Picture made with Stable Diffusion XL, JuggernautXL model

 

Italiano [English below]

 

Dopo avere pubblicato il confronto su un prompt difficile e volutamente poco descrittivo tra 12 modelli generativi per creare immagini, di cui 10 Open Source e gratuiti dal mio computer (HiDream-|1 [full], Qwen Image 1.0, SD3 Large 3.5, FLUX.1 [dev], Stable Diffusion XL Base 1.0, OpenDalle v11, Juggernaut XL, DreamArtFusion v11, Portrait+ 1.0, PixelAlchemy v22, ma in realtà ne ho scaricati e provati molti di più) e due commerciali online di cui uno a pagamento (Midjourney) e l’altro gratuito ma con il limite di 2-3 immagini al giorno (ChatGPT/DALL•E), mi sono chiesto: vale la pena di pagare dei servizi commerciali di IA generativa?

L’offerta di servizi online per la creazione di immagini è cresciuta molto in quantità e varietà. Oltre a quelli proprietari proliferano servizi credit-based (basati su un certo numero di crediti che vengono consumati nella generazione delle imagini e devono essere rinnovati) e a pagamento basati su modelli Open Source, come Stable Diffusion, Qwen Image e DeepSeek. Nelle versioni base molti servizi sono gratuiti anche se con delle limitazioni (numero di immagini che possono essere generate, ridotte dimensioni e qualità, scarse opzioni, lentezza del processo…), il che li rende poco adatti a un uso professionale. Sopravvive online qualche servizio completamente gratuito.

Picture made with Stable Diffusion 1.5

 

Dunque, per rispondere alla domanda posta sopra, oltre a quelli a pagamento già provati nell’articolo precedente (Midjourney e ChatGPT/DALL•E) ho testato con lo stesso prompt anche Gemini, Copilot, Grok Imagine e Firefly. Per correttezza devo dire che sono abbonato a Midjourney, a Copilot e al piano Creative Cloud di Adobe, il cui pacchetto comprende anche Firefly, mentre ho utilizzato i piani gratuiti di ChatGPT/DALL•E e Grok Imagine, che è in versione beta, dei quali sono utente registrato.

Ripropongo per comodità il prompt che ho utilizzato per i test:

We’re on vacation, it’s Ferragosto (Assumption Day), so the music is everyplace, especially the bad kind. But, even if less overtly, music is pervasively present throughout the year. Outside of concerts and designated venues, there’s background music everyplace, on the streets, in cafes, supermarkets, beach establishments, cinemas outside the screening rooms, public places, on transportation, and even in the doctor’s waiting room. Finding a restaurant without background music is almost impossible. I’ve had to ask them to turn the volume down because it made conversation difficult, and on a couple of occasions, I got up and left. In a convivial setting, sitting around a table with others, it bothers me to have to raise my voice to be heard over the sounds and struggle to understand what others are saying. Umberto Eco wrote that we live in the age of vision and information and noise. It distresses us to remain silent; we find it normal to fill every moment of existence. We constantly need a drone or a noise that tells us we are alive, that we exist in the world, that we are on a stage, in a continuous party. The silence is deafening. Outside the noise accumulation points is the obsession with emptiness, where one confronts oneself and the world without a safety net.

Ecco quindi i risultati di Gemini, Copilot, Grok Imagine e Firefly, a cui ho aggiunto anche quelli già pubblicati di Midjourney e ChatGPT/DALL•E.

Copilot ha correttamente interpretato il prompt, sia pure in maniera semplice, enfatizzando il mainstream della “fumettizzazione”, analogamente a come ha fatto ChatGPT/DALL•E (il che non dovrebbe stupire dato che entrambi utilizzano il modello DALL•E 3 di OpenAI). Grok Imagine ha generato un’immagine generica e povera, che ha quasi totalmente ignorato il prompt (e, pardon, il suo “senso”), e che presenta anche diverse inconsistenze formali (per esempio nelle finestre). L’immagine generata da Gemini invece, anche se abbastanza semplice, è tra le più coerenti rispetto al prompt e non presenta evidenti incongruenze formali.

