出品 | 網(wǎng)易智能

作者 | 小小

編輯 | 王鳳枝

AI畫(huà)圖，又變天了。

4月22日凌晨，OpenAI正式發(fā)布ChatGPT Images 2.0。

真正讓圈內(nèi)炸開(kāi)的不是它又能畫(huà)出多少神圖，而是它終于開(kāi)始先想再畫(huà)了，也就是先推理、先搜索、先讀文件再把圖交出來(lái)。過(guò)去最容易翻車(chē)的菜單、小字、海報(bào)和信息圖，這一次突然都有了能直接拿來(lái)用的味道。

從今天起所有ChatGPT和Codex用戶(hù)都能使用基礎(chǔ)版本，付費(fèi)訂閱用戶(hù)則可解鎖思考模式等高級(jí)功能。與此同時(shí)底層模型gpt-image-2也已通過(guò)API對(duì)外開(kāi)放。

01兩年前拼錯(cuò)菜名現(xiàn)在菜單可以直接掛上墻

如果你還記得2024年用DALL-E 3生成墨西哥餐廳菜單的樣子，大概會(huì)對(duì)那些憑空捏造的菜名記憶猶新。當(dāng)時(shí)生成的單詞諸如enchuita和churiros以及burrto甚至margartas，沒(méi)有一個(gè)詞是拼對(duì)的。當(dāng)時(shí)的擴(kuò)散模型處理圖像中的文字時(shí)本質(zhì)上是在從噪聲里重建像素，文字只是畫(huà)面中微不足道的一小部分，模型壓根學(xué)不會(huì)把這些特定模式的像素排對(duì)。

現(xiàn)在完全不一樣了。向ChatGPT Images 2.0索要同樣一份墨西哥菜單，出來(lái)的成品可以直接拿去印刷。不僅菜品名稱(chēng)拼寫(xiě)正確且排版清晰規(guī)整，連價(jià)格都老老實(shí)實(shí)標(biāo)在上面。當(dāng)然售價(jià)13.5美元的酸橘汁腌魚(yú)可能讓你對(duì)食材產(chǎn)生一絲懷疑，畢竟在舊金山這個(gè)價(jià)格買(mǎi)到的海鮮大概只夠喂貓，但至少菜單本身看不出任何破綻。

這種跨越源于底層架構(gòu)的徹底重構(gòu)。OpenAI GPT圖像生成技術(shù)研究負(fù)責(zé)人陳博遠(yuǎn)在媒體簡(jiǎn)報(bào)會(huì)上把新模型描述為通才模型或圖像的生成式預(yù)訓(xùn)練變換器，強(qiáng)調(diào)其能通過(guò)文本提示處理三維風(fēng)格的視角轉(zhuǎn)換和復(fù)雜的空間推理。

雖然他沒(méi)有確認(rèn)具體用的是擴(kuò)散模型還是自回歸技術(shù)但效果是實(shí)打?qū)嵉�。小�?hào)文字、圖標(biāo)、用戶(hù)界面元素、密集構(gòu)圖以及微妙的風(fēng)格限制，這些過(guò)去讓圖像模型頻頻翻車(chē)的精細(xì)內(nèi)容現(xiàn)在都能穩(wěn)定渲染，且分辨率最高支持2K。

更直觀(guān)的對(duì)比來(lái)自開(kāi)發(fā)者西蒙·威利森（Simon Willison）的測(cè)試。他讓新舊模型分別生成一張沃利在哪里風(fēng)格的尋物圖，目標(biāo)是找到一只拿著業(yè)余無(wú)線(xiàn)電的浣熊。舊版模型生成的畫(huà)面內(nèi)容豐富，但翻遍整張圖也找不到浣熊的影子。新模型在設(shè)置為高畫(huà)質(zhì)及3840×2160像素后，吐出了一張17MB的復(fù)雜圖像，那只浣熊正安安靜靜地坐在左下角的業(yè)余無(wú)線(xiàn)電攤位里并且清晰可辨。

AI計(jì)算服務(wù)公司Hyperbolic Labs聯(lián)合創(chuàng)始人金宇宸試用后說(shuō)剛剛試了ChatGPT Images 2.0真的非常棒。他驚嘆OpenAI終于再次在圖像生成領(lǐng)域引領(lǐng)了方向。

