ถ้าเพื่อนๆ กำลังจะทำภาพแคมเปญด้วย ChatGPT แล้วลังเลว่าจะเลือก Sol หรือ Astra ต้องเปิด Medium, High หรือจัดเต็มที่ Max ไปเลย คำตอบสั้นๆ ที่ผมใช้ตัดสินใจคือ เริ่มด้วยระดับที่เบาที่สุดที่ยังทำงานของคุณได้ครบ แล้วค่อยเพิ่มกำลังเฉพาะช่วงที่โจทย์ยากขึ้นครับ
มีเรื่องหนึ่งที่ผมต้องอธิบายซ้ำแทบทุกรุ่นในคลาส AI ที่สอน คือความเข้าใจที่ว่า เปิด Reasoning ระดับ Max แล้วภาพจะสวยขึ้นอัตโนมัติ ซึ่งพอชวนกันแกะดูว่าการตั้งค่าแต่ละตัวไปคุมอะไรจริงๆ หลายคนถึงเพิ่งเห็นว่าตัวเองกำลังจ่าย Token แพงขึ้นให้กับส่วนที่ไม่เกี่ยวกับความสวยของภาพเลย
สำหรับนักการตลาดที่ใช้ ChatGPT Work ผมเสนอให้เริ่มทดลองด้วย GPT-6.1 Sol + Medium สำหรับการอ่านบรีฟและเตรียมคำสั่งสร้างภาพ แล้วสลับไปใช้ Astra เมื่อโจทย์กำกวม มีหลายแหล่งข้อมูล หรือมีรายละเอียดที่ต้องประสานกันเยอะ ส่วนตัวภาพจริงๆ ยังมีโมเดลภาพอีกชั้นที่ต้องเลือกแยกต่างหาก ความคุ้มของงานภาพจึงไม่ได้อยู่ที่การตั้งค่าตัวใดตัวหนึ่ง แต่อยู่ที่งานคิด งานสร้าง และจำนวนรอบแก้ รวมกันจนได้ภาพพร้อมใช้ครับ
บทความนี้ผมเลยอยากชวนเพื่อนๆ นักการตลาดมาไล่ดูทีละชั้นว่า การทำภาพด้วย ChatGPT มีการเลือกอะไรซ่อนอยู่บ้าง โมเดลไหนเหมาะกับบรีฟแบบไหน ระดับการคิดควรเปิดเท่าไหร่ และจะวัดความคุ้มด้วยหน่วยอะไรถึงจะไม่หลอกตัวเอง โดยอิงจากเอกสารทางการที่ผมตรวจล่าสุดวันที่ 30 กันยายน 2026 ส่วนคำแนะนำสำหรับงานการตลาดเป็นข้อเสนอให้เอาไปทดลองกับงานของคุณเอง ยังไม่ใช่ผลทดสอบเปรียบเทียบภาพภาษาไทยของแต่ละโมเดลนะครับ
Two Layers แยกโมเดลคิดงานกับโมเดลสร้างภาพก่อนเลือก
การทำภาพผ่าน ChatGPT มีการเลือกซ้อนกันสองชั้นเสมอ ชั้นแรกคือโมเดลหลักที่ตีความโจทย์และเตรียมคำสั่ง ชั้นที่สองคือโมเดลภาพที่รับคำสั่งไปสร้างหรือแก้ภาพจริง ในเอกสาร Image Generation ของ OpenAI การใช้ Responses API สามารถกำหนดโมเดลหลักกับโมเดลในเครื่องมือสร้างภาพแยกกันได้ และโมเดลหลักยังปรับแต่งคำสั่งก่อนส่งไปสร้างภาพได้ด้วย
ในมุมนักการตลาด ผมชอบมองโมเดลหลักเป็นผู้ช่วยจัดบรีฟมากกว่าเป็นคนวาดรูป หน้าที่ของผู้ช่วยคนนี้คืออ่านว่าแคมเปญพูดกับใคร ควรใช้ภาพอ้างอิงไหน ข้อความไหนต้องอยู่ในภาพ และรายละเอียดไหนห้ามเปลี่ยนเด็ดขาด ก่อนแปลงทั้งหมดเป็นคำสั่งที่ชัดพอให้เครื่องมือภาพทำตามได้ครับ
การเลือก สิ่งที่ควรประเมิน ตัวอย่างในงานการตลาด โมเดลหลัก เช่น Sol หรือ Astra ตีความบรีฟและรักษาข้อกำหนดได้ครบไหม อ่านบทความแล้ววางแผนอัลบั้มให้ครอบคลุมหัวข้อ ระดับการคิด เช่น Light หรือ High งานต้องวางแผนและตรวจความสัมพันธ์มากแค่ไหน เชื่อมรายละเอียดหลายส่วนให้เป็นคอนเซปต์เดียว โมเดลสร้างภาพ สร้างและแก้ภาพตรงกับลักษณะงานไหม สร้างภาพเปิดใหม่ หรือแก้ภาพจากต้นฉบับ คุณภาพภาพ หากระบบเปิดให้เลือก รายละเอียดของผลลัพธ์ผ่านเกณฑ์ไหม ทดลองร่างก่อนผลิตภาพที่จะเผยแพร่จริง
