就在 DeepSeek V3「小版本更新」，阿里通義千問團隊開源了新模型后，OpenAI 深夜也悄悄搞事情。

毫無預告地，OpenAI 推出 GPT-4o 原生圖像生成。效果讓人驚嘆不已。更妙的是，即使免費用戶也可使用。

先來體驗一下：

在生成結果中可以看到，GPT-4o 在執(zhí)行任務時首先會對我們的原始提示詞進行優(yōu)化，編寫一個更加詳細的英文版提示詞：

在 OpenAI 看來，圖像生成應該是語言模型的核心能力之一。因此他們將最先進的圖像生成器 4o 集成到了 GPT-4o 中。

2024 年 5 月，OpenAI 發(fā)布其首個全能多模態(tài)模型 GPT-4o，與 ChatGPT 之前采用的生成式 AI 圖像模型（OpenAI 的 DALL-E 3）不同 —— 這個經(jīng)典的 diffusion transformer 通過去除像素噪聲來根據(jù)文本提示重建圖像 —— 新的圖像生成器被整合到了同一個多模態(tài)模型中。OpenAI 對整個模型進行了統(tǒng)一訓練，使其能夠同時理解文本、代碼和圖像等多種形式。

GPT-4o 的圖像生成能力具有以下突出優(yōu)勢：它能精準呈現(xiàn)文字內(nèi)容，嚴格遵循指令要求，并充分調(diào)用 4o 內(nèi)置知識庫和對話上下文 —— 包括對上傳圖像進行轉(zhuǎn)化處理或?qū)⑵渥鳛橐曈X靈感來源。這些特性讓用戶能更輕松地創(chuàng)造出與構想完全一致的圖像，通過視覺表達實現(xiàn)更高效的溝通，從而將圖像生成技術升級為兼具精確性與實用性的強大工具。

效果如何，我們接著往下看。

有用且美麗的圖像生成

OpenAI 基于在線圖像和文本對模型進行了訓練，這不僅讓模型學習了圖像與語言之間的關系，還學習了圖像之間的相互關系。結合后訓練，最終的模型具有令人驚訝的視覺流暢性，能夠生成有用、一致且具有上下文感知能力的圖像。

文本渲染

一圖勝千言，但有時在恰當位置生成幾個字就能升華圖像意境。4o 將精準符號與視覺元素完美融合的能力，使圖像生成進階為真正的視覺傳達工具。

提示：「創(chuàng)建一張逼真的照片，內(nèi)容是兩名 20 多歲的女巫（一名是灰白色挑染發(fā)型，另一名是長卷的紅褐色頭發(fā)）正在閱讀一個街標。

背景：紐約威廉斯堡一條普通的城市街道，一根電線桿上完全被許多詳細的街標覆蓋（例如，街道清掃時間、需要停車許可證、車輛分類、拖車規(guī)則），包括中間的幾個荒謬的標志：Broom Parking for Witches Not Permitted in Zone C，Magic Carpet Loading and Unloading Only (15-Minute Limit) 等等。

人物：一名女巫拿著一把掃帚，另一名女巫拿著一個卷起的魔法地毯。她們在前景中，身體微微背向相機，頭部微微傾斜，仔細查看標志。

從背景到前景的構圖：街道 + 停放的汽車 + 建筑物 → 街標 → 女巫。人物必須是離拍攝相機最近的?！?/span>

這就是生成一張圖片的部分提示詞，提示詞描述的可謂非常詳細。GPT-4o 不但嚴格遵循指令，還將提示語中的文本字符也準確的表達出來了。

GPT-4o 生成的菜單，不知道的還以為這是一張真實菜單。

提示：「我在 Marin 開設了一家名為 Haein 的傳統(tǒng)概念餐廳，主打采用有機農(nóng)場新鮮食材烹制的韓式料理，并根據(jù)時令供應輪換菜單。請您設計一份菜單圖片，需包含以下菜品 —— 整體風格要兼顧傳統(tǒng) / 鄉(xiāng)村韻味與高端精致感。請為每道菜品配上優(yōu)雅的彼得兔風格的插畫，確保所有文字正確呈現(xiàn)，并使用白色背景。

