Czy ChatGPT rozpozna miejsce ze zdjęcia? Co pokazują testy

W kwietniu 2025 roku na X rozeszła się nowa moda. Ludzie wrzucali zdjęcia do ChatGPT, od menu restauracji po rogi ulic i selfie, i pytali, gdzie je zrobiono. OpenAI właśnie wypuściło modele o3 i o4-mini, które potrafią przycinać, obracać i powiększać zdjęcie w trakcie rozumowania. TechCrunch napisał, że zwłaszcza o3 potrafiło wywnioskować miasta, zabytki, a nawet restauracje i bary z drobnych wskazówek wizualnych, i nazwał ten trend „reverse location search”.

Od tamtej pory tę sztuczkę przetestowano dokładniej, a najlepiej zrobił to Bellingcat, grupa śledcza korzystająca z otwartych źródeł, która przeprowadziła 500 testów na zdjęciach nigdy wcześniej nieopublikowanych w sieci. Ten przewodnik opisuje, co wykazały te testy: jak blisko ChatGPT trafia, jak wypada na tle Google Lens i innych chatbotów, kiedy czyta coś innego niż piksele i gdzie się myli.

Model czyta scenę tak, jak wyszkolony geolokator: napis na szyldzie, oznaczenia drogowe, budynki, roślinność, kształt wzgórz. Jak działa geolokalizacja AI wyjaśnia ten proces ogólnie. Nowe w chatbotach jest to, że rozumują na głos, powiększają szczegóły i mogą przy tym przeszukiwać sieć.

Programista Simon Willison dał o3 zdjęcie zrobione z baru na świeżym powietrzu w pobliżu jego domu w El Granada w Kalifornii: drogę, anonimowy dom i kilka wzgórz. Model spędził prawie siedem minut na przycinaniu i powiększaniu, dostrzegł kalifornijską tablicę rejestracyjną i najpierw zgadł Cambrię, oddaloną o około 320 km. Druga propozycja, Half Moon Bay lub El Granada, była trafna.

Testy TechCrunch wypadły bardziej niejednoznacznie. Gdy pokazano mu fioletową, zamontowaną głowę nosorożca w słabo oświetlonym barze, o3 poprawnie umieściło ją w speakeasy w Williamsburgu, podczas gdy starszy GPT-4o zgadywał pub w Wielkiej Brytanii. Mimo to GPT-4o częściej niż nie dochodził do tej samej poprawnej odpowiedzi co o3, i to szybciej, a kilka testów zawiodło całkowicie.

Bellingcat dał każdemu modelowi ten sam prompt, „Where was this photo taken?”, oraz zdjęcia bez metadanych, a każdą odpowiedź oceniał w skali od 0 do 10. Wynik 10 oznaczał dokładną, konkretną identyfikację, na przykład dzielnicę, szlak lub zabytek. Tabela pokazuje pięć z opublikowanych testów.

Typowy wynik to więc region lub miasto, a dokładne miejsce wtedy, gdy zdjęcie podaje nazwę albo adres. To granica każdej metody wizualnej: scena wspiera region, a punkt wymaga czytelnego tekstu albo danych GPS.

Robią różne rzeczy. Google Lens to wyszukiwarka: szuka tych samych lub podobnych zdjęć w sieci, więc sprawdza się najlepiej, gdy miejsce było fotografowane wiele razy. Gdy pokazano mu Schluchsee, jezioro w niemieckim Schwarzwaldzie, Lens zwrócił je jako najtrafniejszy wynik, a ChatGPT był jedynym chatbotem, który je nazwał. W miastach Lens miał tendencję do skupiania się na dużych, powszechnych strukturach, takich jak budynki i diabelskie koła. Google Lens i Yandex porównane opisuje stronę wyszukiwania.

Dłuższe myślenie nie zawsze pomagało. ChatGPT Deep Research spędził prawie 13 minut nad linią brzegową i wylądował około 50 km na północ od niej, podczas gdy o4-mini-high odpowiedział w 39 sekund i był o 15 km bliżej. Nowszy też nie zawsze znaczył lepszy: w powtórce z sierpnia GPT-5 Pro, za 200 euro miesięcznie, nie poradził sobie lepiej niż starszy o4-mini-high. Test z 2026 roku pokazał ten sam wzorzec u nowszych modeli.

EXIF to ukryte dane, które aparat lub telefon zapisuje w pliku zdjęcia, w tym współrzędne GPS, gdy lokalizacja jest włączona (co zapisują dane EXIF). To, czy przetrwają wysyłkę, bywało różne. W kwietniowych testach Pattersona w przeglądarce o3 stwierdził, że znaczniki są puste, dopóki nie wysłał zdjęcia w archiwum zip. Willison zauważył później zgłoszenie użytkownika serwisu Hacker News, który twierdził, że o3 użył kodu do odczytania znaczników EXIF zdjęcia bez przyznania się do tego, choć ten krok był widoczny w jego rozumowaniu.

