摘要：丨 导语 3月26日约凌晨，OpenAI 发布重大更新GPT4o生图能力，我们联合腾讯新闻频道、以及多篇权威媒体实测内容，为大家整理盘点了OpenAI核心生图发展路线、实测效果下解读它表现优异的典型场景、能力突破、以及细分不足之处，供大家快速了解最新模型能力边
丨 共同作者mmzheng
丨 导语 3月26日约凌晨，OpenAI 发布重大更新GPT4o生图能力，我们联合腾讯新闻频道、以及多篇权威媒体实测内容，为大家整理盘点了OpenAI核心生图发展路线、实测效果下解读它表现优异的典型场景、能力突破、以及细分不足之处，供大家快速了解最新模型能力边界与应用效果。
时间模型/产品核心能力进展2021.1DALL·E 11. 首次实现文本到图像生成，由 120 亿参数版本的 GPT-3模型经过 4 亿对图像和文本训练而来2. 分辨率低（256×256），细节模糊，无法处理复杂指令
2021.11
GLIDE
1. 采用引导扩散模型（Guided Diffusion）提高文本控制能力
2. 在较小参数量（35亿）基础上实现了比DALL-E更好的图片效果。以猫在跳棋为例，GLIDE模型生成具有阴影和反射的逼真图像，并以正确的方式组合多个概念
3. GLIDE 对某些文本输入（如生成方轮汽车）无法生成结果，且速度较慢
2. 分辨率提升至 1024x1024，支持图像编辑与风格变化2022年11月开放API对外开放 DALL·E 的 API 接口，开启商业化运营，根据分辨率的不同，每张收
费价格为 0.016-0.02 美元2023年9月DALL·E 31. DALL-E3与ChatGPT深度集成，允许用户使用 ChatGPT 创建提示并包含更多安全选项
2. 支持多轮对话调整图像，文本渲染能力显著提升2025年3月GPT-4o原生多模态图像生成，精准文本渲染，多轮编辑一致性控制等（Now）
与过去难以生成清晰、恰当位置展示文字的AI模型不同，GPT-4o现在可以准确地将文字嵌入图像中
大段文字输出情况下没有错别字的产生（官方直播演示）
GPT-4o 的绘图，能够从大模型中直接获取到知识，生成与现实世界知识相符的图像，无需用户给出精准专业的内容提示词
OpenAI 官方主动提出，和其他语言模型一样，图像生成也可能出现错误信息，尤其是在上下文提示不足的情况下。
比如世界地图中，出现两个埃及Egypt，两个越南Vietnam
GPT‑4o’s image generation follows detailed prompts with attention to detail. While other systems struggle with ~5-8 objects, GPT‑4o can handle up to 10-20 different objects. The tighter binding of objects to their traits and relations allows for better control.
GPT‑4o 的图像生成遵循详细的提示，注重细节。其他系统在处理约 5-8 个对象时会遇到困难，而 GPT‑4o 可以处理 10-20 个不同的对象。对象与其特征和关系的更紧密绑定可以实现更好的控制。
对话中实现对图片的指向性编辑、且能够让图片元素前后保持一致性，是本次GPT4o图像生成能力从可用到实用的最关键突破
由于图片一致性的难题突破，从简单素材到完整游戏画面场景的构建成本大幅降低
作为去年推出的多模态模型，GPT-4o最初的定位是成本优化版的旗舰AI模型，具备生成和理解文本、视频、音频和图像等能力。OpenAI表示，此次精调后的版本使普通用户和企业能够更轻松地创建逼真图像、可读文本段落，乃至公司logo和演示幻灯片等。
项目首席研究员Gabriel Goh透露，GPT-4o取得突破性进展的关键，源于人类训练师对模型数据的标注工作——标注了AI生成图像中的错别字、畸形手脚和面部特征等问题。通过“人类反馈强化学习”（RLHF）技术，模型学会了更精准地遵循人类指令，从而生成更准确且实用的图像。
“人类反馈强化学习”是AI公司用来在初步训练后进一步优化模型的常见技术。鉴于OpenAI的AI系统拥有庞大的用户基础——ChatGPT每周拥有超过4亿用户——这些人工训练师的影响力不可忽视。OpenAI表示，参与该优化过程的训练师团队规模略超百人。
来源：腾讯技术工程一点号