นั่นหมายความว่าถ้าคุณเพิ่มระดับการคิดจาก Medium เป็น Max สิ่งที่เปลี่ยนคือกำลังคิดของโมเดลหลักเท่านั้น ไม่ได้เท่ากับเปลี่ยนคุณภาพของเครื่องมือภาพเป็น Max ให้อัตโนมัติ ต้องเช็คด้วยว่าระบบที่คุณใช้อยู่เปิดให้ตั้งค่าฝั่งภาพแยกได้หรือเปล่า และนี่คือต้นตอของ Token ที่ละลายหายไปโดยไม่รู้ตัว คือการจ่ายเพิ่มให้ชั้นที่ไม่ใช่ปัญหาของงานเราครับ
Model Fit เลือกโมเดลหลักตามความยากของบรีฟ
GPT-6.1 Sol คือจุดเริ่มต้นที่ผมเสนอสำหรับงานภาพที่ต้องคุมต้นทุน ส่วน Astra เหมาะจะหยิบมาใช้เมื่อต้องการการวิเคราะห์และวิจารณญาณมากขึ้น ข้อเสนอนี้ประยุกต์จากคำแนะนำเลือกโมเดลของ OpenAI ที่วาง 6.1 Sol ไว้กับงานซับซ้อนที่ต้องบริหารเวลาและต้นทุน และวาง Astra ไว้กับปัญหากำกวมหรือการวิเคราะห์ที่ยากครับ
OpenAI ระบุในหน้ารายละเอียดโมเดล ว่า 6.1 Sol ให้ความสามารถใกล้ Astra ในงานซับซ้อนด้วยต้นทุนต่ำกว่า แต่อย่าลืมว่านี่คือคำอธิบายจากฝั่งผู้พัฒนา ยังไม่ใช่หลักฐานว่า 6.1 Sol จะทำภาพโฆษณาหรือสะกดข้อความไทยได้ดีกว่าในทุกบรีฟนะครับ
1. Clear Brief เริ่มด้วย Sol เมื่อโจทย์ชัดอยู่แล้ว
เริ่มที่ 6.1 Sol เมื่อคุณมีข้อความพร้อม ภาพอ้างอิงพร้อม และรู้อยู่แล้วว่างานที่ผ่านต้องหน้าตาประมาณไหน ลองนึกภาพงานโปรโมชันร้านกาแฟที่มีภาพแก้วจริง โลโก้ สีแบรนด์ ราคา และวันที่ครบหมดแล้ว งานที่เหลือมีแค่จัดคำสั่งให้เครื่องมือภาพทำตามบรีฟเท่านั้น
เริ่มจาก Medium แล้วลองลดเป็น Light กับงานที่ง่ายลงไปอีก เช่น เปลี่ยนข้อความสั้นๆ หรือเตรียมภาพถัดไปตามสไตล์ที่อนุมัติแล้ว ตัวชี้วัดว่าลดระดับได้หรือไม่ ดูจากความครบของผลลัพธ์กับจำนวนรอบแก้ ถ้าลดแล้วรอบแก้ไม่เพิ่ม ก็เก็บการตั้งค่านั้นไว้ใช้ยาวๆ ได้เลยครับ
2. Complex Brief ใช้ Astra เมื่อมีเรื่องให้ตัดสินใจเยอะ
Astra เหมาะกับงานที่ยังต้องคิดทิศทาง เช่น อ่านข้อมูลหลายชุดแล้วสร้างภาพเปิดที่เล่าประเด็นเดียวให้ได้ หรือวางระบบภาพทั้งอัลบั้มให้แต่ละภาพต่างกันแต่ยังดูเป็นแบรนด์เดียวกัน ลองนึกถึงภาพเปิดบทความที่ต้องรวมผลิตภัณฑ์จริง ตารางธุรกิจ และรายละเอียดการตลาดไว้ในภาพเดียว แถมยังต้องอ่านรู้เรื่องตอนย่อบนมือถืออีก งานแบบนี้มีเรื่องให้ชั่งน้ำหนักเยอะกว่าแค่วาดให้สวยครับ
เอกสารโมเดลแนะนำให้เริ่ม Astra ที่ Light แล้วค่อยเพิ่มเมื่อต้องวางแผน วิเคราะห์ หรือตรวจมากขึ้น สำหรับงานตัวอย่างนี้อาจเริ่มที่ Medium และขยับเป็น High เมื่อยังจัดข้อกำหนดได้ไม่ครบ นี่คือการเลือกตามความยากของงาน ไม่ได้แปลว่าต้องเปิด High ทุกครั้งที่ใช้ Astra
