GPT-4o圖像生成架構被“破解”了！

最近一陣，“萬物皆可吉卜力”讓GPT-4o的圖像生成功能一炮而紅，人們隨之好奇：

4o圖像生成的架構底層邏輯到底是什么？GPT-4o究竟強在哪？存在哪些短板？

作為解答，北京大學、中山大學等多家科研機構共同推出GPT-ImgEval，首次系統評估了GPT-4o在圖像生成上的真實表現。

這份量化評估基準不僅囊括了生成質量、編輯能力和知識推理，還嘗試揭示GPT-4o背后的可能架構，還探討了它生成圖像的可檢測性問題。

下面具體來看。

GPT-4o架構揭秘：可能使用了擴散+自回歸混合方案

GPT-ImgEval團隊嘗試“反向破解”GPT-4o的圖像生成架構。

研究團隊在論文中提出了4種候選架構方案（見下圖），盡管細節略有不同，但有一點是一致的：GPT-4o很可能采用的是自回歸主干+擴散頭的混合結構。

通俗來說，它的工作流程可能是這樣的：文本或指令→ 自回歸模塊理解語義 → 生成中間視覺Token → 擴散模型將這些Token解碼成圖像。

當然，架構猜測不能僅靠想象。為此，研究團隊設計了一套嚴謹的實證方法：

1. 先選取一組統一的文本提示（prompt），分別使用自回歸模型（VAR）和擴散模型（Diffusion）各自生成1萬張圖像作為對比樣本；
2. 利用這些圖像訓練一個二分類器，讓它學會識別圖像是“AR風格”還是“Diffusion風格”；
3. 然后，用同樣的Prompt交給GPT-4o生成圖像，將這些圖像輸入該分類器進行識別。

也就是說，整個過程中，提示詞保持完全一致，只看不同模型生成的圖像“長得像誰”，以此判斷GPT-4o的生成方式更接近哪類結構。

結果很直接：GPT-4o生成的圖像幾乎全部被識別為“擴散風格”，這就從圖像風格維度驗證了GPT-4o的確可能用了擴散模型作為解碼器。

除了對視覺解碼器的分析，研究人員也深入探討了視覺編碼方式。他們指出，一些研究（如UniTok）認為基于向量量化（VQ）的編碼器可能會削弱模型的語義理解能力。

因此，作者認為如果采用了pixel encoder，其大概率是連續（非VQ）的而不是離散（VQ）的，并基于此提出了四種可能的完整架構示意圖。

三大維度全面評估GPT-4o圖像能力

GPT-ImgEval聚焦三類核心任務，對GPT-4o進行了系統評估：

• 文本生成圖像（GenEval）：通過對物體數量、顏色、位置、組合屬性等細粒度維度進行測評，驗證模型對文本的理解與圖像的構造能力。
• 指令編輯圖像（Reason-Edit）：模擬用戶給出修改指令后，模型在保留圖像語義基礎上進行局部編輯的能力，如替換、刪除、變色等。
• 基于世界知識的語義合成（WISE）：考察模型是否能將對世界常識、文化背景、科學原理等知識真正“顯性化”為圖像輸出。

為了支持這一系統評估，研究團隊開發了一套針對GPT-4o的自動化交互腳本，解決了當前該模型尚未開放圖像生成API的現實問題。

這套腳本直接與GPT-4o網頁界面交互，模擬真實用戶行為：

1. 自動輸入提示詞（Prompt）、點擊提交
2. 自動抓取生成圖像并存儲歸檔
3. 每次請求會新開瀏覽器窗口，確保不同任務之間上下文不相互干擾
4. 支持任務批量運行，可實現大規模、可重復的圖像生成任務調度

最終，GPT-ImgEval的整體工作流如下圖所示：

在文本生成圖像（GenEval）任務中，GPT-4o取得了0.84的總得分，超越目前所有擴散類與自回歸類圖像生成模型。

尤其在以下幾項中表現突出：數量控制（0.85）、顏色綁定（0.92）、空間位置（0.75）、屬性組合（0.61）。

下圖是一些GPT-4o使用GenEval基準中的prompt生圖的具體例子：

而在圖像編輯任務（Reason-Edit）中，GPT-4o得分高達0.929，領先第二名超過0.35，說明其在指令理解和局部控制上表現極其穩定。

在知識合成（WISE）任務中，GPT-4o同樣大放異彩，多個子維度（生物、文化、物理等）得分均超過0.9，總分0.89，遠高于當前開源模型（普遍在0.4~0.5之間）。

這說明GPT-4o具有強大的世界知識和推理能力，這應該是得益于GPT-4o這種統一多模態框架。

更多研究結論

GPT-4o vs Gemini 2.0 Flash：多輪編輯對比

研究團隊還對GPT-4o與Google的Gemini 2.0 Flash進行了多輪圖像編輯對比。

除了性能與架構機制，GPT-4o在實際的使用體驗中也展現出了強勁的競爭力。研究團隊對其與Google最新發布的 Gemini 2.0 Flash 進行了多輪編輯任務的實測對比。

