха все равно остается просто красивым медведем.

Медведь на ухо наступил, но очень деликатно

С версией Шедеврума мы уже познакомились выше. GPT Low по тому же запросу собрала сцену целиком:

Медведь на месте, человек тоже, мужчина держится за ухо. Правда, лапа лежит скорее на голове рядом с ухом. На полноценное «наступил» это не очень похоже.

Тут у промпта обнаружился забавный внутренний конфликт. Я попросил медведя наступить человеку на ухо и в той же фразе запретил жестокость и травмы. В итоге получился компромисс: медведь-костоправ проводит крайне сомнительный прием в лесу. Выражение узнается, однако глагол нейронка все-таки смягчила.

Метать бисер перед свиньями

Теперь задача попроще. Нужны свиньи, бисер и кто-то, кто этот бисер перед ними мечет. Вот что принесла YandexART v2.5:

Получился какой-то торжественный съезд свиней. Центральная участница пришла в бусах, остальные радостно позируют, на земле лежит бисер, а сверху висит огромный баннер на языке, который пока не признала ни одна страна.

Свиньи тут, бисер тоже где-то рядом. Метать его никто не собирается. Более того, промпт прямо запрещал надписи, но Шедеврум как будто решил, что без поясняющего плаката зритель не справится. Плакат, правда, тоже не справился.

А вот версия GPT Low:

Здесь женщина действительно рассыпает мелкие бусины прямо перед тремя свиньями. Свиньи уже опустили морды к земле и, кажется, приняли происходящее за очень дорогой комбикорм.

Картинка читается без надписи. Есть даже россыпь бусин в воздухе, поэтому действие видно сразу. Для буквального прочтения выражения этого вполне хватает.

Сидеть на двух стульях

На этой фразе вылезла штука поинтереснее обычного пропавшего предмета. Шедеврум честно нарисовал два кресла и посадил на них людей:

Формально в комнате действительно сидят на двух стульях. Просто нейронка добавила второго человека и раздала каждому по отдельному креслу. Получилось семейное собрание перед очень тревожной презентацией.

На стене снова возник плакат, хотя надписи были запрещены. Шедеврум попытался написать что-то похожее на Sit on two chairs, потом посередине переключился на псевдокириллицу. Похоже, когда модель не может собрать действие, ее тянет сделать афишу и объяснить замысел буквами. По четырем картинкам доказать такую привычку нельзя, но два плаката за один маленький тест уже выглядят подозрительно.

GPT Low решила задачу иначе:

Один человек, два разных стула, обе руки предусмотрительно держатся за спинки. Правда, он не то чтобы сидит, вместо этого завис в полуприседе. Зато субъект не размножился и оба стула участвуют в процессе одновременно.

Вообще эта пара хорошо показывает ловушку обычного языка. В выражении нигде прямо не сказано «один человек». Мы это достраиваем автоматически, а Шедеврум подошел к задаче как менеджер рассадки: два места есть, на каждом сидят, заявка закрыта.

Купить кота в мешке

Финальное выражение требует уже маленького сюжета. Нужен кот, нужен мешок, еще кто-то должен этот комплект купить. У Шедеврума вышло вот так:

Кот прекрасен, спору нет. Но сидит он в деревянном ящике, вокруг развешаны кошачьи портреты, а рядом лежат инструменты и бумаги. Это уже похоже на мастерскую художника, который принимает заказы исключительно от котов.

Наверху опять появился псевдоанглийский текст с чем-то похожим на Buy a cat. Слово Buy в картинку попало, сама покупка не попала. Мешок тоже не доехал.

Теперь GPT Low:

Тут уже есть полноценная сделка. Один мужчина держит мешок, второй протягивает деньги, из горловины выглядывает недовольный товар. Все обязательные части фразы собрались в одном кадре.

Правда, у буквальной картинки возникает философская проблема. Если кот высунул голову и покупатель его прекрасно видит, это уже какой-то очень прозрачный кот в мешке. Если спрятать животное целиком, зритель увидит двух мужиков с мешковиной и купюрами и вряд ли угадает выражение. Картинка получилась понятной, зато интрига сделки слегка испарилась.

Сложнее всего оказалось нарисовать глагол

После четырех пар повторяется одна занятная штука. С предметами обычно все ок: медведь появляется, свиньи приходят целой делегацией, два стула тоже никто не забыл. Цирк начинается, когда этим предметам надо что-то сделать.

YandexART v2.5 потеряла метание бисера, убрала наступание вместе с ухом, разделила два стула между двумя людьми и вообще не устроила покупку кота. В трех сценах она заодно попыталась помочь себе псевдонадписями, хотя текст был запрещен. Получались скорее плакаты по мотивам выражения.

GPT Low три сцены собрала буквально. С медведем вышла оговорка: лапа прижимает голову рядом с ухом, так что точного наступания нет. Зато все участники события хотя бы добрались до картинки.

Если хочется посмотреть на модели в менее шуточных задачах, у меня есть отдельное сравнение пяти нейросетей на 35 генерациях: там фотографии, иллюстрации, русский текст и редактирование.

А GPT Low я запускал через картиночный бот @imagine_picbot