3. Repeatable Work พิจารณา Luna กับงานเตรียมที่ตรวจง่าย
OpenAI วาง Luna ไว้กับงานเฉพาะที่ทำซ้ำได้ เช่น การดึงข้อมูลและจัดหมวด ผมจึงเสนอให้ลองใช้กับงานเตรียมอัลบั้มที่ตรวจคำตอบได้ชัดเจน เช่น ดึงรายการหัวข้อจากต้นฉบับ หรือจัดรายชื่อไฟล์ภาพตามบรีฟ
ลองนึกภาพการดึงหัวข้อบทความสิบหัวข้อพร้อมข้อความใต้หัวข้อ เมื่อรายการครบและตรงต้นฉบับแล้วค่อยส่งต่อไปขั้นคิดภาพ แต่อย่าใช้ความประหยัดของขั้นดึงข้อมูลเป็นข้ออ้างให้ยอมรับรายการที่ตกหล่นเด็ดขาด รายการที่ขาดไปหนึ่งหัวข้อในขั้นนี้ อาจกลายเป็นการรื้อแก้ภาพทั้งชุดในขั้นถัดไปครับ
Reasoning Budget ตั้งระดับการคิด Light Medium High และ Max ให้เหมาะกับแต่ละช่วงงาน
ระดับการคิดควรเพิ่มตามปริมาณงานที่ต้องวิเคราะห์ เอกสาร Reasoning Models ของ OpenAI อธิบายว่าระดับต่ำเน้นความเร็วและใช้ Token น้อยกว่า ส่วนระดับสูงให้โมเดลคิดมากขึ้น และที่หลายคนไม่ทันสังเกตคือ Reasoning Tokens ใน API คิดค่าใช้จ่ายในหมวด Output Tokens แม้จะไม่ได้แสดงเป็นคำตอบให้เราอ่านก็ตาม
นั่นหมายความว่าคำตอบที่สั้นไม่ได้ยืนยันว่าใช้ Token น้อยเสมอไป นักการตลาดจึงควรดูการใช้งานจริงควบคู่กับผลลัพธ์ โดยเฉพาะเวลาเปรียบเทียบงานที่ใช้ระดับการคิดต่างกันครับ
ตารางต่อไปนี้คือจุดเริ่มต้นที่ผมเสนอสำหรับงานภาพใน ChatGPT Work ถ้าบัญชีของคุณยังไม่มี 6.1 Sol ให้ใช้โมเดล Sol รุ่นที่มีแล้วทดลองตามหลักเดียวกัน ตัวเลือกจริงขึ้นกับบัญชีและการตั้งค่าของระบบ
ช่วงงาน การตั้งค่าที่เสนอให้เริ่ม เกณฑ์ตัดสินว่าจะเพิ่มระดับไหม อ่านบรีฟและเตรียมคำสั่งภาพทั่วไป 6.1 Sol + Medium รายละเอียดครบและลำดับข้อความชัดไหม คิดทิศทางภาพเปิดที่ยังไม่ลงตัว Astra + Light หรือ Medium คอนเซปต์เชื่อมกับสารและข้อจำกัดไหม วางภาพที่มีตารางหรือข้อมูลหลายส่วน Astra + Medium แล้วพิจารณา High ตารางครบ ข้อความไม่ขัดกัน และจัดลำดับได้ไหม ผลิตภาพถัดไปตามแนวที่ผ่านแล้ว 6.1 Sol + Light หรือ Medium รักษาสไตล์และเนื้อหาของแต่ละภาพครบไหม แก้เฉพาะจุดที่ระบุชัด 6.1 Sol + Light คำสั่งระบุจุดแก้และจุดคงเดิมครบไหม วิเคราะห์ปัญหาที่ยังแก้ไม่สำเร็จ เพิ่มเป็น High หรือ Extra High พบสาเหตุที่นำไปแก้ได้หรือยัง
สำหรับ Max เอกสารระบุว่าเป็นการเพิ่มเวลาคิดให้โมเดลกับปัญหายากที่สุด ส่วน Ultra คือการแบ่งงานให้หลายเอเจนต์ทำขนานกัน ทั้งสองระดับจึงมีหน้าที่คนละอย่างกับการเพิ่มความละเอียดของภาพ ในงานภาพที่ขอบเขตชัด ผมเสนอให้เริ่มระดับเบากว่าแล้วค่อยเพิ่มเมื่อเจอข้อบกพร่องที่ต้องใช้การวิเคราะห์จริงๆ