Un discorso a parte va fatto per Firefly. Non ha “capito” il senso del prompt e ha generato una sorta di allegra tavolata con degli errori evidenti, come il cappello della ragazza a sinistra e la mano che alza la bottiglia. Queste problematiche possono apparire sorprendenti dato il blasone di Adobe in ambito grafico, ma in realtà travagliano Firefly fin dalla nascita, ponendo questa applicazione un gradino più in basso rispetto a Midjourney e anche a determinati modelli di Stable Diffusion. Firefly è sostanzialmente uno strumento per grafici, abbastanza immediato e semplice per un utilizzo di qualità media, mainstream, in grado di dialogare facilmente con altre applicazioni di Adobe e fare risparmiare tempo: qui l’IA generativa è intesa al servizio della suite Adobe. Tra i modelli testati è l’unico che non ha accettato la lunghezza del prompt, che ho dovuto accorciare cercando di preservarne il senso. Adobe ha dichiarato che Firefly è stato addestrato principalmente su Adobe Stock, il suo database di immagini con licenza, e su contenuti di pubblico dominio, rendendola un’alternativa “commercialmente sicura”, e che per l’addestramento non vengono utilizzati i contenuti personali degli abbonati di Creative Cloud, anche se va detto che queste affermazioni sono state contestate. Ogni immagine passa inoltre attraverso un processo di normalizzazione per non includere marchi, personaggi o loghi riconoscibili, immagini e stili di artisti, e probabilmente tutte queste limitazioni contribuiscono alla mediocrità del risultato finale.

Dunque, tornando alla domanda iniziale: per generare immagini ha senso pagare dei servizi di IA proprietari o si possono utilizzare dei modelli Open Source in locale? Sono davvero meglio quelli a pagamento? Almeno per il momento, a mio avviso, dipende.

Picture made with Midjourney

 

Il vantaggio dei modelli generativi commerciali risiede nella facilità d’uso, nella possibilità di creare rapidamente molte immagini di buona qualità (anche se, come abbiamo visto, non sempre), e nel fatto di non richiedere particolari competenze tecniche e conoscenze informatiche. Inoltre, questi servizi vengono utilizzati online, dunque non hanno bisogno di PC esigenti in termini di calcolo e di archiviazione, e funzionano anche su smartphone e tablet.
Per delle delle applicazioni tutto sommato semplici, con prompt descrittivi, anche i modelli Open Source se la cavano bene, con esiti talvolta più originali rispetto alle immagini spesso di maniera generate da quelli a pagamento. Ma anche se si perseguono dei risultati più sofisticati e originali, se si usano prompt più aperti e complessi, i modelli Open Source sono validi. Esistono migliaia di modelli da scaricare e utilizzare, specializzati in diverse tipologie di immagini, il limite risiede nella capienza del proprio hard disk. Conoscendone il funzionamento e sapendo come intervenire sulle variabili si possono ottenere risultati molto vari e interessanti, che è possibile personalizzare e adattare alle proprie finalità in maniera ben più rilevante rispetto ai servizi a pagamento. Un altro vantaggio di questi modelli è di operare offline in locale, la rete serve solo per il download iniziale, non è necessario registrarsi/abbonarsi a servizi online e fornire informazioni riservate. Le immagini vengono generate e rimangono sul proprio PC, gli autori possono crearne quante ne vogliono e utilizzarle gratuitamente per uso personale e commerciale (con qualche eccezione, come FLUX.1 [dev]), mantenendo la proprietà dei contenuti, senza accreditare alcuno strumento o organizzazione.

Il rovescio della medaglia risiede nel fatto che utilizzare i modelli Open Source richiede dotazioni informatiche e discrete conoscenze e competenze tecniche e operative che non sono necessarie per quelli commerciali online. Quindi, oltre a essere meno facili da usare, per farli operare in locale servono computer adeguati per capacità di calcolo, quantità di memoria e capacità di archiviazione, specialmente per i modelli più recenti nelle versioni top (HiDream-|1 [full], Qwen Image 1.0, FLUX.1 [dev]).

Picture made with Stable Diffusion XL, Pixart model

 

Dunque, da una parte ci sono modelli proprietari facili da usare e che richiedono limitate risorse tecniche agli utilizzatori, ma di dimensioni enormi, con decine di miliardi di parametri, rigidi e chiusi, dipendenti dal cloud perché troppo grandi per l’hardware casalingo, addestrati su dataset di miliardi di immagini–testo, che girano su cluster di GPU distribuiti su migliaia di macchine, il cui addestramento costa decine di milioni di dollari, che consumano notevoli risorse economiche ed energetiche. Dall’altra parte ci sono modelli molto più piccoli e gratuiti, che consentono un’ampia personalizzazione a patto di conoscerne il funzionamento e possedere una buona dotazione tecnica, ottimizzati per essere eseguiti su PC consumer, addestrati su dataset più limitati e spesso pubblici. Forza bruta, velocità e semplicità contro libertà creativa, efficienza e controllo.

