大家好，我是言川。

最近 OpenAI 上線了 GPT-4o 模型的生圖功能，這個(gè)消息也是刷爆了朋友圈和各大社媒平臺(tái)。

這次更新的影響力，我認(rèn)為堪比春節(jié)期間發(fā)布的 Deepseek R1 模型。特別是在設(shè)計(jì)圈，一片“哀鴻遍野”。究其原因還是在于 GPT-4o 模型的生圖能力不僅是改變了傳統(tǒng)設(shè)計(jì)流程，可能也顛覆了現(xiàn)如今主流的 AI 生圖工作流。

基礎(chǔ)介紹：

今天，想跟大家分享下我的使用體驗(yàn)，以及 GPT-4o 在生圖領(lǐng)域的應(yīng)用場景。在文章后面，我也會(huì)淺談下它與現(xiàn)如今主流的 AI 圖像模型（Diffusion model）之間的區(qū)別，幫助大家客觀、理性地看待 AI 技術(shù)。畢竟，有許多的媒體/博主為了流量，非常努力的渲染焦慮......

這篇文章將延續(xù)我一貫的深入風(fēng)格，從基礎(chǔ)介紹和使用方法開始，逐步深入。

非常感謝你愿意花時(shí)間閱讀我的文章，讓我們開始吧。

一、基礎(chǔ)介紹

1. GPT-4o 模型介紹

GPT-4o 是由 OpenAI 開發(fā)的一款多模態(tài)大型語言模型，于 2024 年 5 月 13 日正式發(fā)布。?其中，4o中的“o”代表“Omni”，強(qiáng)調(diào)其全能的多模態(tài)能力。

那多模態(tài)模型是啥？

指的是能夠同時(shí)處理文本、圖像和音頻輸入，并生成相應(yīng)的輸出。例如，之前我教過大家如何利用 AI 文本生成工具，通過圖像反推生成提示詞。

反之，多模態(tài)模型也能通過提示詞生成圖片。

但是，它所生成的圖像效果是遠(yuǎn)遠(yuǎn)不如 Midjourney、StableDiffusion 等主流圖像模型的。

直到 2025 年 3 月 26 日，OpenAI 更新了 GPT-4o 的圖像生成功能，使其多模態(tài)模型的圖像生成能力達(dá)到了與 Midjourney、StableDiffusion 等圖像模型相媲美，甚至在某些方面超越它們的水平。

2. 4o 圖像生成的特點(diǎn)

OpenAI 官方發(fā)布了一篇 GPT-4o 圖像生成的介紹

地址： https://openai.com/index/introducing-4o-image-generation/

接下來我分享給大家的介紹，也是引用 OpenAI 這篇文章中的案例。

GPT-4o 圖像生成的特點(diǎn)主要包括六類：文本渲染、多輪生成、遵循指令、情境學(xué)習(xí)、世界知識(shí)、真實(shí)風(fēng)格。

① 文本渲染

GPT-4o 能夠準(zhǔn)確生成圖像中的文本內(nèi)容，支持制作包含文字的圖像，如菜單、邀請(qǐng)函和信息圖等。

② 多輪生成

用戶可以通過多輪對(duì)話調(diào)整和優(yōu)化生成的圖像細(xì)節(jié)，GPT-4o 能夠理解并執(zhí)行復(fù)雜的指令，確保生成的圖像符合用戶的具體需求。

③ 遵循指令

GPT-4o 模型能夠精確遵循用戶的指令，生成符合要求的圖像，即使在復(fù)雜的場景和細(xì)節(jié)中也能保持一致性。

④ 情境學(xué)習(xí)

GPT-4o 能夠理解上下文信息，將其融入圖像生成過程中，確保生成的圖像與對(duì)話內(nèi)容或提供的提示詞高度相關(guān)。

⑤ 世界知識(shí)

GPT-4o 模型具備豐富的世界知識(shí)，能夠生成包含復(fù)雜文本的商業(yè)級(jí)圖像，如菜單、信息圖表和徽標(biāo)等

⑥ 真實(shí)風(fēng)格

GPT-4o 支持多種藝術(shù)風(fēng)格的轉(zhuǎn)換，從寫實(shí)照片到插圖等，能夠生成具有真實(shí)感的圖像，捕捉細(xì)致的紋理和光影效果。