ลองนึกภาพเคสที่ AI สะกดชื่อแบรนด์ในภาพผิด การเพิ่มระดับการคิดอาจช่วยให้คำสั่งกำชับชื่อชัดขึ้นก็จริง แต่ถ้าความผิดเกิดในขั้นสร้างภาพ คุณยังต้องแก้ภาพหรือเอาโลโก้ต้นฉบับไปประกอบอยู่ดี การเปิด Max อย่างเดียวไม่ได้เป็นหลักประกันว่าภาพจะสะกดถูกครับ
Image Engine เลือก Sunburst หรือ Flare เมื่อเข้าถึงตัวเลือกโมเดลภาพโดยตรง
สำหรับคนที่ใช้ API และเลือกโมเดลภาพเองได้ เอกสารปัจจุบันวาง GPT Image 2.5 Sunburst ไว้กับงานที่ต้องการความแม่นยำในการแก้ภาพ และวาง GPT Image 2.5 Flare ไว้กับการสร้างภาพคุณภาพสูงที่เน้นความเร็ว ผมเสนอให้ใช้ความต่างของบทบาทนี้เป็นจุดตั้งต้นของการทดลอง แทนการตัดสินจากชื่อรุ่นอย่างเดียวครับ
โมเดลภาพใน API การวางบทบาทตามเอกสาร OpenAI งานที่เสนอให้ทดลอง GPT Image 2.5 Sunburst เน้นความสามารถสร้างและแก้ภาพ โดยเฉพาะความแม่นยำในการแก้ แก้ภาพที่มีรายละเอียดจากต้นฉบับต้องรักษา GPT Image 2.5 Flare เน้นสร้างภาพคุณภาพสูงสำหรับงานทั่วไปได้เร็ว ทดลองคอนเซปต์หรือผลิตภาพทั่วไปที่บรีฟชัด
ทั้งสองรุ่นรองรับคุณภาพภาพ low, medium, high, xhigh, max และ auto ใน API ซึ่งตัวเลือกชุดนี้เป็นคุณภาพของโมเดลภาพ แยกคนละส่วนกับ Reasoning Effort ของโมเดลหลัก แม้บางชื่อระดับจะสะกดเหมือนกันเป๊ะก็ตาม จุดนี้แหละที่ทำให้คนสับสนกันเยอะที่สุด
ลองนึกภาพว่าคุณอยากแก้เฉพาะฉากหลังของภาพสินค้า ผมเสนอให้ทดลอง Sunburst แล้วเทียบว่ารักษารายละเอียดสินค้าได้ตรงแค่ไหน ส่วนงานคิดภาพประกอบใหม่ที่ไม่มีต้นฉบับต้องคงไว้ อาจเริ่มทดลอง Flare แล้ววัดคุณภาพเทียบกับเวลา
สำหรับคนใช้ ChatGPT ผ่านหน้าจอปกติ ให้ดูตัวเลือกที่ระบบเปิดให้ใช้จริงก่อน รายละเอียด API ข้างต้นไม่ได้ยืนยันว่าทุกบัญชีจะสลับ Sunburst กับ Flare หรือกำหนดคุณภาพภาพเองได้ และการพิมพ์ชื่อ Parameter ลงในข้อความแชท ก็ไม่ใช่หลักฐานว่าระบบตั้งค่าตามนั้นให้แล้วนะครับ
Cost Layers แยก Token เครดิต และต้นทุนต่อภาพ ก่อนสรุปว่าอะไรคุ้ม
ความคุ้มต้องคำนวณด้วยหน่วยเดียวกันก่อนเสมอ ถ้าคุณใช้ ChatGPT Work ให้ดูโควตาหรือเครดิตตามบัญชี ถ้าใช้ API ให้ดู Token และค่าใช้จ่าย API อย่าเอาราคา API ไปคาดจำนวนภาพที่เหลือในแพ็กเกจ หน้า Pricing ของ ChatGPT Work ระบุชัดว่าราคา API แยกจากการใช้งานที่รวมในค่าสมาชิกครับ
เพื่อให้เห็นต้นทุนฝั่งโมเดลหลัก ตารางนี้คืออัตราเครดิตที่เอกสารระบุสำหรับ Standard Speed ต่อหนึ่งล้าน Token ใช้กับการคิดเครดิตตามเงื่อนไขของแผน ไม่ใช่จำนวนเครดิตคงที่ต่อหนึ่งภาพ
โมเดลหลัก Input Tokens Cached Input Tokens Output Tokens GPT-6.1 Sol 50 เครดิต 2.5 เครดิต 250 เครดิต GPT-6 Astra 250 เครดิต 25 เครดิต 1,250 เครดิต
