Опубликовано: 19.06.2026 | Источник: The Verge (IT)

Интеграция в диплом: как использовать web-search capability в генеративных ИИ-моделях для повышения качества и прозрачности проекта

В апреле 2026 года OpenAI анонсировала ChatGPT Images 2.0 — модель, способную извлекать информацию из интернета при генерации изображений по запросу. Это не просто улучшение качества картинок: это переход от «закрытого» к «полуоткрытому» генеративному ПО, где модель может проверять факты, уточнять детали и даже собирать контекст из внешних источников. Для выпускника ИТ это означает: вы можете продемонстрировать понимание современных ограничений и возможностей LLM в реальных системах — а не только их «магию». Особенно актуально в дипломах по AI/ML, где требуется анализ не только модели, но и её инфраструктуры, безопасности и метрик эффективности.

Сегодня многие ВКР фокусируются на обучении моделей, но редко рассматривают, как такие модели взаимодействуют с внешним миром. А ведь именно этот интерфейс — между моделью и данными — определяет надёжность, безопасность и воспроизводимость решения. Именно поэтому тема в статье становится идеальным кейсом для дипломной работы: она сочетает теорию, практику, нормоконтроль и экспериментальную оценку.

Темы ВКР: три варианта с практической привязкой к статье

Как вписать материал статьи в диплом: конкретные шаги по главам

Глава 1 — Анализ и теория: что изменилось в 2.0?

Во второй главе диплома можно провести сравнение версий: «Что было в Images 1.0? Что добавили в 2.0? Какие изменения в архитектуре позволили включить web search?». Не забудьте про OpenTelemetry — он позволяет отслеживать время выполнения запроса, количество обращений к внешнему API и т.п.

Пример диаграммы (C4-уровень 2):

+-------------------+
|   ChatGPT UI      |
|   (Frontend)      |
+--------+----------+
         |
         v
+--------+----------+
|   API Gateway    |
|   (Auth + Rate)  |
+--------+----------+
         |
         v
+--------+----------+
| Web Search       |
|   (External API) |
+--------+----------+
         |
         v
+--------+----------+
|   GPT Image 2    |
|   (LLM Core)     |
+--------+----------+
         |
         v
+--------+----------+
|   Storage        |
|   (Cache + DB)   |
+------------------+

Глава 2 — Проектирование: как построить безопасную архитектуру

Важнейший момент — граница доверия. В новой версии OpenAI не делает ничего, кроме того, что указано в документации. Но если вы реализуете аналог — нужно явно обозначить, какие данные считаются «доверенными», а какие — нет. Например:

• Данные из web_search → не доверяются без валидации
• Данные из user_prompt → доверяются при наличии меры защиты
• Данные из cache → частично доверяются (если кеш был сформирован ранее)

Пример кода для валидации запроса (Python + FastAPI):

from pydantic import BaseModel, validator
import re

class ImageRequest(BaseModel):
    prompt: str
    use_web_search: bool = False

    @validator("prompt")
    def validate_prompt(cls, v):
        if len(v) > 500:
            raise ValueError("Prompt must be ≤ 500 chars")
        if re.search(r"[<>]", v):
            raise ValueError("Unsafe characters detected")
        return v

    @validator("use_web_search", always=True)
    def check_web_search_permission(cls, v, values):
        if v and not values.get("is_subscriber"):
            raise ValueError("Web search requires Pro/Enterprise plan")
        return v

Глава 3 — Тестирование и оценка: какие метрики считать?

Для оценки нового функционала важно измерять не только качество изображения, но и надёжность:

• Accuracy: % совпадения текста в изображении с оригинальным prompt
• Consistency: % одинаковых элементов при повторном вызове с тем же prompt
• Hallucination rate: % изображений, содержащих несуществующие объекты (например, «шестиколёсный автомобиль»)
• Latency: среднее время ответа с учётом web search (включая задержку API)

Эти метрики можно измерить с помощью OpenTelemetry и Prometheus. Пример сбора метрик:

# telemetry.py
from opentelemetry import trace
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.exporter.prometheus import PrometheusMetricReader

provider = TracerProvider()
reader = PrometheusMetricReader()
provider.add_span_processor(reader)

tracer = trace.get_tracer(__name__)
with tracer.start_as_current_span("image_generation") as span:
    span.set_attribute("web_search.enabled", True)
    span.set_attribute("latency_ms", latency)
    span.set_attribute("hallucination_count", hallucinations)

Чему вы научитесь: 5 навыков, которые сделают ваш диплом уникальным

1. Проектировать отказоустойчивые схемы с внешними API — вы сможете построить C4-диаграмму, в которой каждый компонент имеет чёткие границы и правила взаимодействия.
2. Настраивать CI/CD для ИИ-проектов — вы освоите GitHub Actions + pytest + OpenTelemetry, чтобы автоматически проверять генерацию изображений.
3. Валидировать модели и данные — вы научитесь строить Pydantic-схемы и проверять prompt на безопасность.
4. Формировать ТЗ по ГОСТ 34.19 — вы будете знать, как описать требования к внешним источникам и логированию.
5. Считать TCO и риски — вы сможете оценить стоимость использования web search (API-трафик, логирование, поддержка).

Типичные ошибки студентов (и как их избежать)

FAQ: 4 вопроса, которые часто задают студенты

Как выбрать стек для реализации?

Для диплома лучше взять Python + FastAPI + OpenTelemetry + Redis (для кэша). Это соответствует требованиям вузов: есть документация, много примеров, легко проверяется. Не стоит начинать с Rust или Go — они сложны для защиты и не дают преимущества в этом случае.

Как оформить схемы? Где брать шаблоны?

Используйте C4 (Component Diagram) — он подходит для ИИ-систем. Шаблоны: C4 PlantUML, C4 Model. В ВКР допустимо использовать ASCII-схемы, если не хватает времени на рисование.

Как считать эффективность? Что измерять?

Измеряйте: accuracy (соответствие prompt), consistency (повторяемость), latency (время ответа), hallucination rate (ошибки). Все эти метрики можно получить с помощью OpenTelemetry и Prometheus. Пример: http_request_duration_seconds{endpoint="/generate"}<=0.5 — это 95% запросов должны быть быстрее 500 мс.

Как оформить работу по ГОСТу? Что обязательно должно быть?

Обязательно: ТЗ (по ГОСТ 34.19), Список литературы (включая официальные документы OpenAI), Схемы (C4, UML), Метрики (с расчётами). В разделе «Методы» укажите, как вы проверяли безопасность и воспроизводимость.

Чек-лист: что проверить перед сдачей

Эта тема — не про «что нового в ИИ», а про то, как сделать его надёжным, безопасным и проверяемым. Именно так работают настоящие ИТ-команды. И именно это вы покажете в дипломе — не просто знание технологии, а умение применять её в реальных условиях.

Если вы хотите, чтобы мы помогли с выбором темы, разработкой архитектуры или проверкой работы — мы уже помогли 12 000 студентам. Бесплатная 30-минутная консультация по любой теме диплома (включая AI/ML, DevOps, Data Engineering и другие поддомены).

Источник: OpenAI’s updated image generator can now pull information from the web (опубликовано 2026-04-21)