02生成之前先打草稿：模型會(huì)搜索會(huì)推理會(huì)自己檢查作業(yè)

ChatGPT Images 2.0最關(guān)鍵的升級(jí)不是畫(huà)得更精細(xì)，而是多了一套思考流程。

傳統(tǒng)圖像模型的工作方式像一個(gè)黑箱，你丟進(jìn)提示詞它直接吐出圖像。而ChatGPT Images 2.0的思考模式（面向付費(fèi)用戶(hù)開(kāi)放）在渲染第一個(gè)像素之前會(huì)先花時(shí)間做準(zhǔn)備工作。它會(huì)搜索網(wǎng)絡(luò)獲取最新信息，分析用戶(hù)上傳的文件內(nèi)容，通過(guò)推理規(guī)劃圖像的結(jié)構(gòu)布局并甚至對(duì)生成結(jié)果做一遍自我檢查。

OpenAI ChatGPT Images產(chǎn)品負(fù)責(zé)人李·艾德麗（Adele Li）在媒體演示中上傳了一份關(guān)于內(nèi)部產(chǎn)品策略的復(fù)雜演示文稿。模型沒(méi)有簡(jiǎn)單地配一張相關(guān)圖片了事，而是綜合了文檔里的核心數(shù)據(jù)并識(shí)別了正確的標(biāo)志，最終生成了一張專(zhuān)業(yè)海報(bào)且完整保留了原始文件的風(fēng)格特征。

這種能力讓模型可以承擔(dān)從想法到圖像之間更多的中間活。當(dāng)用戶(hù)需要一張舊金山次日天氣預(yù)報(bào)及推薦活動(dòng)信息圖時(shí)，模型會(huì)主動(dòng)去獲取當(dāng)?shù)氐膶?shí)時(shí)天氣數(shù)據(jù)，在圖像中準(zhǔn)確呈現(xiàn)雨天的細(xì)節(jié)，同時(shí)畫(huà)出渡輪大廈、卡斯特羅劇院、彩繪仕女屋和泛美金字塔等舊金山地標(biāo)的輪廓。用戶(hù)不需要事無(wú)巨細(xì)地描述每個(gè)元素，模型拿自己的知識(shí)儲(chǔ)備把空白填上了。

模型的知識(shí)截止日期更新至2025年12月，也就是說(shuō)它能處理涉及近期事件和當(dāng)下語(yǔ)境的圖像需求。對(duì)于需要事實(shí)基礎(chǔ)的視覺(jué)任務(wù)比如制作教育資料、產(chǎn)品宣傳物料和內(nèi)部培訓(xùn)圖表，這一能力大幅降低了用戶(hù)的工作量。

沃頓商學(xué)院教授伊�！つ耍‥than Mollick）過(guò)去幾周一直在測(cè)試ChatGPT Images 2.0。他說(shuō)自己原本不覺(jué)得更好的圖像生成器是什么大事，但事實(shí)證明存在一個(gè)他沒(méi)預(yù)料到的質(zhì)量門(mén)檻，一旦跨過(guò)去就能生成高質(zhì)量的文字內(nèi)容和幻燈片以及學(xué)術(shù)海報(bào)。

他拿自己著名的水獺測(cè)試做了演示，展示了模型生成復(fù)雜教學(xué)材料的能力。不過(guò)莫利克同時(shí)提醒模型仍然有典型的圖像生成通病。它在反復(fù)編輯修改時(shí)會(huì)變得非常頑固，前兩次調(diào)整效果不錯(cuò)之后就開(kāi)始磨洋工，這時(shí)候把圖像放進(jìn)新對(duì)話(huà)重新開(kāi)始會(huì)更有效。

03一次生成八張圖讓漫畫(huà)和繪本以及社交素材的流水線(xiàn)來(lái)了

對(duì)于需要批量產(chǎn)出視覺(jué)內(nèi)容的創(chuàng)作者來(lái)說(shuō)，ChatGPT Images 2.0提供了一個(gè)立竿見(jiàn)影的效率工具，即一個(gè)提示可以一次性生成最多八張圖，而且系列之間的角色、物體和風(fēng)格能保持高度一致。