ที่จำนวน Token เท่ากัน อัตรา Input และ Output ของ Astra เป็นห้าเท่าของ 6.1 Sol ส่วน Cached Input เป็นสิบเท่า ตัวเลขนี้คือเหตุผลว่าทำไมการหยิบ Astra มาใช้กับทุกงานโดยไม่คิด ถึงทำให้โควตาหมดเร็วแบบงงๆ แต่ต้นทุนงานจริงยังขึ้นกับจำนวน Token ที่แต่ละโมเดลใช้ด้วย เครดิตเรตอย่างเดียวจึงยังบอกไม่ได้ว่าโควตาในค่าสมาชิกจะหมดเร็วแค่ไหน
ฝั่งโมเดลภาพใน API เอกสารระบุว่า Sunburst กับ Flare มีอัตรา Image Output เท่ากันที่ 30 ดอลลาร์ต่อหนึ่งล้าน Token และ Image Input ที่ 8 ดอลลาร์ต่อหนึ่งล้าน Token แต่อัตราที่เท่ากันไม่ได้แปลว่าค่าใช้จ่ายต่อภาพเท่ากัน แต่ละรุ่นและแต่ละระดับคุณภาพอาจกินจำนวน Token ต่างกัน และถ้าใช้ Responses API ก็ต้องบวกต้นทุนโมเดลหลักเข้าไปด้วย
ผมจึงเสนอให้จดต้นทุนรวมตั้งแต่เตรียมบรีฟ สร้างภาพ ทดลองภาพ แก้ภาพ จนได้งานที่ผ่าน โดยใช้ข้อมูลการใช้งานและการเรียกเก็บเงินจริง ใน API ค่า usage ช่วยดูจำนวน Token ได้ แต่เอกสารระบุว่าการ Cache ของเครื่องมือภาพบางส่วนสะท้อนใน Billing โดยไม่ได้แจกแจง Cached Token ใน Responses Output จึงไม่ควรใช้ usage เพียงอย่างเดียวมาสรุปส่วนลดจาก Cache ครับ
Cost per Accepted Image วัดความคุ้มจากภาพที่ผ่านใช้จริง ไม่ใช่ภาพที่สร้างได้
หัวใจของบทความนี้อยู่ตรงนี้ครับ ผมเสนอให้ใช้ต้นทุนต่อภาพที่ผ่านเป็นเกณฑ์ตัดสินความคุ้มของ Workflow แทนการดูราคาต่อการสร้างหนึ่งครั้ง เหตุผลง่ายมาก คือนักการตลาดต้องการชิ้นงานที่เอาไปใช้ได้จริง และค่าใช้จ่ายของภาพที่ไม่ผ่านก็ออกจากงบก้อนเดียวกัน สูตรต่อไปนี้เป็นวิธีประเมินที่ผมสังเคราะห์ขึ้นสำหรับบทความนี้
ต้นทุน AI ต่อภาพที่ผ่าน = ต้นทุน AI รวมของการทดลองและการแก้ทั้งหมด ÷ จำนวนภาพที่ผ่านเกณฑ์ใช้งาน
ตัวอย่างสมมติต่อไปนี้ใช้หน่วยบาทเพื่ออธิบายวิธีคิดเท่านั้น ตัวเลขไม่ใช่ราคา OpenAI ไม่ใช่ผลทดสอบ Sol หรือ Astra และไม่ใช่การแปลงจากดอลลาร์ โดยสมมติว่าต้นทุนรวมของแต่ละวิธีรวมงานเตรียม สร้าง และแก้แล้ว
วิธีสมมติ ต้นทุน AI รวม จำนวนภาพที่ผ่าน ต้นทุนต่อภาพที่ผ่าน วิธี A 40 บาท 3 ภาพ 13.33 บาท วิธี B 70 บาท 8 ภาพ 8.75 บาท
เห็นไหมครับว่าวิธี B ใช้งบรวมเยอะกว่า แต่ต้นทุนต่อภาพที่ผ่านกลับถูกกว่า ผลแบบนี้เกิดจากจำนวนภาพที่ผ่านในตัวอย่าง ไม่ได้พิสูจน์ว่าโมเดลที่แพงกว่าจะคุ้มกว่าเสมอ แต่มันบอกเราว่าการดูแค่งบรวมโดยไม่ดูจำนวนงานที่ผ่าน อาจทำให้เราตัดวิธีที่คุ้มกว่าทิ้งไปโดยไม่รู้ตัว
ถ้าต้องประเมินเป็นต้นทุนธุรกิจจริง ให้บวกเวลาตรวจและแก้ของคนเข้าไปด้วย เช่น ค่าแรงต่อชั่วโมงคูณจำนวนชั่วโมงที่ใช้ แล้วหารด้วยจำนวนภาพที่ผ่าน โดยแยกต้นทุนคนกับต้นทุน AI ในรายงานให้ชัด จะได้รู้ว่าปัญหาอยู่ที่โมเดล อยู่ที่บรีฟ หรืออยู่ที่วิธีเก็บงาน