提示詞：“這是一張狗仔隊(duì)偷拍的照片，照片中卡爾·馬克思匆匆走過美國購物中心的停車場，他回頭張望，臉上露出驚愕的表情，試圖避開鏡頭。他手里抓著多個(gè)裝滿奢侈品的閃亮購物袋。他的外套在風(fēng)中飄揚(yáng)，其中一個(gè)購物袋擺動(dòng)著，仿佛他正在邁步。背景模糊，有汽車，購物中心入口發(fā)光，以強(qiáng)調(diào)運(yùn)動(dòng)。相機(jī)閃光燈的眩光使圖像部分曝光過度，給人一種混亂的小報(bào)感覺?！?/p>

提示詞：“逼真的水下場景，海豚從廢棄地鐵車廂的窗戶間游過，氣泡和細(xì)致的水流模擬準(zhǔn)確。”

提示詞：“水果碗照片，由真實(shí)水果和微型行星（木星、土星、火星、地球）混合而成，保持與原始照片一致的真實(shí)反射、燈光和陰影，構(gòu)圖清晰，紋理真實(shí)，細(xì)節(jié)渲染清晰?！?/p>

二、使用教程

通過上面的介紹和舉例，想必大家對(duì) GPT-4o 生圖能力有了一定的了解。
下面介紹下如何使用。

1. 使用條件

ChatGPT 地址： https://chatgpt.com/

注：需要特定的網(wǎng)絡(luò)才可以打開。

GPT-4o 模型的圖像生成功能目前對(duì)訂閱賬號(hào)開放，部分免費(fèi)賬號(hào)在灰度測試階段也可使用。

但多數(shù)賬號(hào)應(yīng)該是沒有的，你可以通過 ChatGPT 的對(duì)話輸入框來查看。
例如，我的未訂閱賬號(hào)顯示的是“DALL·E”，表明尚未包含在灰度測試中。

注：DALL·E 是 OpenAI 研發(fā)的圖像生成模型，屬于擴(kuò)散模型（Diffusion model）。

GPT-4o 模型最新的生圖功能，正確的顯示狀態(tài)如圖：

未訂閱的賬號(hào)即時(shí)被灰度測試到，但使用生圖功能時(shí)，有次數(shù)限制（每天最多可生成三張圖像）。
如果你想順暢的使用，還是需要訂閱會(huì)員，Plus 版即可（20$）。

2. 使用方式

GPT-4o 生圖的使用方式非常簡單，通過簡短的自然語言指令即可生成圖像。
但我們還是可以將生圖的方式分為兩種：提示詞生成（文生圖）、圖像加提示詞生成（圖生圖）。

需要注意的是，GPT-4o 生圖時(shí)會(huì)有內(nèi)容限制，包括禁止生成有害內(nèi)容、去除水印、知名 IP、模仿在世藝術(shù)家的作品，以及生成色情內(nèi)容和兒童不當(dāng)圖像等。

① 提示詞生成（文生圖）

兩步操作，首先點(diǎn)擊“創(chuàng)建圖像”，然后輸入提示詞。

提示詞：“生成一張圖像，展示權(quán)力的游戲中的丹妮莉絲·坦格利安與指環(huán)王中的精靈王子萊戈拉斯在冰雪覆蓋的森林中并肩行走?！?/p>

從生成的圖像結(jié)果來看，GPT-4o 在遵循提示詞和圖像真實(shí)效果方面，表現(xiàn)不遜于 Flux 模型。
說實(shí)話，我第一次在大語言模型上體驗(yàn)到這種高質(zhì)量的圖片生成，很震驚。

再來測試下插畫風(fēng)格。

提示詞：“畫一張插畫，內(nèi)容是魷魚游戲的迷宮般的階梯，梵高的風(fēng)格?！?/p>

生成的結(jié)果還不錯(cuò)，但我打算繼續(xù)與它對(duì)話，測試它的“多輪對(duì)話”能力。
提示詞：“將這張梵高風(fēng)格的插圖，放在游戲王游戲的卡牌中，要滿星級(jí)的卡片。”

