OpenAI 宣布推出迄今為止最先進的圖像生成功能，目前已原生整合到其多模態模型 GPT-4o 中。新的圖像生成器模糊了語言和視覺表達之間的界限，將美觀與實用結合在一起，使用戶能夠透過簡單的基於聊天的提示生成逼真、文字準確且具有上下文感知的圖像。
從藝術到資訊圖表：圖像生成滿足現實世界的使用
與優先考慮藝術超現實主義的傳統圖像模型不同，GPT-4o 的新圖像生成功能是專為實際應用而設計的。無論是創建教育圖表、餐廳菜單、資訊圖表還是視頻遊戲資產，該工具都能提供精確且具有情境感知能力的視覺效果，這是生成視覺人工智慧的飛躍。
OpenAI 表示，其模型的這一演變“將圖像生成轉變為一種交流工具”，允許用戶不僅可以指定構圖和样式，還可以指定文本位置、象徵意義和跨迭代的場景連續性等功能元素。
該公司宣布：“我們已經將迄今為止最先進的圖像生成器融入 GPT-4o。” “結果，生成的圖像不僅美觀，而且實用。”
視覺理解的新基礎
這項突破的核心是 GPT-4o 的原生多模態架構，它將視覺和語言整合在一個統一的轉換器中。這使得模型可以引用上傳的圖像，在多步驟編輯中保持一致性，並對後續提示做出智慧回應，使其非常適合從互動式設計改進到對話原型設計的一切。
OpenAI 展示的用例包括：
- 具有精準敘事節奏的四格漫畫
- 帶有嵌入式視覺效果和真實世界背景的牛頓棱鏡實驗資訊圖
- 紐約威廉斯堡的街景充滿了細緻逼真的標誌（以及微妙的幽默）
- 一家韓國餐廳的菜單，配有精美的菜餚插圖和正確的文字格式
指令遵循和上下文精度
在測試中，GPT-4o 展示了以正確的關係渲染多達 20 個不同物件的能力，而這是以前的模型經常遇到困難的領域。它還可以處理複雜的文字元素，例如邀請卡、標誌和互動式 UI 模型，並具有可靠的排版和佈局控制。
例如，使用者可以請求：
- 一款神秘 RPG 遊戲設定中的貓偵探，帶有遊戲 UI 疊加層
- 用於雕刻感恩節火雞的電鋸廣告，帶有幽默的口號
- 水彩風格的鯨魚詳細教育圖表
安全性、出處和透明度
在展示令人印象深刻的創造能力的同時，OpenAI 強調了對安全和內容完整性的承諾。所有產生的圖像都包含 C2PA 元數據，表明它們是用 GPT-4o 創建的。該系統還整合了內部圖像搜尋工具來幫助驗證真實性。
OpenAI 訓練了一個基於推理的審核模型，以確保遵守安全政策，使用可解釋的人工編寫規則來識別邊緣情況並阻止不適當的內容，例如深度偽造或暴力圖像。
但仍存在局限性，包括：
- 偶爾出現裁切問題
- 困難culty 渲染密集的多語言或數學文本
- 對特定影像區域（例如臉部細節）的不一致編輯
該公司表示，改進正在進行中，用戶回饋將在未來的更新中發揮關鍵作用。
可用性和訪問
GPT-4o 影像產生器現已在 Chat 的免費版、Plus 版、專業版和團隊版中推出，並將很快開放給企業版和教育版用戶。預計未來幾週內即可透過 API 訪問，為開發者解鎖編程式使用。
使用者可以透過簡單的對話提示產生和迭代圖像，指定：
- 寬高比（例如 16:9）
- 背景顏色或透明度
- 圖像風格（寫實、資訊圖表、漫畫等）
- 特定佈局元素（文字、圖示、定位）
儘管渲染時間更長（通常長達一分鐘），但 OpenAI 認為為了獲得更高的細節和精確度，這種權衡是值得的。
語言模型的視覺飛躍
透過原生圖像生成，GPT-4o 朝著多模態 AI 的未來邁出了決定性的一步，在多模態 AI 中，交流超越了文本。從科學圖表到貼紙、電玩原型到詩意的婚禮請柬，GPT-4o 證明了想像確實無邊無際。
隨著圖像和語言之間的界限逐漸消失，OpenAI 的最新創新可能不僅會改變我們生成圖像的方式，還會改變我們對使用圖像的看法。