Почему нейросеть ломает перспективу: FLUX 2024 года обошёл Nano Banana 2.1 и GPT Image 2.5

Нейросеть искажает перспективу, потому что её не учили сводить линии в одну точку: исследователи Sony в 2023 году прямо писали, что точность перспективы при обучении ^[1] диффузионных моделей не требуется. Я проверил, изменилось ли это, на 7 моделях и 3 сценах.

Точнее всех линии свела модель, которой почти два года. FLUX 1.1 Pro Ultra вышла в ноябре 2024-го и набрала в среднем 95 из 100. У Nano Banana 2.1, вышедшей в октябре 2026-го, 86,7, у GPT Image 2.5 Sunburst из сентября 83,3. Первая Nano Banana обошла свою новую версию, а GPT Image 2.5 Sunburst прибавила к GPT Image 1 больше всех, 21,7 пункта.

Если перспектива в картинке важна, номер версии ничего не гарантирует. Самой трудной сценой оказалась кухня. У Nano Banana 2.1 там 60 при 100 на улице, у GPT Image 1 и вовсе 40. Две-три линии до точки схода ловят такой промах за минуту, и провести их лучше до того, как картинка уйдёт в макет интерьера или на обложку.

Полгода назад перспектива выдавала ИИ. Я проверил, как сейчас

Полгода назад я видел способ отличить фото от ИИ-картинки через перспективу. За это время вышло много обновлений: GPT Image сменила две версии, Nano Banana дошла до 2.1. Я решил проверить, как обстоят дела сегодня, и сравнить новые модели со старыми.

Способ не самодельный. Эксперт по цифровой криминалистике Хани Фарид разбирал перспективу на картинках DALL-E 2 ещё в 2022 году. А в мае 2026-го, по пересказу Let’s Data Science, он рассказал, что проверки по шуму матрицы стали ненадёжны, и теперь он смотрит на геометрию и перспективу сцены. Получается, проверка линиями живее, чем кажется. Только надолго ли? Если новые модели научились держать перспективу, ловить подделку она перестанет.

Почему нейросеть искажает перспективу, а камера нет

Камера сводит линии в точку по законам оптики, а нейросеть рисует перспективу по памяти ^[2] о похожих картинках, без явной геометрической модели сцены: так это объясняют Фарид и исследователи Sony. С фотографией всё просто. Камера проецирует сцену через одну точку. Поэтому линии, которые в жизни параллельны, на снимке сходятся в точку схода, например край тротуара и карниз дома. У каждого направления своя точка, и у горизонтальных линий все такие точки лежат на линии горизонта. Фотографу для этого даже стараться не нужно, так устроена съёмка.

А что с нейросетью? Исследователи разбирают это уже четыре года. Фарид в 2022 году взял 25 кухонь, нарисованных DALL-E 2. На кухне с плиточным полом линии плитки сходились в одну точку, а точка схода столешницы с ней не совпадала. Его объяснение: генерация по тексту не опирается на явную геометрическую модель сцены, а глаз человека такие нестыковки часто пропускает. Отражения в блестящих поверхностях у DALL-E 2 тоже жили своей жизнью: линии от предмета к отражению не сходились.

Группа исследователей Sony на SIGGRAPH Asia 2023 сформулировала причину ещё короче. Точность перспективы при обучении латентной диффузии не входит в явные требования. Они добавили в обучение геометрическое ограничение, и результат предпочли картинкам Stable Diffusion 2 в 70% сравнений. Подвох вот в чём: для такого обучения нужен датасет с отмеченными точками схода.

В 2024 году на CVPR вышла работа с говорящим названием «Shadows Don’t Lie and Lines Can’t Bend! Generative Models don’t know Projective Geometry…for now». Её авторы, Саркар, Лазебник, Форсайт, Бхаттад и коллеги, показали, что сгенерированные картинки, которые прошли обычные детекторы, выдают себя геометрией: отрезками линий, полем перспективы, связью предмета и тени. Заметьте «for now» в конце, то есть «пока что». В декабре 2025-го авторы работы ControlVP всё ещё называют несогласованные точки схода частой ошибкой ^[3] моделей вроде Stable Diffusion, и сильнее всего она видна в архитектурных сценах.