Anche solo il fatto di poter confrontare qualitativamente le immagini generate da queste due categorie così diverse di modelli generativi è interessante. In base alla mia esperienza e a mio parere le immagini create da quelli proprietari non sono qualitativamente e rappresentativamente più valide. Risultano spesso stereotipate, “purgate”, volutamente calate nel mainstream iconografico, sono adatte a fornire un prodotto filtrato, di uso semplice e rapido. Le possibilità di intervento e personalizzazione dei modelli Open Source consentono maggiore libertà creativa e esiti più originali ma non sono tecnicamente e operativamente alla portata di tutti. In futuro l’aumento della capacità di calcolo dei PC e l’ottimizzazione dei modelli Open Source potrebbero riservare delle ulteriori sorprese.

Attualmente tra i modelli proprietari preferisco Midjourney, di cui sono utente pagante, mentre tra quelli Open Source i miei preferiti sono Stable Diffusion e i suoi derivati, e HiDream.

Picture made with FLUX.1 [dev]

 

English

 

After publishing a comparison of 12 generative models to create pictures, 10 of which are open-source and free from my computer (HiDream-|1 [full], Qwen Image 1.0, SD3 Large 3.5, FLUX.1 [dev], Stable Diffusion XL Base 1.0, OpenDalle v11, Juggernaut XL, DreamArtFusion v11, Portrait+ 1.0, PixelAlchemy v22, although I actually downloaded and tried many more), and two commercial online models, one of which is paid (Midjourney) and the other free but limited to 2-3 images per day (ChatGPT/DALL•E), I asked: is it worth paying for generative AI commercial services?

The supply of online services for image creation has grown significantly in quantity and variety. In addition to proprietary ones, credit-based services (based on a certain number of credits that are consumed in image generation and must be renewed) and paid services based on Open Source models, such as Stable Diffusion, Qwen Image, and DeepSeek, are proliferating. In the basic versions, many services are free, although with limitations (number of images that can be generated, reduced size and quality, limited options, slowness of the process…), which makes them unsuitable for professional use. Some completely free services survive online.

Picture made with Midjourney

 

So, to answer the question posed above, in addition to the paid ones already tested in the previous article (Midjourney and ChatGPT/DALL-E), I also tested Gemini, Copilot, Grok Imagine, and Firefly with the same prompt. For transparency, I have to state that I am a subscriber to Midjourney, Copilot, and Adobe’s Creative Cloud plan, which includes Firefly, while I have used the free plans of ChatGPT/DALL-E and Grok Imagine, which is in beta, and which I am a registered user of.

For convenience, I’m reposting the prompt I used for the tests:

We’re on vacation, it’s Ferragosto (Assumption Day), so the music is everyplace, especially the bad kind. But, even if less overtly, music is pervasively present throughout the year. Outside of concerts and designated venues, there’s background music everyplace, on the streets, in cafes, supermarkets, beach establishments, cinemas outside the screening rooms, public places, on transportation, and even in the doctor’s waiting room. Finding a restaurant without background music is almost impossible. I’ve had to ask them to turn the volume down because it made conversation difficult, and on a couple of occasions, I got up and left. In a convivial setting, sitting around a table with others, it bothers me to have to raise my voice to be heard over the sounds and struggle to understand what others are saying. In “Apocalyptic and integrated intellectuals. Mass communications and theories of mass culture,” Umberto Eco wrote that we live in the “society of information and noise.” It distresses us to remain silent; we find it normal to fill every moment of existence. We constantly need a drone or a noise that tells us we are alive, that we exist in the world, that we are on a stage, in a continuous party. The silence is deafening. Outside the noise accumulation points is the obsession with emptiness, where one confronts oneself and the world without a safety net.

Here are the results of Gemini, Copilot, Grok Imagine, and Firefly, to which I’ve also added the already published results of Midjourney and ChatGPT/DALL•E.