1. GPT-4o支持完整的多輪對話式編輯流程，上下文一致性強
2. Gemini響應速度更快，但每輪需重新上傳圖像，缺乏連續性
3. 連續修改、復雜指令理解、圖像語義保持方面，GPT-4o表現出更高的穩定性

從整體趨勢來看，兩者在編輯輪數增加后均出現一致性下降，但GPT-4o下降更緩，保持更穩。

GPT-4o與Gemini 2.0 Flash多輪編輯一致性對比如下圖所示：

這一對比結果也進一步驗證了：融合大模型語義理解能力的圖像生成系統，在交互式創作任務中，正在展現出壓倒性優勢。

GPT-4o仍存五大問題，圖像量化評估并非無解

研究團隊總結出GPT-4o當前的五個常見生成難點：

1. 無法嚴格保持原圖尺寸與邊框比例，有時會自動裁切或縮放
2. 強制銳化，即使用戶要求生成模糊圖，也會被模型“優化”成高清
3. 編輯偏暖、全圖色調變化，即使只修改小部分，可能全圖色調甚至是全局都會被一定程度修改
4. 復雜場景失真，多人或人-物體交互場景易出現姿態不自然或結構錯亂
5. 非英文文本支持較弱，如中文標識常出錯，難以在復雜背景準確生成

這些問題不僅影響使用體驗，也提示我們——GPT-4o仍在追求“自然感”與“精確控制”之間尋找平衡。

這些圖像能被檢測出來嗎？

除了感知層面的觀察和評估，研究團隊進一步思考一個關鍵問題：GPT-4o生成的圖像，是否真的可以“以假亂真”？

為此，研究者使用多個主流圖像取證模型，對GPT-4o生成的圖像進行了系統性評估。

結果顯示，包括Effort、FakeVLM在內的多種檢測器，對GPT-4o圖像的識別準確率普遍超過95%，最高接近99.6%。

不僅僅停留在數值層面，研究團隊還對量化評估成功的原因進行了機制層面的歸因分析：

1. GPT-4o可能在圖像生成過程中引入了超分辨率模塊，通過上采樣插值導致明顯偽影
2. 模型有過度銳化與細節增強傾向，視覺效果雖然“精致”，卻留下了被取證模型捕捉的痕跡
3. 在用戶未要求修改時，仍可能出現尺寸、色彩的隱性變化，破壞了圖像一致性
4. GPT-4o生成圖像色調普遍偏暖，整體風格趨同，易被量化評估模型建立“風格識別模式”

可量化評估，并非弱點，而是AIGC安全設計的基線能力

研究團隊認為，是否可量化評估，不應成為衡量生成模型能力強弱的標準，而應被視為評估其可控性與安全性的重要指標。

在未來的AIGC系統設計中，“逼真”固然重要，但“可識別”、“可追蹤”同樣不可或缺。GPT-4o生成圖像中的偽影、色彩偏好等特征，也正是推動生成量化評估研究的重要突破口。

這也正是GPT-ImgEval的差異化亮點之一：不僅做量化評估，更從安全機制的角度進行深入診斷和前瞻探索。

GPT-4o很強，但“終局”遠未到來

GPT-ImgEval不僅驗證了GPT-4o在圖像生成上的優勢，更指出了它仍需突破的短板。尤其是在可控性、多語種處理、局部編輯穩定性等方面，仍有不少提升空間。

GPT-ImgEval不僅系統性驗證了GPT-4o在圖像生成、圖像編輯與知識合成三大任務中的領先表現，更進一步揭示了其架構特征、失敗模式與安全邊界。

該研究不僅在評測維度上實現了覆蓋廣泛、量化精準，也從架構判別、編輯可控性、多輪理解能力和偽影檢測等多個層面，對GPT-4o進行了技術全景式診斷。

研究團隊認為，該工作的重要意義在于：

1、提供系統化多模態評估范式：首次從“生成-編輯-推理”全流程出發，建立綜合圖像能力測試框架；

2、推動閉源模型的“可解釋評測”研究：在無法訪問模型細節的前提下，建立架構猜測和行為歸因機制；

3、強調通用多輪編輯場景的實用價值：用用戶視角驗證語義理解一致性與細節保真性，為交互設計落地提供參考；

4、補齊圖像生成安全性研究缺口：通過可檢測性實證，發現圖像中的上采樣/超分偽影、色彩特征，推動AIGC取證技術演進。

更多細節歡迎查閱原論文。

論文地址：
https://arxiv.org/pdf/2406.19435
代碼鏈接：
https://github.com/PicoTrex/GPT-ImgEval
數據集下載：
https://huggingface.co/datasets/Yejy53/GPT-ImgEval