它能夠理解并準(zhǔn)確生成游戲王卡片、滿星級(jí)的圖像，OpenAI 這波更新屬實(shí)牛逼，它幾乎能滿足我們各種要求。

但真正有可能改變現(xiàn)有 AI 圖像生成工作流、顛覆市面上幾乎所有 AI 圖像工具的，是圖生圖能力。

② 圖像+提示詞生成（圖生圖）

兩個(gè)步驟，上傳圖像（可多張），然后加入提示詞指令描述。

通過提示詞描述，將上傳圖轉(zhuǎn)換不同的風(fēng)格，比如，提示詞：“將這張圖片轉(zhuǎn)換為插畫風(fēng)格?！?/p>

或者是，非常明確的提出轉(zhuǎn)換某種特定的風(fēng)格，比如：“將這張圖片轉(zhuǎn)換為 3D 毛絨風(fēng)格?！?/p>

還可以通過上傳多張圖片，讓 GPT-4o 將圖片中的各個(gè)元素組合成一張圖。

比如提示詞：“將襯衫和短褲穿在馬斯克身上?！?/p>

當(dāng)我們知道了 GPT-4o 的生圖能力之后，就能想象出各種應(yīng)用場景。

接下來的板塊，是我參考了全網(wǎng)優(yōu)秀的案例，花了 3 天時(shí)間測試出來的結(jié)果。雖然這些內(nèi)容可能不夠全面，但希望它們能為你的學(xué)習(xí)和參考提供價(jià)值。

三、應(yīng)用場景

為了更系統(tǒng)的梳理和展示這些應(yīng)用場景，我將生圖的場景分為兩大類，分別是圖像設(shè)計(jì)和圖像編輯。

1. 圖像設(shè)計(jì)

圖像設(shè)計(jì)主要包含風(fēng)格轉(zhuǎn)繪、風(fēng)格遷移、角色設(shè)計(jì)、草圖轉(zhuǎn)繪、模特?fù)Q裝、產(chǎn)品合成、室內(nèi)設(shè)計(jì)和字體設(shè)計(jì)這 8 種類型。

① 風(fēng)格轉(zhuǎn)繪

指將一種特定的藝術(shù)風(fēng)格應(yīng)用到已有的圖像上，從而將其轉(zhuǎn)換成該風(fēng)格的視覺表現(xiàn)。

提示詞：“將這張畫像切換成寫實(shí)人像風(fēng)?！?/p>

提示詞：“將這張圖片中的角色，轉(zhuǎn)換為 3D 毛絨風(fēng)格，保持角色姿勢(shì)不變?！?/p>

提示詞：“將這張圖片中的表情包，轉(zhuǎn)換為 3D 毛絨風(fēng)格?！?/p>

② 風(fēng)格遷移

與轉(zhuǎn)繪是一個(gè)意思，這里的風(fēng)格遷移指的是通過參考圖片，遷移到指定圖像中。

提示詞：“將第一張圖片中的圖標(biāo)，轉(zhuǎn)換為第二張圖片中的圖標(biāo)風(fēng)格，3D 建模質(zhì)感?！?/p>

提示詞：“將第二張圖片的風(fēng)格遷移到第一張圖片中，第一張圖片中的人物姿勢(shì)保持不變?！?/p>

③ 角色設(shè)計(jì)

先玩?zhèn)€角色遷移，將指定角色替換到另一個(gè)場景中，并讓該角色代替原場景中的角色，保持角色的特征和風(fēng)格。

提示詞：“將第一張圖片中的角色，替換到第二張圖片中，3D 風(fēng)格?！?/p>

角色三視圖設(shè)計(jì)。

提示詞：“根據(jù)這張圖片中的角色，生成三視圖，正面、側(cè)面和背面，保持角色風(fēng)格和細(xì)節(jié)不變?！?/p>

④ 草圖轉(zhuǎn)繪

將簡單的草圖或素描轉(zhuǎn)化為精細(xì)的繪畫作品。在 AIGC 時(shí)代，草圖繪制的細(xì)節(jié)、風(fēng)格主要由 Prompt 控制。

提示詞：“請(qǐng)為這幅中國古代建筑風(fēng)格的線稿上色。建筑部分使用溫暖的紅色和金色，屋頂可用傳統(tǒng)的深綠色或深藍(lán)色調(diào)，搭配一些金色的裝飾。背景的山脈和樹木可以用淡雅的綠色、棕色和灰色來表現(xiàn)，水面則使用深藍(lán)和淺藍(lán)的漸變色，石塊和植物使用自然的土色系，如灰色、棕色、綠色等，整體色調(diào)應(yīng)柔和而具有傳統(tǒng)中國畫的藝術(shù)感?！?/p>