Copilot correctly interpreted the prompt, albeit in a simple way, emphasizing the mainstream “comic book style,” similar to how ChatGPT/DALL-E did (which shouldn’t be surprising since both use OpenAI’s DALL-E 3 model). Grok Imagine generated a generic and poor image that almost completely ignored the prompt (and, sorry, its “meaning”), and which also has several formal inconsistencies (for example, in the windows). The image generated by Gemini, on the other hand, although quite simple, is among the most consistent with the prompt and does not present any obvious formal inconsistencies.

A separate discussion is needed for Firefly. It didn’t “understand” the meaning of the prompt and generated a kind of cheerful gathering with obvious errors, such as the girl’s hat on the left and the hand raising the bottle. These issues might seem surprising given Adobe’s reputation in the graphic design field, but in reality, they have plagued Firefly since its inception, placing this application a step below Midjourney and even certain Stable Diffusion models. Firefly is essentially a graphics tool, quite straightforward and simple for average, mainstream use, capable of easily interacting with other Adobe applications and saving time: here, generative AI is understood to be at the service of the Adobe suite. Among the tested models, it’s the only one that didn’t accept the length of the prompt, which I had to shorten while trying to preserve its meaning. Adobe stated that Firefly was trained primarily on Adobe Stock, its licensed image database, and on public domain content, making it a “commercially safe” alternative, and that subscribers’ personal Creative Cloud content is not used for training, although it should be noted that these claims have been disputed. Each image also undergoes a normalization process to exclude recognizable brands, characters, or logos, artist images and styles, and it’s likely that all these limitations contribute to the mediocrity of the final result.

So, returning to the initial question: is it worth paying for proprietary AI services to generate images, or can Open Source models be used locally? Are the paid ones really better? At least for now, in my opinion, it depends.

Picture made with FLUX.1 [schnell]

 

The advantage of commercial generative models lies in their ease of use, the ability to quickly create many good-quality images (although, as we’ve seen, not always), and the fact that they don’t require specific technical skills or computer knowledge. Furthermore, these services are used online, so they don’t require demanding PCs in terms of processing and storage, and they also work on smartphones and tablets.
For relatively simple applications with descriptive prompts, even Open Source models perform well, sometimes producing more original results than the often stereotypical images generated by paid models. But even if you pursue more sophisticated and original results, if you use more open and complex prompts, Open Source models are valid. There are thousands of models to download and use, specializing in different types of images; the only limit is the capacity of your hard drive. By understanding how they works and knowing how to manipulate the options, you can achieve very diverse and interesting results that can be customized and adapted to your specific purposes much more significantly than with paid services. Another advantage of these models is that they operate locally offline; the network is only needed for the initial download, there’s no need to register/subscribe to online services or provide confidential information. The images are generated and remain in your PC; authors can create as many as they like and use them for free for personal and commercial purposes (with some exceptions, such as FLUX.1 [dev]), retaining ownership of the content without crediting any tool or organization.

The downside is that using Open Source models requires computer equipment and decent technical and operational knowledge and skills that are not necessary for commercial online ones. So, in addition to being less user-friendly, running them locally requires computers with adequate processing power, memory, and storage capacity, especially for the latest models in their top versions (HiDream-|1 [full], Qwen Image 1.0, FLUX.1 [dev]).

Picture made with Midjourney

 

So, on the one hand, there are proprietary models that are easy to use and require limited technical resources from users, but they are enormous in size, with tens of billions of parameters, rigid and closed, dependent on the cloud because they are too large for home hardware, trained on datasets of billions of images and text, running on GPU clusters distributed across thousands of machines, whose training costs tens of millions of dollars, and which consume significant economic and energy resources. On the other hand, there are much smaller and free models that allow for extensive customization provided you know how they work and have good technical skills. They are optimized to run on consumer PCs, trained on more limited and often public datasets. Brute force, speed, and simplicity versus creative freedom, efficiency, and control.

Even just being able to qualitatively compare the images generated by these two very different categories of generative models is interesting. Based on my experience and in my opinion, the images created by proprietary models are not qualitatively or representatively better. They often appear stereotyped, “purified,” deliberately placed within the iconographic mainstream, and are suitable for providing a filtered product that is simple and quick to use. Conversely, the possibilities for intervention and customization offered by Open Source models allow for greater creative freedom and more original outcomes, but they are not technically and operationally accessible to everyone. In the future, the increase in PC computing power and the optimization of Open Source models could hold further surprises.

Currently, among the proprietary models, I prefer Midjourney, which I am a paying user for, while among the Open Source ones, my favorites are Stable Diffusion and its derivatives, and HiDream.