就在 DeepSeek V3「小版本更新」，阿里通义千问团队开源了新模子后，OpenAI 深夜也静静搞事件。毫无预报地，OpenAI 推出 GPT-4o 原生图像天生。后果让人赞叹不已。更妙的是，即便收费用户也可应用。先来休会一下：在天生成果中能够看到，GPT-4o 在履行义务时起首会对咱们的原始提醒词停止优化，编写一个愈加具体的英文版提醒词：在 OpenAI 看来，图像天生应当是言语模子的中心才能之一。因而他们将开始进的图像天生器 4o 集成到了 GPT-4o 中。2024 年 5 月，OpenAI 宣布其首个万能多模态模子 GPT-4o，与 ChatGPT 之前采取的天生式 AI 图像模子（OpenAI 的 DALL-E 3）差别 —— 这个经典的 diffusion transformer 经由过程去除像素噪声来依据文本提醒重修图像 —— 新的图像天生器被整合到了统一个多模态模子中。OpenAI 对全部模子停止了同一练习，使其可能同时懂得文本、代码跟图像等多种情势。GPT-4o 的图像天生才能存在以下凸起上风：它能精准浮现笔墨内容，严厉遵守指令请求，并充足挪用 4o 内置常识库跟对话高低文 —— 包含对上传图像停止转化处置或将其作为视觉灵感起源。这些特征让用户能更轻松地发明出与设想完整分歧的图像，经由过程视觉表白实现更高效的相同，从而将图像天生技巧进级为兼具准确性与适用性的强盛东西。后果怎样，咱们接着往下看。有效且漂亮的图像天生OpenAI 基于在线图像跟文本对模子停止了练习，这不只让模子进修了图像与言语之间的关联，还进修了图像之间的彼此关联。联合后练习，终极的模子存在令人惊奇的视觉流利性，可能天生有效、分歧且存在高低文感知才能的图像。文本衬着一图胜千言，但偶然在适当地位天生多少个字就能升华图像意境。4o 将精准标记与视觉元素完善融会的才能，使图像天生进阶为真正的视觉转达东西。提醒：「创立一张真切的照片，内容是两名 20 多岁的女巫（一名是灰白色挑染发型，另一名是长卷的红褐色头发）正在浏览一个街标。配景：纽约威廉斯堡一条一般的都会街道，一根电线杆上完整被很多具体的街标笼罩（比方，街道打扫时光、须要泊车允许证、车辆分类、拖车规矩），包含旁边的多少个荒诞的标记：Broom Parking for Witches Not Permitted in Zone C，Magic Carpet Loading and Unloading Only (15-Minute Limit) 等等。人物：一名女巫拿着一把扫帚，另一名女巫拿着一个卷起的邪术地毯。她们在远景中，身材轻轻背向相机，头部轻轻倾斜，细心检查标记。从配景到远景的构图：街道 + 停放的汽车 + 建造物 → 街标 → 女巫。人物必需是离拍摄相机近来的。」这就是天生一张图片的局部提醒词，提醒词描写的堪称十分具体。GPT-4o 岂但严厉遵守指令，还将提醒语中的文本字符也正确的表白出来了。