Сам Фарид, по тому же пересказу, говорит жёстче: генеративный ИИ «не знает физики, не знает геометрии». Но моделей 2026 года в этих работах нет. Поэтому я и полез проверять сам.

Что изменилось в генераторах картинок с 2022 года

Фраза Sony про перспективу относится к моделям 2023 года. С тех пор генераторы перестраивали не один раз, и в моём тесте есть представители разных поколений.

Сначала коротко о том, как нейросеть вообще рисует картинку. Классическая диффузионная модель начинает со случайного шума и за много шагов очищает его, от грубых пятен к деталям. Текст промпта при этом подмешивается на каждом шаге через cross-attention. Дальше эту схему меняли по частям.

Первый сдвиг касается того, что внутри. В U-Net латентной диффузии блоки внимания стоят только на низких разрешениях, остальное делают свёртки. В 2023 году Пиблс и Се предложили DiT: U-Net заменили трансформером, который работает с кусками латентного изображения и держит внимание на всех слоях. FLUX 1.1 Pro Ultra, по данным хостингов моделей, как раз трансформер, только обученный по схеме rectified flow.

Второй сдвиг произошёл в 2025-м. OpenAI встроила генерацию картинок прямо в GPT-4o, и, по пересказам её системной карты, модель рисует авторегрессионно, а не диффузией. Google сделала то же в Gemini: первая Nano Banana опирается на знания языковой модели о мире. Рассуждать перед рисованием она при этом не умеет, в документации так и написано: thinking не поддерживается.

Третий сдвиг пришёлся на конец 2025-го и 2026-й. GPT Image 2 стала первой моделью OpenAI, которая рассуждает перед генерацией: планирует раскладку, проверяет число объектов и ограничения промпта. Что у неё внутри, компания не раскрыла, только сказала, что архитектуру переделали с нуля. Nano Banana Pro тоже рассуждает о композиции до рендера, а у Nano Banana 2.1 три уровня рассуждения: minimal, medium и high, по умолчанию medium. ByteDance и вовсе заявляет у Seedream 5.0 Pro «прорыв в восприятии пространственной структуры» и правильную перспективу, но на чём модель училась, не раскрывает.

Возможно, внимание по всему кадру и план раскладки помогают держать линии: модель видит левый и правый край сразу и заранее решает, где что стоит. Исследования, которое бы это подтвердило, я не нашёл, так что это гипотеза. Тест ниже проверяет её грубо, но наглядно.

Как я проверял: три сцены, один прогон, линии на глаз

Я взял семь моделей. Четыре из них составляют две пары «старая и новая версия» одного семейства: Nano Banana 1 и 2.1, GPT Image 1 и 2.5 Sunburst. К ним добавил FLUX 1.1 Pro Ultra, Seedream 5.0 Pro и Ideogram 4.5.

Сцены я выбрал нарочно разные: ночная улица у канала, проход в супермаркете и кухня-столовая. В одной сцене пиксели могут удачно сложиться, а на трёх разных полагаться на удачу уже сложно.

Каждая модель рисовала по текстовому промпту, без исходной фотографии. Рядом с каждой сценой лежит реальное фото похожего места: на нём линии сходятся в одну точку, это контроль.

Дальше линейка. На каждой картинке я провёл линии по краям зданий, полок и столешниц и продлил их до пересечения. Оценка на глаз в процентах: насколько линии сцены сходятся в общую точку схода, где 100 значит как на фото. На кухне у фото линии встречаются у самого правого края, а у моделей точка схода уходит за край, так что холст пришлось расширить чёрным полем. Иначе линиям просто негде было встретиться.

Прогоны шли 21 октября 2026 года в SYNTX.AI ^[5] по одному на модель и сцену. Оценивал я один. Это один прогон, это не бенчмарк, таблица показывает, как модели повели себя на этих сценах, а не их предел. При равном среднем выше в рейтинге стоит модель с лучшей худшей сценой.

