ChatGPT 的 Images 2.0 模型在文字生成方面表現出色
就在幾年前,要區分人手繪製的圖片與 AI 生成的圖片還相對容易。當時,若請圖像模型製作一份墨西哥餐廳的菜單,往往會得到諸如「enchuita」、「churiros」、「burrto」或「margartas」這類古怪的虛構菜餚。
如今,當我向全新的 ChatGPT Images 2.0 模型請求一份墨西哥菜單時,它生成的內容足以立即用於真實餐廳,顧客幾乎無法察覺任何異樣。(雖然一份 13.50 美元的生魚片,可能會讓人對魚的品質產生一些疑問。)

圖片來源:ChatGPT Images 2.0
作為對比,這是我兩年前從 DALL-E 3 獲得的結果。(當時 ChatGPT 還沒有生成圖像的能力):

圖片來源:Microsoft Designer (DALL-E 3)
從歷史來看,AI 圖像生成器在拼寫方面一直面臨重大困難。這主要是因為它們通常依賴擴散模型,該模型會從隨機噪聲中重建圖像。
「擴散模型……是在重構給定的輸入,」Lesan AI 創辦人兼執行長 Asmelash Teka Hadgu 於 2024 年向 TechCrunch 解釋道。「我們可以將圖像上的文字視為極其微小的組成部分,因此圖像生成器會優先學習佔據更多像素的視覺模式。」
此後,研究人員開始探索其他影像生成方法,例如自迴歸模型。這些模型會逐步預測影像應呈現的樣貌,運作方式更類似於大型語言模型(LLMs)。
遺憾的是,OpenAI在本週的記者會上,拒絕回答關於驅動 ChatGPT Images 2.0 的具體模型架構相關問題。
不過,該公司確實澄清,新模型具備「思考能力」。這使它能夠搜尋網路、根據單一提示生成多張圖片,並檢視自身的輸出結果。這些功能讓 Images 2.0 能夠製作多維度的行銷素材,以及多格漫畫。
OpenAI 亦表示,Images 2.0 在渲染非拉丁文字方面表現更佳,包括日文、韓文、印地文及孟加拉文。該模型的知識庫更新至 2025 年 12 月,這可能影響其生成與近期事件相關圖像時的準確性。
OpenAI 在新聞稿中指出:「Images 2.0 在圖像創作方面展現了前所未有的細節與精準度。它不僅能構思更複雜的場景,更能有效實現該構想。它能精確遵循指示、保留指定細節,並渲染其他圖像模型常難以處理的細微元素——例如小字體、圖示、UI 元件、複雜構圖及細膩的風格差異——且解析度最高可達 2K。」
這些進階功能意味著生成圖像的過程,並不如向 ChatGPT 提問文字問題那般即時。然而,即使要創建像多格漫畫這類複雜內容,也僅需幾分鐘。
自週二起,所有 ChatGPT 和 Codex 用戶均可使用 Images 2.0,付費訂閱者則能生成更進階的輸出內容。該公司亦將推出 gpt-image-2 API,其定價將依據所需的輸出品質與解析度而定。
相關文章
OpenAI 在青少年開始使用 ChatGPT 數年後,推出了一款更安全的 ChatGPT 版本
在因人工智慧聊天機器人缺乏安全機制——此問題曾導致青少年自殺及其他心理健康危機——而引發一系列訴訟後,OpenAI 於週一正式推出「ChatGPT for Teens」。這項新服務整合了強化版的安全功能,並針對校園中因人工智慧工具而日益嚴重的學術不誠實問題提出解決方案。從教育角度來看,「ChatGPT for Teens」除了推出「學習模式」外,還整合了其他旨在培養好奇心與問題解決能力的工具,鼓勵
Frontier AI Labs 拒絕透露針對失控模型的管控策略
近期研究顯示,極少數頂尖的人工智慧實驗室曾公布或展示過「遏制應變計畫」。遏制計畫旨在界定當人工智慧系統試圖顛覆人類控制時應採取的程序,具體說明應撤銷哪些存取權限,以及何時應完全關閉系統。這些發現來自「Guidelight AI Standards」——一個致力於推動安全前沿人工智慧開發實務的組織,該組織針對五家主要實驗室在此類情境下的應變準備程度進行了評估。 OpenAI 排名最高,而 Anthr
NEA的蒂芙尼·拉克:企業仍在努力應對人工智慧的投資回報率
正在載入播放器…今年早些時候,“token最大化”(tokenmaxxing)在矽谷佔據主導地位,執行長們敦促員工最大限度地利用人工智慧。然而,這種熱情很快遭遇了現實。據報道,Uber在幾個月內就超出了其年度人工智慧預算,一些公司跨部門削減了Claude許可證,而Meta則取消了內部績效排名。NEA合夥人蒂芙尼·拉克(Tiffany Luck)每天都在應對這種興奮與實際回報之間的差距。她此前曾成功說服企業電子商務是未來,如今她完全專注於人工智慧,特別是其為消費者創造“神奇時刻”的潛力。
相關專題推薦
評論 (0)
0/500
就在幾年前,要區分人手繪製的圖片與 AI 生成的圖片還相對容易。當時,若請圖像模型製作一份墨西哥餐廳的菜單,往往會得到諸如「enchuita」、「churiros」、「burrto」或「margartas」這類古怪的虛構菜餚。
如今,當我向全新的 ChatGPT Images 2.0 模型請求一份墨西哥菜單時,它生成的內容足以立即用於真實餐廳,顧客幾乎無法察覺任何異樣。(雖然一份 13.50 美元的生魚片,可能會讓人對魚的品質產生一些疑問。)