Zdecyduj więc, czego chcesz się dowiedzieć. Aby ustalić, gdzie zrobiono zdjęcie, najpierw odczytaj jego współrzędne GPS samodzielnie, bo zmierzona pozycja bije każde przypuszczenie. Aby zobaczyć, co same piksele zdradzają, przetestuj zrzut ekranu, który nie niesie lokalizacji oryginału (dlaczego zrzuty ekranu nie mają danych GPS).

Willison doświadczył obu. Stwierdził, że najpierw musiał „wyłączyć wszystkie funkcje pamięci ChatGPT, bo inaczej oszukiwałby i użyłby kontekstu z moich poprzednich rozmów”. Później zauważył, że o3 miało mgliste pojęcie, gdzie on jest: „It knows I’m in Half Moon Bay.” Sztuczka nadal działała na jego zdjęciach z wiejskiego Madagaskaru i Buenos Aires, tysiące kilometrów od domu. Gdy spróbował z Gemini, odpowiedź zaczęła się od: „Given that my current location context is El Granada, California...”

Aby uczciwie to sprawdzić, zacznij tymczasowy czat i wybierz „Unpersonalized”, zanim wyślesz zdjęcie. OpenAI mówi, że ta opcja nie korzysta z pamięci, instrukcji niestandardowych ani wtyczek. To ustawienie pamięci, a nie lokalizacji: ChatGPT może nadal oszacować, gdzie jesteś, na podstawie adresu IP, więc jeśli wynik wskaże twoje własne miasto, zapytaj, co na zdjęciu na nie wskazuje.

Jedno zdjęcie Bellingcat pokazywało plażę z dużym hotelem i tymczasowym diabelskim kołem, postawionym w 2024 roku i zdjętym na zimę. Wiele modeli wskazało Scheveningen, lepiej znany holenderski kurort z własnym diabelskim kołem. W powtórce z sierpnia GPT-5 Pro i GPT-5 Thinking umieściły je we Francji. Tryb AI Google jako pierwszy wskazał właściwe miasteczko: Noordwijk w Holandii.

• Współrzędne. Bellingcat stwierdził, że modele często zwracały przybliżone lub po prostu błędne współrzędne. Nazwane miejsce łatwiej sprawdzić niż pinezkę.
• Zdjęcia bez wyróżników lub wnętrza. Przy niewielu elementach w kadrze pewnie brzmiąca odpowiedź to zgadywanie z dołączoną liczbą. Znajdowanie lokalizacji bez danych GPS pokazuje, co musi zawierać scena.
• Zmienione miejsca. Sezonowe karuzele, nowe budynki i zamknięte sklepy mogą skierować model ku bardziej znanemu sobowtórowi.
• Wideo. Większość chatbotów nie potrafi oglądać wideo, zauważył Bellingcat, więc lokalizowanie klipu nadal zaczyna się od pojedynczych klatek.

TechCrunch ujął to dosadnie w 2025 roku: nic nie stało na przeszkodzie, by ktoś zrobił zrzut ekranu z relacji na Instagramie i użył ChatGPT, żeby spróbować kogoś doxxować, a zabezpieczeń przed tego rodzaju „reverse location lookup” było niewiele. Kilka godzin później OpenAI odpowiedziało, że modele pomagają w obszarach takich jak dostępność, badania i „identyfikowanie lokalizacji w reagowaniu na sytuacje kryzysowe”, a firma monitoruje nadużycia swoich zasad użytkowania dotyczących prywatności.

Modele różnią się tym, jak chętnie odpowiadają. W badaniu akademickim na 500 zdjęciach zrobionych w Kalifornii o3 od OpenAI podał konkretną, możliwą do sprawdzenia lokalizację w 81% przypadków, a Gemini 2.5 Pro w 85%, podczas gdy modele Claude robiły to w około jednej czwartej przypadków lub rzadziej. To samo badanie mierzyło, jak często te odpowiedzi trafiały blisko prawdziwego miejsca, a co to oznacza dla zdjęć zrobionych w domu opisuje osobny przewodnik.

GeoSpy ocenia miasto i kraj zdjęcia na podstawie tego, co widać w kadrze. Gdy plik wciąż zawiera dane GPS, odczytuje je i pokazuje zapisane miejsce. Nigdy nie zwraca adresu, a przesyłane zdjęcia nie są przechowywane. Na geospys.com działa w ramach GeoSpy Premium, subskrypcji za 7,99 USD tygodniowo lub 29,99 USD rocznie (₺389 lub ₺1 460 w Turcji), bez limitu w ramach uczciwego użytkowania, z możliwością anulowania w dowolnym momencie. Wybierz plan roczny albo wypróbuj aplikację GeoSpy na iPhone'a, która ma bezpłatny okres próbny.