這意味著什么？一個(gè)兒童繪本的故事板以前得一次一次地生成，每次都要重新描述主角長(zhǎng)什么樣、穿什么衣服、背景是什么色調(diào)并祈禱模型記住之前的設(shè)定�，F(xiàn)在只需要一次提示八張連貫的畫(huà)面同時(shí)出來(lái)，角色從第一頁(yè)到最后一頁(yè)都長(zhǎng)一個(gè)樣。

同樣的邏輯適用于漫畫(huà)分鏡、社交媒體多圖發(fā)布以及房屋各房間的設(shè)計(jì)方案。艾德麗指出這解決了用戶(hù)過(guò)去必須一次提示一張圖然后手動(dòng)拼接的繁瑣流程。OpenAI官方發(fā)布說(shuō)明里寫(xiě)道圖像是一種語(yǔ)言而非裝飾。一幅好圖像所做的正如一個(gè)好句子所做的選擇、安排、揭示。

OpenAI聯(lián)合創(chuàng)始人兼CEO山姆·奧特曼（Sam Altman）在社交媒體上發(fā)了一部由ChatGPT Images 2.0生成的漫畫(huà)，內(nèi)容是他和另一位用戶(hù)尋找更多GPU的故事。

OpenAI總裁格雷格·布羅克曼（Greg Brockman）也評(píng)論說(shuō)真的難以置信，你現(xiàn)在用一點(diǎn)計(jì)算資源就能造出這樣的東西。他說(shuō)自己對(duì)教育、專(zhuān)業(yè)環(huán)境比如幻燈片和營(yíng)銷(xiāo)材料，以及生產(chǎn)力領(lǐng)域比如給代碼文檔配圖表的新應(yīng)用感到極度興奮。

04從日語(yǔ)菜單到印地語(yǔ)海報(bào)讓非拉丁文字終于不用再鬼畫(huà)符

OpenAI在發(fā)布說(shuō)明中把ChatGPT Images 2.0的多語(yǔ)言文本渲染能力稱(chēng)為顯著進(jìn)步，具體點(diǎn)名了日語(yǔ)、韓語(yǔ)、中文、印地語(yǔ)和孟加拉語(yǔ)。在官方展示的樣本中水循環(huán)教育圖表的韓文標(biāo)注清晰工整，字符結(jié)構(gòu)完整且跟畫(huà)面融合得很自然。

但樣本歸樣本。《連線(xiàn)》雜志記者里斯·羅杰斯（Reece Rogers）讓模型生成了一張?zhí)崮鳌げ槔罚═imothée Chalamet好萊塢明星）主題的中國(guó)粉絲拼貼海報(bào)。輸出畫(huà)面包含超過(guò)二十處中文文本片段以及餃子、珍珠奶茶和熊貓的圖像，視覺(jué)效果繁復(fù)熱鬧。

羅杰斯隨后讓聊天機(jī)器人翻譯這些文字，機(jī)器人的回復(fù)倒是很誠(chéng)實(shí)，它指出其中有些文本并非準(zhǔn)確的中文句子，部分混入了日語(yǔ)字符，還有一些更像是模仿東亞粉絲文化風(fēng)格的裝飾性文字。但在網(wǎng)易智能看來(lái)，模型生成的中文圖像在視覺(jué)完成度上已經(jīng)相當(dāng)能打，日常使用中完全可以接受。

這和兩年前的情況形成了鮮明對(duì)比。彼時(shí)AI圖像里的中文連基本的筆畫(huà)結(jié)構(gòu)都撐不住，一眼就能看出是機(jī)器瞎編的。現(xiàn)在模型不僅能正確渲染大部分常用漢字，在排版、字號(hào)搭配和畫(huà)面融合上也明顯更自然了。當(dāng)然，如果拿著放大鏡逐字檢查，偶爾還是會(huì)發(fā)現(xiàn)個(gè)別字符不夠規(guī)范，但對(duì)于海報(bào)、社交素材、信息圖這類(lèi)實(shí)際使用場(chǎng)景來(lái)說(shuō)，已經(jīng)跨過(guò)了"可用"的門(mén)檻。OpenAI所說(shuō)的多語(yǔ)言"質(zhì)的飛躍"，在中文上或許還不算滿(mǎn)分，但已經(jīng)是一個(gè)扎實(shí)的高分。