ส่วนกรณีทดลองแล้วไม่มีภาพผ่านเลย ให้รายงานตรงๆ ว่าไม่มีผลลัพธ์ที่ผ่าน พร้อมต้นทุนที่ใช้ไป อย่าหารด้วยศูนย์ และอย่าเอาจำนวนภาพที่สร้างทั้งหมดมาหารแทน นั่นคือการวัดคนละผลลัพธ์กันเลยครับ
Production Workflow ลงกำลังคิดกับจุดที่มีผลต่อภาพทั้งชุด
พอเรามีเกณฑ์วัดความคุ้มแล้ว คำถามถัดมาคือจะจัดขั้นตอนการทำงานยังไงให้ตัวเลขนั้นออกมาดี ผมเสนอ Workflow ห้าขั้นสำหรับนักการตลาดที่ทำภาพเป็นชุด เป้าหมายคือให้แต่ละรอบมีหน้าที่ชัดและตรวจความคุ้มได้ ยังไม่มีเปอร์เซ็นต์ประหยัด Token ที่ยืนยันได้สำหรับทุกแบรนด์ แต่หลักคิดนี้ช่วยกันเงินรั่วจากรอบแก้ที่ไม่จำเป็นได้แน่นอนครับ
1. Lock the Brief ล็อกข้อความและเกณฑ์ผ่านก่อนสร้าง
เตรียมข้อความที่จะใช้จริง ภาพสินค้า โลโก้ โทนสี สัดส่วน และสิ่งที่ห้ามเปลี่ยนให้ครบก่อนกดสร้าง ลองนึกภาพแคมเปญร้านอาหารที่ต้องมีชื่อเมนู ราคา และเงื่อนไขโปรโมชันในภาพ ถ้าราคายังไม่นิ่งแล้วรีบสร้าง การเปลี่ยนราคาทีหลังจะกลายเป็นการไล่แก้ทุกภาพในชุดทันที
คำแนะนำเรื่องบรีฟใช้คู่กับบทความ Visual and Brand with ChatGPT รวม 20 Prompt สร้างงานภาพและแบรนด์ให้เป็นชุดเดียวกัน สำหรับเตรียมแนวภาพและตัวอย่างอ้างอิงได้เลย ส่วนการเลือกโมเดลและราคาให้ยึดเอกสารทางการปัจจุบันครับ
2. Choose the Direction เลือกแนวคิดก่อนผลิตทั้งอัลบั้ม
แยกการคิดคอนเซปต์ออกจากการผลิตเต็มชุด ใช้โมเดลหลักเตรียมทางเลือกที่ต่างกันชัดๆ ก่อน แล้วสร้างตัวอย่างเท่าที่พอให้ตัดสินใจได้ ลองนึกภาพอัลบั้มสิบภาพ คุณเลือกแนวภาพเปิดจากตัวอย่างแค่ไม่กี่ใบ ก่อนเอาแนวที่ผ่านไปทำภาพที่เหลือทั้งหมด
ถ้าใช้ API และปรับคุณภาพได้ ให้ทดลองที่คุณภาพระดับพอสำหรับการตัดสินใจเบื้องต้น แล้วประเมินภาพที่จะเผยแพร่จริงอีกรอบที่คุณภาพปลายทาง อย่าถือว่าภาพร่างยืนยันรายละเอียดของภาพสุดท้ายทั้งหมดครับ
3. Reuse the System ส่งต่อแนวทางที่ผ่านแล้วให้ชัด
หลังเลือกสไตล์ได้ ให้สรุปสี การวางหัวข้อ รูปแบบกราฟ และตำแหน่งข้อมูลที่ใช้ร่วมกัน พร้อมแนบภาพอ้างอิงที่ผ่านแล้วไปกับทุกคำสั่งถัดไป ลองนึกภาพอัลบั้มสอนการตลาดที่ภาพถัดไปเปลี่ยนสารและภาพประกอบตามหัวข้อ แต่ยังรักษาระบบตัวอักษรเดียวกันทั้งชุด
ขั้นนี้แหละคือจังหวะทองของการลดกำลังโมเดลหลัก ถ้าผลยังครบและรอบแก้ไม่เพิ่ม ก็เก็บการตั้งค่าเบาๆ นั้นไว้ แต่อย่าเพิ่งสรุปว่าการส่ง Reference ซ้ำจะได้ส่วนลดค่าบริการแน่นอน ส่วนลดจาก Cache ต้องเข้าเงื่อนไขของระบบที่ใช้ด้วยครับ
4. Target the Edit ระบุสิ่งที่แก้และสิ่งที่ต้องคงไว้
ใช้คำสั่งแก้ที่ระบุจุดเปลี่ยนชัดเจน เช่น เปลี่ยนหัวข้อหนึ่งตำแหน่ง พร้อมบอกด้วยว่าส่วนไหนห้ามแตะ เอกสารการสร้างและแก้ภาพใน ChatGPT ก็แนะนำให้แก้ทีละส่วน และบอกให้ชัดว่าอะไรเปลี่ยน อะไรคงเดิม