Промпт 1. Ночная улица у канала: точка схода названа прямо

Этот промпт подсказывает модели больше остальных. В нём прямо сказано, куда уходит вода, и есть «симметричная композиция» и «выразительная перспектива».

Фотореалистичная широкоугольная ночная фотография с точки чуть выше уровня улицы, с моста над узким каналом. Вода уходит от центра нижнего края кадра к далёкой точке схода, вдоль обоих берегов стоят старые кирпичные дома с освещёнными окнами и кафе; на переднем плане — перила моста и несколько размытых прохожих, вдали — небольшой мост, отражения тёплых фонарей и холодных витрин в воде. Симметричная композиция, выразительная перспектива, глубокое ночное небо, реалистичная городская фотография, длинная выдержка, естественные отражения, без чрезмерной насыщенности.

Промпт 2. Проход в супермаркете: полки, плитка и лампы уходят вглубь

Здесь точку схода никто не называет. Зато почти каждая линия в кадре идёт вдоль прохода: стеллажи, швы плитки, ряды ламп.

Реалистичное фото: стою посередине длинного прохода в супермаркете. Высокие стеллажи слева и справа плотно заставлены яркими рядами бутылок, банок и коробок. Пол выложен квадратной белой керамической плиткой с тёмными швами. Сверху — подвесной потолок с длинными рядами люминесцентных ламп. В дальнем конце прохода — стеклянная витрина-прилавок.

Промпт 3. Кухня-столовая: стол, остров и ковёр в одном кадре

Самый коварный из трёх. Мебели много, и каждая вещь добавляет свои линии: стол, ковёр, остров, шкафы, доски пола. Именно на кухнях Фарид ловил DALL-E 2.

Фото интерьера: открытая кухня, совмещённая со столовой. Слева на переднем плане — прямоугольный деревянный обеденный стол с тёмными стульями на прямоугольном ковре с узором. В центре — кухонный остров из тёмного дерева с каменной столешницей и рядом из четырёх барных стульев. Вдоль задней и левой стен — деревянные кухонные шкафы, вытяжка из нержавеющей стали и окна с частыми переплётами. Пол из деревянных досок, с потолка свисают подвесные светильники.

Какая нейросеть держит перспективу: итоговая таблица

На моих трёх сценах точнее всех перспективу держит FLUX 1.1 Pro Ultra, 95,0 в среднем. Следом Nano Banana 1 с 91,7 и Nano Banana 2.1 с 86,7, последней идёт GPT Image 1 с 61,7.

Проверено 21 октября 2026 года. У Seedream 5.0 Pro и Ideogram 4.5 одинаковое среднее, 80,0. Выше стоит Seedream, потому что её худшая сцена 60, а у Ideogram 50.

Логично ^[6] было бы ждать, что модели 2026 года с рассуждением перед рисованием уйдут в отрыв. Таблица говорит другое. Наверху модель ноября 2024-го, внизу GPT Image 1, а между ними старые и новые версии перемешаны.

Проход в супермаркете прощает, кухня нет

Проще всего моделям дался супермаркет: в среднем 93,6. Три модели свели линии на 100, самая низкая оценка 85, у FLUX 1.1 Pro Ultra и GPT Image 1. Различить модели на этой сцене почти не получилось.

На улице у канала среднее 82,1. Три модели, FLUX 1.1 Pro Ultra и обе Nano Banana, получили 100. А дальше разброс: у Ideogram 4.5 облако пересечений и 50, у GPT Image 1 две точки схода вместо одной и 60. Промпт тут подсказывал больше всех, точка схода в нём названа прямо, и всё равно две модели из семи провалились.

Кухня оказалась самой трудной сценой: среднее 72,1 и оценки от 40 до 100. Все линии в одну точку свела только FLUX 1.1 Pro Ultra. Ideogram 4.5, которая провалила улицу, здесь взяла 90. Обе Nano Banana потеряли на кухне 25 и 40 пунктов против своих 100 на улице, а у GPT Image 1 стены и остров ведут в разные точки, отсюда 40. Похожую нестыковку Фарид описывал на кухнях DALL-E 2: пол сходится в одну точку, столешница в другую. Почему кухня сложнее улицы? Мой тест этого не объясняет, он показывает только разрыв: 72,1 против 82,1 и 93,6.