05手外科醫(yī)生的非正式評(píng)估：X光片好得嚇人但解剖圖還是別用

前面聊的都是創(chuàng)意、設(shè)計(jì)、營(yíng)銷(xiāo)場(chǎng)景也就是海報(bào)、菜單、漫畫(huà)、社交媒體素材。這些場(chǎng)景對(duì)圖像的容錯(cuò)率相對(duì)寬松，排版好看且氛圍到位就算合格。但如果把模型扔進(jìn)一個(gè)容錯(cuò)率幾乎為零的領(lǐng)域它還扛不扛得��？

美國(guó)知名顯微外科與手外科專(zhuān)科醫(yī)療機(jī)構(gòu)The Buncke Clinic的手部醫(yī)生布萊恩·普里根（Brian Pridgen）對(duì)新模型做了自己的非正式評(píng)估。他生成了一張手部X光片和一份腕管綜合征信息傳單。結(jié)論是喜憂(yōu)參半。

好消息是那張AI生成的X光片是他見(jiàn)過(guò)的最好的AI手部X光片。腕骨區(qū)域的解剖結(jié)構(gòu)尤其復(fù)雜而模型處理得相當(dāng)不錯(cuò)。他說(shuō)橈骨遠(yuǎn)端有一個(gè)奇怪的特征但不確定自己能不能一眼認(rèn)出這是AI畫(huà)的。醫(yī)療圖像里看起來(lái)正確和實(shí)際上正確之間的差距正在迅速縮小。

壞消息是那份腕管信息傳單雖然設(shè)計(jì)精致但解剖結(jié)構(gòu)過(guò)于不準(zhǔn)確完全沒(méi)法用。這提醒人們?cè)诟邔?zhuān)業(yè)門(mén)檻的場(chǎng)景里，模型的視覺(jué)表現(xiàn)力和事實(shí)準(zhǔn)確性之間仍然存在巨大鴻溝。它可以把一件事畫(huà)得很像那么回事，但當(dāng)細(xì)節(jié)關(guān)系到診斷、教學(xué)或?qū)嶋H操作時(shí)，像絕對(duì)不等于對(duì)。

在LMArena人工智能匿名測(cè)試平臺(tái)上，ChatGPT Images 2.0以化名duct tape進(jìn)行了數(shù)周的秘密測(cè)試。研究者阿納斯塔西奧斯·安杰洛普洛斯（Anastasios Nikolas Angelopoulos）的評(píng)價(jià)是，這個(gè)模型把競(jìng)技場(chǎng)排行榜搞得天翻地覆并創(chuàng)造了競(jìng)技場(chǎng)歷史上最大的評(píng)分差距。

早期測(cè)試用戶(hù)已經(jīng)用它生成了包含長(zhǎng)篇文本塊或不同文本面板的復(fù)雜圖像、逼真的網(wǎng)站界面截圖、真實(shí)人物肖像以及融入網(wǎng)絡(luò)搜索結(jié)果的綜合圖像。

06安全與定價(jià)：三層權(quán)限體系下生成一張高清圖約0.4美元

在能力大幅躍升的同時(shí)OpenAI同步調(diào)整了使用權(quán)限和定價(jià)。

基礎(chǔ)版ChatGPT Images 2.0向所有ChatGPT和Codex用戶(hù)開(kāi)放。這包括更好的指令遵循、更強(qiáng)的文本渲染、多語(yǔ)言能力、從三比一寬幅到一比三高幅更廣泛的寬高比以及更精致的輸出質(zhì)量。

思考功能面向ChatGPT Plus、Pro和Business用戶(hù)開(kāi)放（企業(yè)版即將推出）。這包括工具使用、網(wǎng)絡(luò)搜索和多圖像生成能力。在此之上Pro用戶(hù)還能用到更高級(jí)的圖像生成功能。OpenAI沒(méi)有公布三個(gè)層級(jí)之間精確的功能邊界，但從現(xiàn)有信息看思考模式是絕對(duì)的核心分水嶺。它讓模型從畫(huà)得快變成想得深，代價(jià)是生成速度變慢因?yàn)楸澈蠖嗔送评砗退阉鞯牟襟E。