頂部：大醬湯（發(fā)酵大豆燉菜） - 18 美元

大醬湯是用當?shù)氐哪⒐?、豆腐和時令蔬菜做成的，配上米飯……

底部：時令米酒 —— 每杯 12 美元」

持續(xù)生成

由于圖像生成功能現(xiàn)已深度集成于 GPT-4o 系統(tǒng)，用戶可通過自然對話實現(xiàn)圖像優(yōu)化。GPT-4o 能基于聊天上下文中的圖文內(nèi)容持續(xù)創(chuàng)作，確保輸出結果的一致性。例如在設計游戲角色時，當你反復調(diào)整和測試方案，該角色的外觀特征將在多次迭代中保持高度協(xié)調(diào)。

舉例來說，當你輸入一張貓咪的圖片，然后給出提示「給這只貓一頂偵探帽和一副單片眼鏡」，GPT-4o 就能在保持原始圖片的情況下，遵循指令重新生成一張。

你還可以繼續(xù)修改圖片，只要給點提示就可以了，例如給定提示「將這個場景制作成一款 AAA 級的 4K 游戲引擎打造的視頻游戲，并添加一個神秘角色扮演游戲的用戶界面作為覆蓋層。在游戲中，我們可以在頂部看到生命值條和小地圖，底部則顯示法術圖標，整體界面風格保持一致且具有標志性?！箤υ掃^程一張精美的圖片就生成了。

除了圖像作為輸入，你也可以從提示入手，例如要求 GPT-4o 生成一張「奢華蛋殼紋理卡片上的詩歌」，然后把詩歌內(nèi)容也附加上，就能出現(xiàn)如下的效果圖，你也可以進一步修改，輸入提示就可以了。

指令遵循

GPT-4o 的圖像生成能夠細致入微地遵循詳細的提示，注重細節(jié)。其他系統(tǒng)在處理大約 5 到 8 個對象時可能會遇到困難，而 GPT-4o 能夠處理多達 10 到 20 個不同的對象。對象與其特征和關系的更緊密綁定，使得控制更加精準。

提示：「一張正方形圖片，包含一個 4 行 4 列的網(wǎng)格，共有 16 個物體，背景為白色。從左到右、從上到下依次排列如下：

一顆藍色的星星

一個紅色的三角形

一個綠色的正方形

一個粉色的圓形

一個橙色的沙漏

一個紫色的無窮大符號

一個黑白波點圖案的領結

一個扎染風格的 42 字樣

……

用草書寫成的 OpenAI 字樣

一道彩虹色的閃電」

空曠的城市，提示：下午的紐約時代廣場，沒有人，沒有車輛，也沒有發(fā)光的廣告牌。

轉(zhuǎn)化數(shù)學公式：

上下文學習

GPT-4o 能夠分析并學習用戶上傳的圖像，將圖像的細節(jié)無縫整合到上下文中，以指導圖像生成。

當你輸入幾張圖像，然后給出提示：用這些圖像作為參考，畫一個三角形車輪的車輛設計。

標出前輪，后輪，并在圖的下方給出文字（用小大寫）

「TRIANGLE WHEELED VEHICLE. English Patent. 2025. OPENAI」

提示：藍色電鋸逼真圖像。

然后再給出提示：為這個電鋸做個廣告，一個奶奶在感恩節(jié)餐桌上切火雞。并添加標簽行。

世界知識

原生圖像生成使 4o 能夠?qū)⑽谋竞蛨D像之間的知識聯(lián)系起來，從而形成一個感覺更智能、更高效的模型。

提示：制作一個視覺信息圖表，描述為什么舊金山如此多霧。

簡單的一句提示，4o 就把影響環(huán)境質(zhì)量的原因用圖片的形式描述出來了?？磥?，4o 掌握的知識還是很豐富的。

要求 4o 制作一幅關于如何制作抹茶的彩色圖解，也沒有問題。

風格

在反映豐富多樣圖像風格的圖像上進行訓練，使模型能夠令人信服地創(chuàng)建或轉(zhuǎn)換圖像。

提示：一只貓望著街上的水坑，但它的倒影是一只老虎，而且兩種倒影都被水中的漣漪真實地扭曲了。

提示：創(chuàng)建一張超逼真的照片，內(nèi)容是這四只動物在公園的野餐毯上玩撲克，畫面拉遠，呈現(xiàn)全景，照片風格逼真。一只長毛虎斑貓正拿著一手牌……

局限性

OpenAI 沒有避諱自身模型的局限性。他們指出：「我們的模型并不完美。我們目前已經(jīng)看到了其存在多種限制，我們將在首次發(fā)布后通過模型改進來解決這些限制?！咕唧w來說，OpenAI 羅列出的限制包括：