Новая версия не всегда точнее: Nano Banana и GPT Image

Пары из одного семейства разошлись в разные стороны.

У Nano Banana новая версия оказалась ниже старой: 86,7 против 91,7. На улице и в проходе у обеих по 100, так что вся разница на кухне, 60 у версии 2.1 и 75 у первой. Забавно, что первая Nano Banana рассуждать перед рисованием не умеет вовсе, а у 2.1 рассуждение есть. Какой уровень рассуждения стоял в моём прогоне, в протоколе теста не записано.

У GPT Image всё наоборот. GPT Image 2.5 Sunburst набрала 83,3 против 61,7 у GPT Image 1, это плюс 21,7 пункта, самый большой рост в тесте. Кухня выросла с 40 до 80, улица с 60 до 80, проход с 85 до 90.

Выходит, по этим двум парам не видно, что шаг рассуждения сам по себе чинит перспективу. В одной паре он совпал с ростом, в другой с падением. А первое место у FLUX 1.1 Pro Ultra, у которой Black Forest Labs шага рассуждения не заявляла.

Семь моделей по порядку: где у кого ушли линии

1. FLUX 1.1 Pro Ultra: 95,0

Самая старая модель теста и единственная, у которой кухня на 100: все линии, от стен до острова, сошлись в одной точке. Black Forest Labs выпустила её 6 ноября 2024 года. Картинка до 4 мегапикселей, около 10 секунд на генерацию, режимы Ultra и Raw. Улица тоже на 100.

А слабое место у неё неожиданное: супермаркет, самая лёгкая сцена теста. Там 85, наравне с GPT Image 1, когда три модели взяли 100.

2. Nano Banana 1: 91,7

Первая Nano Banana, она же Gemini 2.5 Flash Image, вышла в конце августа 2025 года. Улица и проход у неё на 100, кухня на 75. Это второе место в тесте и на 5 пунктов выше её же новой версии.

3. Nano Banana 2.1: 86,7

Самая свежая модель теста, Google выпустила её 6 октября 2026 года. На улице и в проходе она сводит линии на 100, как FLUX. А вот кухня подвела. Линии собрались в пучок около точки схода, но пол и ковёр прошли мимо, итог 60. Для интерьеров это главная цифра в её строке.

4. GPT Image 2.5 Sunburst: 83,3

Ни одной оценки ниже 80: улица 80, проход 90, кухня 80. Разброс 10 пунктов, самый маленький в тесте. Первого места у неё нет ни в одной сцене, но и провала тоже.

GPT Image 2.5 вышла 8 сентября 2026 года в двух вариантах. Flare отвечает за скорость, Sunburst за качество и точность правок и работает дольше. В тесте была только Sunburst.

5. Seedream 5.0 Pro: 80,0

ByteDance обещала у этой модели правильную перспективу. И на проходе в супермаркете это похоже на правду, там 95. Улица 85, кухня 60, и в итоге пятое место: среднее как у Ideogram 4.5, но худшая сцена у Seedream лучше.

6. Ideogram 4.5: 80,0

Самая неровная модель теста, разброс 50 пунктов. На улице у неё облако пересечений: линии пересекаются попарно в разных местах, а общей точки нет, отсюда 50. При этом на кухне, где у большинства 60-80, Ideogram 4.5 взяла 90, второй результат после FLUX. В проходе 100.

Если бы я судил по одной улице, записал бы её в аутсайдеры. Ради таких случаев сцен и три.

7. GPT Image 1: 61,7

Последнее место и два разных вида поломки. На улице 60: левая и правая стороны канала сходятся на разной высоте, получились две точки вместо одной. На кухне 40, худшая оценка теста, тут уже облако: стены ведут в одну точку, остров в другую.