ลองนึกภาพงานเปิดที่องค์ประกอบผ่านหมดแล้วแต่ราคาผิดอยู่จุดเดียว คุณควรส่งราคาใหม่พร้อมชี้ตำแหน่ง แทนคำสั่งกว้างๆ ว่าทำให้ดีกว่าเดิม และถ้าสินค้า โลโก้ ตัวเลข หรือข้อความต้องตรงต้นฉบับทุกจุดจริงๆ ให้พิจารณาเอา Asset ต้นฉบับไปประกอบและจัดข้อความด้วยเครื่องมือออกแบบแทน เพื่อคุมรายละเอียดเหล่านั้นโดยตรง
เทคนิคการคุมรายละเอียดภาพด้วยโครงสร้างคำสั่ง ผมเคยเขียนไว้ในบทความ JSON Prompt สูตรลัดในการควบคุมงานภาพและวิดีโอจาก AI ลองอ่านประกอบกันได้ครับ
5. Check the Result ตรวจภาพจริงก่อนนับว่าผ่าน
เกณฑ์ผ่านควรครอบคลุมชื่อแบรนด์ ข้อความ ตัวเลข รายละเอียดสินค้า การอ่านบนมือถือ และความสอดคล้องกับภาพทั้งชุด อย่านับภาพเป็นงานผ่านแค่เพราะภาพดูสวย
ลองนึกภาพตารางการตลาดที่สีสวย องค์ประกอบดี แต่ข้อมูลหายไปหนึ่งช่อง ภาพนั้นยังไม่ผ่านเกณฑ์ความครบของเนื้อหา และถ้าปล่อยหลุดไป คนที่เจอก่อนคือลูกค้าของคุณครับ
Fair Test ทดลองกับบรีฟของตัวเองก่อนตั้งค่าถาวร
การเลือกที่คุ้มสำหรับแบรนด์คุณควรมาจากผลทดสอบกับงานจริง OpenAI เองก็แนะนำให้เปรียบเทียบด้วย Input เดียวกันและเก็บการตั้งค่าที่เบาที่สุดซึ่งยังผ่านเกณฑ์คุณภาพ แนวทางต่อไปนี้เป็นวิธีที่ผมเสนอให้เอาไปทำเอง บทความนี้ยังไม่ได้ทดสอบให้นะครับ
เริ่มจากชุดบรีฟที่ครอบคลุมงานของคุณจริงๆ เช่น ภาพโปรโมชันข้อความสั้น ภาพเปิดบทความ ภาพอัลบั้มที่ต้องรักษาสไตล์ และงานแก้ภาพจริง ถ้าจะเทียบโมเดลหลัก ให้ล็อกเครื่องมือภาพ คุณภาพ และขนาดภาพให้เหมือนกัน หากระบบเปิดให้ควบคุมได้ ส่วนการเทียบโมเดลภาพ ให้ล็อกคำสั่งและ Input แล้วเปลี่ยนเฉพาะโมเดลภาพ
สิ่งที่บันทึก เหตุผลที่ต้องดู ภาพผ่านตั้งแต่รอบแรกไหม เห็นคุณภาพรอบแรกตามเกณฑ์เดียวกัน ใช้กี่รอบจนผ่าน เห็นภาระการแก้จริง Token เครดิต หรือค่าใช้จ่ายรวม เทียบต้นทุนด้วยหน่วยเดียวกัน เวลาสร้างและเวลาตรวจแก้ เห็นเวลาที่นักการตลาดต้องลงทุน จุดผิดที่พบ แยกปัญหาบรีฟกับปัญหาผลลัพธ์ภาพ
ควรทดลองซ้ำมากกว่าหนึ่งครั้งต่อบรีฟ และประเมินภาพโดยไม่ให้ชื่อโมเดลชี้นำคะแนน ถ้า ChatGPT ไม่เปิดให้ล็อกโมเดลภาพหรือคุณภาพ คุณยังเทียบทั้ง Workflow ได้ แต่ต้องจดไว้ด้วยว่าตัวแปรไหนคุมไม่ได้ ผลที่ได้จึงเป็นการเทียบวิธีทำงาน ไม่ใช่การพิสูจน์ความต่างของโมเดลหลักล้วนๆ
และถ้าไม่มีข้อมูล Token หรือเครดิตรายงานให้ดู ก็รายงานเฉพาะสิ่งที่วัดได้จริง เช่น จำนวนรอบและเวลา อย่านั่งแปลงจำนวนข้อความเป็น Token เองแล้วเอาไปสรุปความคุ้มครับ
Cost per Accepted Image สรุปวิธีเลือกโมเดล ChatGPT สร้างภาพสำหรับนักการตลาด
