OpenAI 还表示，新模型在非拉丁文字衬着方面有明显进步，包含日文、韩文、印地语和孟加拉语等说话的文字出现才能都获得加强。 模型的常识截止时光为 2025 年 12 月，这也意味着在涉及近期消息或最新事宜的提示时，其生成内容可能存在时效性局限。 在官方消息稿中，OpenAI 将 Images 2.0 描述为在“细节和逼真度”层面上实现了前所未有的晋升，强调其可以构思和落地加倍复杂的图像，精准遵守指令并保存用户提出的细节请求。 特别是在以往图像模型最轻易“崩坏”的环节——小号文字、图标、界面 UI 元素、密集构图以及细腻风格束缚等方面，Images 2.0 都能在最高 2K 分辨率下稳定输出。
而如今，用全新的 ChatGPT Images 2.0 让其生成一份墨西哥菜菜单时，模型给出的成果已经足以直接拿去店里应用，通俗顾客很难从文字本身看出马脚。 独一可能让人心生疑虑的，反而是类似“13.50 美元的酸橘汁腌鱼（ceviche）”这种价格程度，会让人对鱼的品德稍作迟疑。 为了比较，作者还引用了两年前应用 DALL·E 3（当时 ChatGPT 还不具备内置图像生成功能）生成的菜单示例，旧模型在文字出现上的不稳定与新模型形成光鲜反差。
AI 图像生成器经久以来在拼写方面表示不佳，核心原因和主流技巧路线有关。 以前的图像模型多采取扩散模型（diffusion model），经由过程在噪声中慢慢“重建”图像来完成生成义务。 Lesan AI 开创人兼 CEO Asmelash Teka Hadgu 曾在 2024 年接收 TechCrunch 采访时表示，扩散模型本质上是在还原一幅整体图像，而图像上的文字平日只占极小一块像素区域，是以模型更偏向于优先进修覆盖面积更大年夜的视觉模式，而不是精细的文字外形。 在此背景下，研究人员开端摸索自回归模型（autoregressive model）等新机制，让图像生成更像大年夜说话模型那样，经由过程慢慢猜测、懂得构造来构建画面。
对于 ChatGPT Images 2.0 应用了何种底层架构，OpenAI 在本周的媒体简报会上拒绝正面回应相干问题。 不过，OpenAI 在介绍中强调，新模型具备所谓的“思虑才能”（thinking capabilities），可以或许联网检索信息、从一次提示生成多张图片，并对自身输出进行复查。 这意味着，Images 2.0 不只是单次“出图”，而是可以环绕同一创意生成多种物料，例如不合尺寸的营销素材、适配多平台的告白图，甚至是一组多格漫画分镜。
这种才能晋升也带来了速度上的衡量。 比拟直接在 ChatGPT 中输入问题获取文本答复，生成一幅复杂的、多分镜漫画或多尺寸物料须要更长一些时光。 但就当前产品表示来看，完成这类复杂图像义务平日仍只需数分钟，已经可以或许覆盖大年夜部分实际应用处景。
在拜访权限方面，OpenAI 表示，所有 ChatGPT 和 Codex 用户都邑从周二起慢慢获得对 Images 2.0 的应用权。 不合层级的付费用户则可以在生成质量和输出复杂度上解锁更“高等”的成果，例如更高分辨率、更复杂构图或更多版本的图像输出。 与此同时，OpenAI 还将经由过程 gpt-image-2 向开辟者开放相干 API，按生成图像的质量和分辨率分级计价，使第三方应用可以在自身产品中集成这一图像生成才能。
ChatGPT Images 2.0 表现出图像生成模型在文字懂得与排版才能上的一大年夜跃进，让曾经被认为是“弱项”的文字区域，成为可以宁神交给 AI 处理的设计环节。 跟着 OpenAI 启动周全开放和贸易化接口，这一代文生图模型有望敏捷进入营销设计、产品 UI、游戏与漫画创作等多个行业的临盆流程，进一步模糊人类与 AI 视觉内容之间的界线。
发表评论 取消回复