API用戶(hù)可以接入gpt-image-2模型，支持最高4K分辨率（測(cè)試階段）和靈活的寬高比選項(xiàng)。定價(jià)方面圖像輸出每百萬(wàn)token收費(fèi)30美元。拿威利森的浣熊沃利測(cè)試來(lái)說(shuō)，那張高清圖消耗了13342個(gè)輸出token且總成本約0.4美元。

OpenAI同時(shí)確認(rèn)GPT-Image-1.5將不再作為默認(rèn)模型，但仍可通過(guò)API獲取以提供舊版支持。這一過(guò)渡充分說(shuō)明公司對(duì)2.0模型的信心。

結(jié)語(yǔ)：AI畫(huà)圖正式進(jìn)入推理時(shí)代

ChatGPT Images 2.0的發(fā)布不只是參數(shù)或畫(huà)質(zhì)的提升。它標(biāo)志著圖像生成從根據(jù)提示畫(huà)畫(huà)向理解任務(wù)并系統(tǒng)執(zhí)行的轉(zhuǎn)變。

過(guò)去用戶(hù)和AI圖像工具之間始終存在一個(gè)意圖差距。腦子里想要的是一張結(jié)構(gòu)清晰、信息準(zhǔn)確且可直接拿來(lái)用的圖，但模型只能吐出一個(gè)差不多的畫(huà)面，剩下的細(xì)節(jié)得自己開(kāi)設(shè)計(jì)軟件修補(bǔ)。ChatGPT Images 2.0試圖用推理能力徹底填上這個(gè)差距。

當(dāng)用戶(hù)上傳一份文檔要求做成信息圖，模型不再只是畫(huà)一張看起來(lái)相關(guān)的圖片，而是分析文檔里的數(shù)據(jù)結(jié)構(gòu)，規(guī)劃信息層級(jí)并安排圖文布局，最后生成一張邏輯自洽的成品。OpenAI管這個(gè)叫從工具到視覺(jué)系統(tǒng)的跨越式轉(zhuǎn)變。

這對(duì)商業(yè)用戶(hù)來(lái)說(shuō)意義很直接。營(yíng)銷(xiāo)團(tuán)隊(duì)可以用它快速產(chǎn)出不同尺寸的廣告素材，教育工作者可以用它做包含測(cè)驗(yàn)題的多頁(yè)學(xué)習(xí)手冊(cè)，產(chǎn)品經(jīng)理可以用它把內(nèi)部文檔直接轉(zhuǎn)成演示用的視覺(jué)方案。等模型思考多花的那一分鐘，跟手動(dòng)設(shè)計(jì)要花的幾個(gè)小時(shí)比起來(lái)怎么算都劃算。

當(dāng)然問(wèn)題依然存在。模型在反復(fù)編輯時(shí)的頑固傾向、非英語(yǔ)語(yǔ)言的準(zhǔn)確度波動(dòng)以及專(zhuān)業(yè)領(lǐng)域知識(shí)的可靠性邊界，這些都需要在實(shí)際使用中認(rèn)真對(duì)待。

威利森的測(cè)試還揭示了一個(gè)有趣的陷阱。當(dāng)他要求模型在自己生成的那張找不到浣熊的圖里用紅圈標(biāo)出浣熊時(shí)，模型居然在畫(huà)面中憑空畫(huà)出了一只原本不存在的浣熊然后圈了出來(lái)。這說(shuō)明在涉及自身輸出的自檢任務(wù)中模型的可靠性仍然需要打個(gè)問(wèn)號(hào)。

但無(wú)論如何ChatGPT Images 2.0把圖像生成帶進(jìn)了一個(gè)全新的競(jìng)爭(zhēng)階段。在谷歌Nano Banana 2于今年2月發(fā)布以及微軟MAI-Image-2等競(jìng)品相繼出現(xiàn)的背景下，OpenAI用這款產(chǎn)品強(qiáng)勢(shì)回應(yīng)了市場(chǎng)對(duì)更聰明而不只是更精細(xì)的圖像工具的期待。

從工具到視覺(jué)系統(tǒng)，這一步跨過(guò)去之后用戶(hù)不再需要學(xué)習(xí)怎么跟機(jī)器說(shuō)話(huà)，因?yàn)闄C(jī)器已經(jīng)開(kāi)始學(xué)習(xí)怎么聽(tīng)懂你的話(huà)了。