มาถึงตรงนี้ ภาพรวมของการเลือกน่าจะชัดขึ้นแล้ว เริ่มจาก 6.1 Sol + Medium กับบรีฟทั่วไป ขยับไป Astra เมื่อโจทย์ต้องการการวิเคราะห์ที่ยากขึ้น แล้วลดระดับลงในช่วงผลิตตามแนวที่ผ่านแล้ว ถ้าเลือกโมเดลภาพผ่าน API ได้ ให้เริ่มทดลอง Flare กับงานสร้างทั่วไป และ Sunburst กับงานที่เน้นความแม่นยำในการแก้
จากนั้นตัดสินทุกอย่างจากภาพที่ผ่านตามเกณฑ์เดียวกัน โดยรวมต้นทุนและเวลาของทุกรอบที่สร้างหรือแก้เข้าไปด้วย ไม่มีผลทดสอบในบทความนี้ที่จะรับรองว่าคู่ไหนคุ้มที่สุดสำหรับทุกแบรนด์ แต่ตอนนี้คุณมีทั้งจุดตั้งต้น วิธีทดลอง และวิธีวัดผลที่เอาไปใช้ได้จริงแล้ว
และถ้าให้ผมรวบทุกอย่างที่เล่ามาทั้งบทความนี้ให้เหลือแนวคิดเดียว แนวคิดนั้นคือ Cost per Accepted Image หรือต้นทุนต่อภาพที่ผ่านใช้จริง เมื่อไหร่ที่คุณเปลี่ยนหน่วยวัดจากราคาต่อการกดสร้าง มาเป็นต้นทุนต่อภาพที่ผ่าน คำถามว่าควรเปิด Max ไหมจะตอบง่ายขึ้นทันที เพราะคุณจะเห็นว่าเงินรั่วจริงๆ อยู่ที่รอบแก้ ไม่ใช่ที่ระดับการคิด
ก่อนเริ่มงานภาพชุดถัดไป ลองกำหนดเกณฑ์ผ่านให้ชัด แล้วบันทึกต้นทุนต่อภาพที่ผ่านของทีมคุณดู แล้วคุณจะเลือกได้อย่างมั่นใจว่าจุดไหนควรเพิ่มกำลังคิด และจุดไหนประหยัดได้โดยคุณภาพงานไม่ตกอย่างชัดเจนครับ
FAQ คำถามที่พบบ่อยเกี่ยวกับการเลือกโมเดล ChatGPT สร้างภาพ
นักการตลาดควรเริ่มใช้โมเดลไหนทำภาพ
บทความนี้เสนอให้เริ่ม GPT-6.1 Sol + Medium สำหรับอ่านบรีฟและเตรียมคำสั่งภาพทั่วไป แล้วทดลองกับเกณฑ์งานของตัวเอง ใช้ Astra เมื่อโจทย์กำกวมหรือมีรายละเอียดให้วิเคราะห์เยอะขึ้น คำแนะนำนี้ยังไม่ใช่ผลทดสอบจัดอันดับภาพการตลาดภาษาไทยครับ
เปิด Max แล้วภาพจะสวยขึ้นหรือข้อความไทยจะถูกเสมอไหม
Max เพิ่มกำลังคิดของโมเดลหลักตามเอกสาร แต่ไม่ได้เท่ากับตั้งคุณภาพเครื่องมือภาพเป็น Max และไม่ได้เป็นหลักประกันว่าข้อความในภาพจะถูกทุกจุด ยังต้องตรวจผลภาพจริงและแก้ตามปัญหาที่พบครับ
Sunburst กับ Flare ต่างกันอย่างไร
OpenAI วาง Sunburst ไว้กับงานที่เน้นความแม่นยำในการแก้ภาพ และ Flare ไว้กับการสร้างภาพคุณภาพสูงที่เน้นความเร็ว ทั้งสองมีอัตรา Token ของโมเดลภาพเท่ากันตามเอกสาร แต่ต้นทุนต่อภาพอาจต่างกันเพราะจำนวน Token ที่แต่ละรุ่นใช้ต่างกัน
จะรู้ได้อย่างไรว่าใช้ Token คุ้ม
วัดต้นทุนรวมของงานเตรียม สร้าง และแก้ แล้วหารด้วยจำนวนภาพที่ผ่านเกณฑ์ใช้งาน โดยใช้ข้อมูล Token เครดิต หรือค่าใช้จ่ายจริงตามช่องทางที่ใช้ และแยกเวลาแก้ของคนไว้ต่างหาก ถ้าไม่มีภาพผ่านเลย ให้รายงานต้นทุนที่ใช้ไปพร้อมสถานะไม่มีงานผ่านครับ
พิมพ์ชื่อโมเดลภาพหรือ Quality High ในแชทแล้วระบบจะเปลี่ยนให้ไหม
ข้อความที่พิมพ์ไม่ได้เป็นหลักฐานว่าค่าระบบถูกเปลี่ยนตามนั้น รายละเอียดการเลือกโมเดลและคุณภาพภาพเป็นตัวเลือกเฉพาะฝั่ง API ส่วนใน ChatGPT ต้องดูการควบคุมที่บัญชีและหน้าจอเปิดให้ใช้จริงครับ