• 裁剪：GPT-4o 有時會錯誤地裁剪較長的圖像（如海報），尤其是靠近底部的部分。
• 幻覺：與其他文本模型一樣，圖像生成模型也可以編造信息，尤其是在上下文提示較少時。
• 高結合問題：當生成圖像需要依賴于其知識庫時，它可能難以同時準確地呈現(xiàn) 10-20 多個不同的概念，例如完整的元素周期表。
• 精確繪圖：模型可能在繪制涉及數(shù)據(jù)的圖表時不準確。
• 多語言文本渲染：模型有時難以渲染非拉丁語言，并且字符可能不準確或產(chǎn)生幻覺，尤其是在更復雜的情況下。
• 編輯精度：當要求編輯圖像生成的特定部分（例如拼寫錯誤）時，結果并不總是有效，還可能出現(xiàn)在沒有請求的情況下更改圖像的其他部分或引入更多錯誤的情況。另一個錯誤是模型難以保持用戶上傳的人臉在編輯中的一致性，但 OpenAI 預計將在一周內(nèi)修復該錯誤。
• 小文本信息密集：眾所周知，當被要求以非常小的尺寸呈現(xiàn)詳細信息時，模型會遇到困難。

模型難以呈現(xiàn)完整的元素周期表

安全性

OpenAI 也強調(diào)了自己在模型安全方面所做的工作。

按照 OpenAI 之前發(fā)布的 Model Spec（模型規(guī)范），他們的目標是「通過支持游戲開發(fā)、歷史探索和教育等有價值的用例來最大限度地提高創(chuàng)作自由 —— 同時保持嚴格的安全標準。與此同時，阻止違反這些標準的請求仍然和以往一樣重要。」以下是對其它風險領域的評估：

通過 C2PA 和內(nèi)部可逆搜索給出出處

所有生成的圖像都將自帶 C2PA 元數(shù)據(jù)，即會被標記成來自 GPT?4o 的圖像。OpenAI 表示，這樣做是為了提供透明性。并且他們宣布已經(jīng)構建了一個內(nèi)部搜索工具，可利用生成結果的技術屬性來幫助驗證某個內(nèi)容是否出自他們的模型。

阻止不良內(nèi)容

OpenAI 表示將繼續(xù)阻止可能違反其內(nèi)容政策的生成圖像請求。他們表示，當真人圖像處于上下文中時，會加強對可以創(chuàng)建的圖像類型的限制。

「與任何發(fā)布一樣，安全性永不止步，而是一個持續(xù)的投資領域。隨著我們更多地了解該模型在現(xiàn)實世界中的使用情況，我們將相應地調(diào)整我們的政策。」

使用推理來增強安全性

與審議性對齊（deliberative alignment?）類似，OpenAI 表示已經(jīng)訓練了一個可以直接根據(jù)人工編寫的可解釋安全規(guī)范工作的推理 LLM。

「我們在開發(fā)過程中使用了這個推理 LLM 來幫助我們識別和解決我們政策中的歧義。結合我們?yōu)?ChatGPT 和 Sora 開發(fā)的多模態(tài)技術進步和現(xiàn)有的安全技術，這能讓我們根據(jù)我們的政策來調(diào)節(jié)輸入文本和輸出圖像?！?/span>

有關安全性的更多論述和研究結果請訪問 OpenAI 同步發(fā)布的 GPT-4o 系統(tǒng)卡附錄。

附錄地址：https://cdn.openai.com/11998be9-5319-4302-bfbf-1167e093f1fb/Native_Image_Generation_System_Card.pdf

哪些用戶可以使用？

OpenAI 表示，從今天開始，4o 圖像生成能力將向 Plus、Pro、Team 和免費用戶推出，作為 ChatGPT 中的默認圖像生成器，企業(yè)版和教育版用戶還需等待一段時間。它也可以在 Sora 中使用。對于那些 DALL?E 在其心中占有特殊地位的人來說，仍然可以通過一個專門的 DALL?E GPT 訪問它。

API 用戶呢？OpenAI 表示也快了：訪問權限將在未來幾周內(nèi)推出。

最后，OpenAI 表示：「使用 GPT-4o，創(chuàng)建和定制圖像就像天一樣簡單 —— 只需描述你需要什么，包括任何細節(jié)，如寬高比、使用十六進制代碼的精確顏色或透明背景?！共贿^，OpenAI 也指出，由于此模型能生成更詳細的圖像，因此圖像渲染時間更長，通常長達一分鐘。