OpenAI發(fā)布新一代文生圖模型ChatGPT Images 2.0 大幅提升文字生成能力

在短短兩年內(nèi)，區(qū)分人類創(chuàng)作和 AI 生成圖像的方式正在迅速失效。 過去，圖像生成模型一旦被要求生成帶有菜單這種文本密集元素的圖片，就很容易在拼寫上“翻車”。 例如，早期模型在生成墨西哥餐廳菜單時，會把常見菜名“發(fā)明”成諸如“enchuita”“churiros”“burrto”“margartas”等錯誤拼寫，一眼就能看出不靠譜。

而現(xiàn)在，用全新的 ChatGPT Images 2.0 讓其生成一份墨西哥菜菜單時，模型給出的結(jié)果已經(jīng)足以直接拿去店里使用，普通顧客很難從文字本身看出破綻。 唯一可能讓人心生疑慮的，反而是類似“13.50 美元的酸橘汁腌魚（ceviche）”這種價格水平，會讓人對魚的品質(zhì)稍作猶豫。 為了對比，作者還引用了兩年前使用 DALL·E 3（當(dāng)時 ChatGPT 還不具備內(nèi)置圖像生成功能）生成的菜單示例，舊模型在文字呈現(xiàn)上的不穩(wěn)定與新模型形成鮮明反差。

AI 圖像生成器長期以來在拼寫方面表現(xiàn)不佳，核心原因和主流技術(shù)路線有關(guān)。 過去的圖像模型多采用擴(kuò)散模型（diffusion model），通過在噪聲中逐步“重建”圖像來完成生成任務(wù)。 Lesan AI 創(chuàng)始人兼 CEO Asmelash Teka Hadgu 曾在 2024 年接受 TechCrunch 采訪時表示，擴(kuò)散模型本質(zhì)上是在還原一幅整體圖像，而圖像上的文字通常只占極小一塊像素區(qū)域，因此模型更傾向于優(yōu)先學(xué)習(xí)覆蓋面積更大的視覺模式，而不是精細(xì)的文字形狀。 在此背景下，研究人員開始探索自回歸模型（autoregressive model）等新機(jī)制，讓圖像生成更像大語言模型那樣，通過逐步預(yù)測、理解結(jié)構(gòu)來構(gòu)建畫面。

對于 ChatGPT Images 2.0 使用了何種底層架構(gòu)，OpenAI 在本周的媒體簡報會上拒絕正面回應(yīng)相關(guān)問題。 不過，OpenAI 在介紹中強(qiáng)調(diào)，新模型具備所謂的“思考能力”（thinking capabilities），能夠聯(lián)網(wǎng)檢索信息、從一次提示生成多張圖片，并對自身輸出進(jìn)行復(fù)查。 這意味著，Images 2.0 不只是單次“出圖”，而是可以圍繞同一創(chuàng)意生成多種物料，例如不同尺寸的營銷素材、適配多平臺的廣告圖，甚至是一組多格漫畫分鏡。

OpenAI 還表示，新模型在非拉丁文字渲染方面有明顯進(jìn)步，包括日文、韓文、印地語和孟加拉語等語言的文字呈現(xiàn)能力都得到加強(qiáng)。 模型的知識截止時間為 2025 年 12 月，這也意味著在涉及近期新聞或最新事件的提示時，其生成內(nèi)容可能存在時效性局限。 在官方新聞稿中，OpenAI 將 Images 2.0 描述為在“細(xì)節(jié)和逼真度”層面上實(shí)現(xiàn)了前所未有的提升，強(qiáng)調(diào)其可以構(gòu)思和落地更加復(fù)雜的圖像，精準(zhǔn)遵循指令并保留用戶提出的細(xì)節(jié)要求。 特別是在以往圖像模型最容易“崩壞”的環(huán)節(jié)——小號文字、圖標(biāo)、界面 UI 元素、密集構(gòu)圖以及細(xì)膩風(fēng)格約束等方面，Images 2.0 都能在最高 2K 分辨率下穩(wěn)定輸出。

這種能力提升也帶來了速度上的權(quán)衡。 相比直接在 ChatGPT 中輸入問題獲取文本回答，生成一幅復(fù)雜的、多分鏡漫畫或多尺寸物料需要更長一些時間。 但就當(dāng)前產(chǎn)品表現(xiàn)來看，完成這類復(fù)雜圖像任務(wù)通常仍只需數(shù)分鐘，已經(jīng)能夠覆蓋大部分實(shí)際應(yīng)用場景。

在訪問權(quán)限方面，OpenAI 表示，所有 ChatGPT 和 Codex 用戶都會從周二起逐步獲得對 Images 2.0 的使用權(quán)。 不同層級的付費(fèi)用戶則可以在生成質(zhì)量和輸出復(fù)雜度上解鎖更“高級”的結(jié)果，例如更高分辨率、更復(fù)雜構(gòu)圖或更多版本的圖像輸出。 與此同時，OpenAI 還將通過 gpt-image-2 向開發(fā)者開放相關(guān) API，按生成圖像的質(zhì)量和分辨率分級計價，使第三方應(yīng)用可以在自身產(chǎn)品中集成這一圖像生成能力。

ChatGPT Images 2.0 體現(xiàn)出圖像生成模型在文字理解與排版能力上的一大躍進(jìn)，讓曾經(jīng)被認(rèn)為是“弱項”的文字區(qū)域，成為可以放心交給 AI 處理的設(shè)計環(huán)節(jié)。 隨著 OpenAI 啟動全面開放和商業(yè)化接口，這一代文生圖模型有望迅速進(jìn)入營銷設(shè)計、產(chǎn)品 UI、游戲與漫畫創(chuàng)作等多個行業(yè)的生產(chǎn)流程，進(jìn)一步模糊人類與 AI 視覺內(nèi)容之間的界線。