圖片來源:ChatGPT Images 2.0
作為對比,這是我兩年前從 DALL-E 3 獲得的結果。(當時 ChatGPT 還沒有生成圖像的能力):

圖片來源:Microsoft Designer (DALL-E 3)
從歷史來看,AI 圖像生成器在拼寫方面一直面臨重大困難。這主要是因為它們通常依賴擴散模型,該模型會從隨機噪聲中重建圖像。
「擴散模型……是在重構給定的輸入,」Lesan AI 創辦人兼執行長 Asmelash Teka Hadgu 於 2024 年向 TechCrunch 解釋道。「我們可以將圖像上的文字視為極其微小的組成部分,因此圖像生成器會優先學習佔據更多像素的視覺模式。」
此後,研究人員開始探索其他影像生成方法,例如自迴歸模型。這些模型會逐步預測影像應呈現的樣貌,運作方式更類似於大型語言模型(LLMs)。
遺憾的是,OpenAI在本週的記者會上,拒絕回答關於驅動 ChatGPT Images 2.0 的具體模型架構相關問題。
不過,該公司確實澄清,新模型具備「思考能力」。這使它能夠搜尋網路、根據單一提示生成多張圖片,並檢視自身的輸出結果。這些功能讓 Images 2.0 能夠製作多維度的行銷素材,以及多格漫畫。
OpenAI 亦表示,Images 2.0 在渲染非拉丁文字方面表現更佳,包括日文、韓文、印地文及孟加拉文。該模型的知識庫更新至 2025 年 12 月,這可能影響其生成與近期事件相關圖像時的準確性。
OpenAI 在新聞稿中指出:「Images 2.0 在圖像創作方面展現了前所未有的細節與精準度。它不僅能構思更複雜的場景,更能有效實現該構想。它能精確遵循指示、保留指定細節,並渲染其他圖像模型常難以處理的細微元素——例如小字體、圖示、UI 元件、複雜構圖及細膩的風格差異——且解析度最高可達 2K。」
這些進階功能意味著生成圖像的過程,並不如向 ChatGPT 提問文字問題那般即時。然而,即使要創建像多格漫畫這類複雜內容,也僅需幾分鐘。
自週二起,所有 ChatGPT 和 Codex 用戶均可使用 Images 2.0,付費訂閱者則能生成更進階的輸出內容。該公司亦將推出 gpt-image-2 API,其定價將依據所需的輸出品質與解析度而定。
OpenAI 在青少年開始使用 ChatGPT 數年後,推出了一款更安全的 ChatGPT 版本
在因人工智慧聊天機器人缺乏安全機制——此問題曾導致青少年自殺及其他心理健康危機——而引發一系列訴訟後,OpenAI 於週一正式推出「ChatGPT for Teens」。這項新服務整合了強化版的安全功能,並針對校園中因人工智慧工具而日益嚴重的學術不誠實問題提出解決方案。從教育角度來看,「ChatGPT for Teens」除了推出「學習模式」外,還整合了其他旨在培養好奇心與問題解決能力的工具,鼓勵
Frontier AI Labs 拒絕透露針對失控模型的管控策略
近期研究顯示,極少數頂尖的人工智慧實驗室曾公布或展示過「遏制應變計畫」。遏制計畫旨在界定當人工智慧系統試圖顛覆人類控制時應採取的程序,具體說明應撤銷哪些存取權限,以及何時應完全關閉系統。這些發現來自「Guidelight AI Standards」——一個致力於推動安全前沿人工智慧開發實務的組織,該組織針對五家主要實驗室在此類情境下的應變準備程度進行了評估。 OpenAI 排名最高,而 Anthr
NEA的蒂芙尼·拉克:企業仍在努力應對人工智慧的投資回報率
正在載入播放器…今年早些時候,“token最大化”(tokenmaxxing)在矽谷佔據主導地位,執行長們敦促員工最大限度地利用人工智慧。然而,這種熱情很快遭遇了現實。據報道,Uber在幾個月內就超出了其年度人工智慧預算,一些公司跨部門削減了Claude許可證,而Meta則取消了內部績效排名。NEA合夥人蒂芙尼·拉克(Tiffany Luck)每天都在應對這種興奮與實際回報之間的差距。她此前曾成功說服企業電子商務是未來,如今她完全專注於人工智慧,特別是其為消費者創造“神奇時刻”的潛力。





首頁






