作者｜沐風

來源｜AI先鋒官

就在谷歌宣布Gemini 2.5 Pro推出的當天，OpenAI緊隨其后，在GPT-4o中推出了圖片生成的新功能。

2024年5月，OpenAI正式推出GPT-4o，作為一個原生多模態模型，現在它能夠直接從文本提示生成精確、逼真的圖像。

據OpenAI官方博客，GPT-4o圖像生成在準確渲染文本、精確遵循提示以及利用4o的固有知識庫和聊天上下文方面表現出色，包括轉換上傳的圖像或將其作為視覺靈感。這些能力使得創建圖像更容易也更準確。

GPT-4o還支持多輪生成，用戶可以通過自然對話來優化圖像。

并且，由于GPT-4o是在聊天上下文中構建圖像和文本，所以整個過程它可以完美的保持角色的一致性。

例如，當你設計一個視頻游戲角色，在后續進行任何優化和試驗時，該角色的外觀可以在多個迭代中可以保持連貫。

我們先來看看OpenAI官方展示的案例。

下方這張圖片則為通過對話進一步的修改結果：

再比如給下面這只貓戴一頂偵探帽和單片眼鏡。

你就會得到這張圖片：

那再將其更新為橫向圖像16：9比例，在UI中添加更多法術，并取消縮放視覺對象，以便我們以第三人稱視角看到貓走過蒸汽朋克曼哈頓，從而產生美麗的對比和照明，就像在最好的3A游戲中一樣，具有冷色調。

以前，在AI生成的圖片中，文字往往會出現崩壞、亂碼等問題，現在GPT-4o在生成文字能力上實現了躍升，無論是餐廳菜單、邀請函、科學實驗示意圖還是品牌宣傳海報等，它都能搞定。

對此，讓它制作一個漫畫那也是手到擒來。

并且，GPT-4o的指令遵循能力也非常強，用戶可以更精確的控制生成圖像的內容，它還可以處理包含10-20個不同物體的場景，例如：

GPT-4o還可以直接從大模型中獲取知識，從而生成與現實世界知識相符的圖像。

例如使用代碼生成圖像：

抹茶的制作過程：

雞尾酒配方：

當然，也可以直接上傳圖片給GPT-4o，它可以分析和學習用戶上傳的圖像，精準生成用戶想要的圖片，如：

不過，GPT-4o也存在一些問題，如：

GPT-4o 偶爾會裁剪較長的圖像，例如海報，尤其是在圖片底部。

與文本模型一樣，GPT-4o在圖像生成時也有可能產生幻覺，尤其是在低上下文提示中。

在處理非拉丁語言時，字符也可能出現不夠準確或產生幻覺等情況，尤其是在復雜性更高的情況下。

文本如果過于密集也不行。

并且，在生成依賴于其知識庫的圖像時，它可能難以一次準確呈現10-20個不同的概念，例如完整的元素周期表。

而且，在對圖像特定部分（例如拼寫錯誤）提出修改的請求時，可能會出bug，并且還可能以修改圖像的其他部分或引入更多錯誤。

值得一提的是，從25日起，該功能向所有免費和付費用戶推出，替換DaLLE作為默認圖像生成器，并將在未來幾周內向開發者開放API調用。

但免費版的每日圖片生成數量仍然有限制（此前DALL-E為每天3張，GPT-4o具體數字暫未公布，但預計相似）。

另外，GPT-4o生成圖片的速度略慢于之前的DALL-E 3。對此OpenAI表示，“這點延遲完全值得，因為圖片質量和知識整合的提升遠超等待幾秒帶來的不便。”

并且，就在今天凌晨，OpenAI在X上宣布GPT-4o再次迎來升級。

?更擅長理解并執行詳細的指令，尤其是同時包含多個請求的提示。

?在處理復雜的技術問題和編程任務時表現更佳。

?直覺和創造力進一步提升。

?更少使用表情符號。

并且，升級后的GPT-4o現已對所有付費用戶開放，免費用戶將在未來幾周內陸續體驗到。

目前，已經有許多網友在X上發布了自己生成的圖片，就讓我們一起來看看吧。

有意思的是，吉卜力風在X上一夜爆火，網友紛紛開始用GPT-4o生成吉卜力工作室風格的圖片。

感興趣的小伙伴趕快去試試吧！

掃碼邀請進群，我們帶你一起來玩轉ChatGPT、GPT-4、文心一言、通義千問、訊飛星火等AI大模型，順便學一些AI搞錢技能。

往期文章回顧