奥特曼亲自叫板Midjourney，GPT有了图像生成神器，免费用户也能用

在OpenAI的示例里，光影等细节也能在生成的图像中呈现出来，甚至还可以用它来画漫画。比如要求GPT-4o制作一幅四格漫画，四周留有一些边距，然后每格都有对应的文字内容。

可以说，GPT-4o最后生成的图片基本完成了指令的要求，尤其是漫画中对文字的输出基本没有错误，这下漫画师又要瑟瑟发抖了。

哪怕是文本内容非常多的菜单或者邀请函设计，同时对它的风格、背景等提出要求，GPT-4o也不在话下。

由于图像生成是GPT-4o的原生功能，还可以通过自然对话来进一步优化图像。它不仅能理解单轮对话，还能理解多轮对话，并在多次生成之间能够保持主体的一致性。

奥特曼在直播中就展示了这一能力，针对他和同事上传的自拍，要求GPT-4o转换成动漫风格，它则基本保持了每个人物的动作、手势、表情等特征。

接着，奥特曼要求在这张图像上加上“feel the agi”等内容，生成的图像三个人物主体基本保持了一致性，不细看的话感觉差不多（左边人物发型和脸部、中间人物眼睛和右边人物手势位置等出现一定变化），同时还对图片结构进行了主动调整，从横图变成了竖图。

再看一个更加复杂的示例，让GPT-4o详细解释牛顿三棱镜实验并生成信息图，它则结合自有知识库对具体原理进行了介绍。

然后提出，生成一个人在在华盛顿广场公园的一张圆桌上，正在笔记本上画这个图的视角。前述那张信息图则到了这个人的手上，而且文本内容基本没有发生变化。

现在来“大变活人”，让牛顿上场。还是展示同样的场景，年轻的牛顿坐在桌子旁，拿着棱镜，演示实验，没有看到笔记本，GPT-4o再次按照指令完成了任务。

OpenAI还提到，其它模型在处理5-8个对象时会遇到困难，但GPT-4o可以处理多达10-20个不同的对象，且能体现对象与其特征的关系，使得控制更加精确，并呈现出细节。

比如酒杯里面的一滴红酒，GPT-4o生出来的图像看起来确实只有一滴红酒。对于数学方程的复杂描述，也能准确生成图像。

此外，GPT-4o还可以分析和学习用户上传的图像，将其详细信息无缝集成到其上下文中，为图像生成提供信息。OpenAI还强调，由于是在大量多样化的图像风格上进行训练，GPT-4o生成的图片逼真度和风格更为自然。

奥特曼表示，GPT-4o的图像生成能力得益于用全模态模型进行训练。“它不仅是一个语言模型，还是一个图像、音频等所有模态的模型，可以理解和生成，可以在模态之间无缝切换。”

具体来说，OpenAI根据图像和文本的联合分布对模型进行了训练，不仅学习了图像与语言的关系，还学习了图像之间的关系。同时，结合后训练，使得最终模型具有不错的视觉流畅性，并能够生成有用且上下文一致的图像。

免费用户要再等等，OpenAI多模态融合向前一步走

GPT-4o图像生成功能将从今天开始将作为ChatGPT中的默认图像生成器推出，优先每月200美元的Pro订阅用户，并在不久后提供给Plus和免费用户、企业用户和开发者。

同时，它也可以在Sora中使用。此前，OpenAI专门推出了图像生成应用DALL·E，而这款产品的用户同样也可以通过专用的DALL·E GPT访问。

这意味着，ChatGPT在多模态融合趋势方面又向前迈出了一步，此前大家对它的认知多是对话式的语言聊天工具，现在它已经具备音视频对话、图像理解和生成等多模态能力。

“随着我们的模型越来越强大，它对世界的了解也在加深。此前只能通过文本或代码来表达，现在这些模型可以将所知道的内容可视化，并以视觉方式呈现出来。”奥特曼说。

他希望，ChatGPT将向每个人提供创建工作图像的能力，让人们能够创造他们需要和想要的东西，使其不仅成为想象力的工具，也成为学习和交流的工具。

“这代表OpenAI正在朝着真正的多模态模型迈进，ChatGPT可以做一切事情，并给了用户更多的控制权。”奥特曼表示，“这代表我们在允许创作自由方面达到了新的高度”。

但从OpenAI的直播演示来看，图像生成等待的时间会比较长，往往需要长达一分钟，甚至更长时间。“我们的模型并不完美，目前存在多个限制，我们将通过模型改进来解决这些问题。”OpenAI表示。

“我们希望该工具不会创造令人反感的东西，将知识自由和控制权交到用户手中是正确的做法，但我们会观察进展并倾听社会的声音。”奥特曼还呼吁，为AI设定非常宽泛界限是正确的，而且随着越来越接近通用人工智能，这一点变得越来越重要。

在安全标准方面，OpenAI发布了多项举措。GPT-4o生成的图像会具备C2PA标示，这将识别图像是否来自GPT-4o，并构建了内部搜索工具，以验证内容是否来自该模型。同时，开发推理模型，对文本和输出图像进行审核，以符合政策。

目前，多模态融合是大模型发展的趋势之一。随着OpenAI在图像理解和生成层面完成布局，下一步可能就是集成Sora，实现视频的理解和生成的大一统。

此前预告的GPT-5作为融合大模型，是否会在多模态层面实现完整布局，又是值得期待的更新了。