А вот проход в супермаркете GPT Image 1 свела на 85, столько же, сколько FLUX. Так что простая сцена ей всё же по силам.

Какую модель брать для интерьера, улицы и витрины

Для интерьера с мебелью по моим сценам подходят FLUX 1.1 Pro Ultra (100 на кухне) и Ideogram 4.5 (90). Но для улиц Ideogram 4.5 я бы не брал, там 50.

Улицу все линии в одну точку свели три модели: FLUX 1.1 Pro Ultra и обе Nano Banana.

Если сцены разные и провал недопустим, смотрите на GPT Image 2.5 Sunburst. Первых мест у неё нет, зато ни одной оценки ниже 80.

Стеллажи и проходы по перспективе потянет почти любая модель из теста, среднее по этой сцене 93,6. Там выбирайте по стилю.

А где перспектива ломается у вас? Если есть пример с проведёнными линиями, покажите его в комментариях.

Чего этот тест не доказывает

Три сцены и один прогон на каждую дают картину, но не закон. Разница Nano Banana на кухне в 15 пунктов может оказаться и регрессом новой версии, и неудачной генерацией. Чтобы их различить, кухню нужно прогнать ещё два-три раза на обеих версиях. Оценку на глаз ставил один человек, и другой мог бы оценить пограничные картинки иначе.

Есть и вещи, которых в протоколе нет. Соотношение сторон и разрешение не записаны. Все картинки сделаны по тексту: управление глубиной, картами линий и прочие дополнительные входы я не трогал. Nano Banana 1 и GPT Image 1 – модели прошлого поколения, в тесте они для сравнения со своими новыми версиями.

Частые вопросы

Почему нейросеть искажает перспективу даже в 2026 году?

У диффузионных моделей точность перспективы не входила в явные требования при обучении, это отмечали исследователи Sony в 2023-м. Как обучали модели 2026 года, разработчики не раскрывают. На простых сценах модели из теста держат линии хорошо: в проходе супермаркета у меня в среднем 93,6. Но на кухне с мебелью три модели из семи получили 60 и ниже.

Какая нейросеть лучше всего держит перспективу?

На моих трёх сценах это FLUX 1.1 Pro Ultra: 95,0 в среднем и 100 на кухне, самой трудной сцене. Следом идут Nano Banana 1 с 91,7 и Nano Banana 2.1 с 86,7. Если важнее не пик, а отсутствие провалов, смотрите на GPT Image 2.5 Sunburst: у неё все оценки от 80 до 90.

Можно ли по перспективе отличить ИИ-картинку от фото?

Иногда. GPT Image 1 на кухне линии выдают сразу, а FLUX 1.1 Pro Ultra на той же кухне сводит их не хуже фотографии. Разошедшиеся линии – хороший повод не доверять картинке, сошедшиеся ничего не доказывают.

Помогает ли режим рассуждения держать перспективу?

По моему тесту однозначного ответа нет. GPT Image 2.5 Sunburst выросла к GPT Image 1 на 21,7 пункта, а Nano Banana 2.1 с рассуждением опустилась ниже первой версии без него. Первое место при этом у FLUX 1.1 Pro Ultra, где рассуждение не заявлено.

Можно ли исправить перспективу промптом?

Этого я не проверял: промпт был один на все модели. В промпте улицы точка схода названа прямо, и две модели из семи всё равно провалились, на 50 и 60. В исследованиях перспективу чинят не текстом: Sony добавила геометрическое ограничение в обучение, и для него понадобился датасет с точками схода.

Попробовать на своей сцене

Промпты выше можно прогнать на пяти моделях из теста в SYNTX.AI ^[7]: FLUX 1.1 Pro Ultra, Nano Banana 2.1, GPT Image 2.5 Sunburst, Seedream 5.0 Pro и Ideogram 4.5, по очереди в одном окне. Проведите на результатах две-три линии, и если ваша кухня сойдётся иначе, чем моя, принесите её в комментарии. Промокод CTRLAI даёт скидку 20% на любой тариф для читателей Хабра.