OpenAI 宣布对 ChatGPT 图像生成功能进行重大升级，这是该功能过去一年来的首次实质性改进。此次更新基于 GPT-4o 模型，旨在解决此前版本在指令遵循、文本渲染及设计迭代等方面的痛点。
GPT-4o 图像生成能力全面上线
OpenAI CEO Sam Altman 确认，GPT-4o 的图像生成功能已集成至 ChatGPT 及视频生成产品 Sora 中。目前，Pro、Plus 及免费计划用户均可使用，企业版和教育版访问权限即将开放。相较于前代 DALL-E 3 模型，GPT-4o 在生成图像时“思考”时间更长，但输出结果的准确性与细节表现显著提升。需注意，Plus 用户在高频使用高级图像生成功能时，可能面临 7 分钟的冷却等待期。
核心功能亮点解析
- 精准文本渲染：能够精确遵循提示词要求，利用 4o 知识库实现准确的文字生成。
- 角色一致性：支持在不同姿势或场景中保持同一角色形象稳定，适用于漫画创作等连续叙事场景。
- 图像编辑与重绘：支持上传参考图作为视觉灵感，或对现有图像进行风格化重绘。
- 透明背景输出：可直接生成带透明通道的图像，便于制作 Logo、徽章及素材拼接。
- 复杂对象处理：单次生成最多可容纳 20 个独立对象。
- 图文结合能力：支持生成代码图表、信息图、产品说明书等融合文本与图像的视觉指南。
内容安全策略与真实图片编辑局限
尽管图像生成质量大幅提升，但在实际应用中仍面临挑战。一方面，内容安全审核机制较为严格，部分合规的商业产品图修改请求可能被误判违规；另一方面，在处理速率限制反馈时，系统交互体验仍有优化空间。
此外，实测显示 GPT-4o 擅长从零构建原创概念，但在基于真实照片进行精细化编辑方面尚存不足。例如在尝试将特定模特产品照融入新背景并保留原人物特征时，模型倾向于重新生成相似服装而非直接复用原图，且在光线匹配与细节还原上存在偏差。这表明当前版本更适合创意发散，而在严谨的产品级修图任务中仍需人工介入。