草圖換繪還可以結(jié)合風(fēng)格遷移生圖。

提示詞：“ 將第一張的人物線稿圖上色，參考第二張圖的畫風(fēng)?！?/p>

提示詞：“根據(jù)這張 web 設(shè)計(jì)的手繪草圖，生成一張?jiān)蛨D。”

提示詞：“根據(jù)這張?jiān)蛨D，生成一張 UI 圖，需要填充圖片和文字，有 UI 圖落地的效果?！?/p>

⑤ 模特?fù)Q裝

通過 AI 技術(shù)將不同的服裝、配飾等元素應(yīng)用到模特身上，生成新的穿搭效果。

提示詞：“將第二張圖中的衣服，穿到第一張模特身上?！?/p>

提示詞：“將這雙 AJ 鞋穿在模特腳上，畫面只展示鞋子部分。”

提示詞：“將圖中的模特上衣?lián)Q成紅色的，但要確保上衣細(xì)節(jié)保持一致，圖片中的其他元素保持不變。”

⑥ 產(chǎn)品合成

通過產(chǎn)品精修和產(chǎn)品場景合成兩步，利用 AI 自動(dòng)優(yōu)化產(chǎn)品圖像細(xì)節(jié)并將其與合適的背景結(jié)合。

產(chǎn)品精修——提示詞：“精修圖片中的耳機(jī)?！?/p>

產(chǎn)品替換——提示詞：“將第二張圖中的耳機(jī)，替換第一張圖中的耳機(jī)”

產(chǎn)品合成——提示詞：“將第二張圖的耳機(jī)，合成到第一張場景圖中?！?Logo、光影、產(chǎn)品局部細(xì)節(jié)處還原度不高。

換一種方式，僅通過提示詞描述合成。

提示詞：“將這款黑金色的 Beats 耳機(jī)放置在一個(gè)現(xiàn)代科幻風(fēng)格的展示平臺(tái)上，背景是充滿未來感的藍(lán)色科技環(huán)境，燈光從頂部照射下來，突出耳機(jī)的金屬質(zhì)感和細(xì)節(jié)，場景應(yīng)當(dāng)有光滑的金屬質(zhì)感和發(fā)光的虛擬線條，展示出耳機(jī)在未來科技世界中的位置，充滿科技感與未來感?！?/p>

光影融合比較自然了，但產(chǎn)品局部細(xì)節(jié)仍然存在于原圖不符的情況。

人像合成——提示詞：“請(qǐng)將圖中的耳機(jī)穿戴在一位亞洲男模特的頭部?！?/p>

⑦ 室內(nèi)設(shè)計(jì)

通過提示詞描述，讓 AI 根據(jù)指定場景進(jìn)行裝修設(shè)計(jì)。

提示詞：“請(qǐng)為這間現(xiàn)代化的公寓房間進(jìn)行裝修設(shè)計(jì)，現(xiàn)代簡約風(fēng)格裝修，淺灰色墻壁，淺木地板，窗臺(tái)上放置綠植，搭配一張舒適的沙發(fā)和簡約的茶幾?！?/p>

換一種方式，通過指定的物品，讓 AI 生成室內(nèi)空間圖。

提示詞：“幫我生成一張室內(nèi)設(shè)計(jì)圖，并將我上傳的沙發(fā)、茶幾、植物、地毯圖融合在室內(nèi)空間中。整體設(shè)計(jì)色調(diào)溫暖且簡潔，搭配大面積的自然光?！?/p>

⑧ 字體設(shè)計(jì)

AI 模型越來越會(huì)寫文字了，借助多模態(tài)大語言模型的能力，即使是中文，GPT-4o 也能很好的理解并生成。

提示詞：“將第一張圖的字體特效遷移到第二張圖中?！?/p>

提示詞：“根據(jù)這張圖的字體風(fēng)格，幫我設(shè)計(jì)“言川真棒” 的標(biāo)題字體?！?/p>

2. 圖像編輯

① 人物換臉

通過 AI 技術(shù)將一張圖像中的人物面部特征替換為另一人物的面部，從而生成新的面部表情或形象。

提示詞：“將第二張圖，克里斯汀·斯圖爾特 的臉部換到第一張圖中?！?/p>

那么，同樣的思路，用換臉技術(shù)生成證件照。

提示詞：“將第二張圖人物的面部，換到第一張證件照中?！?/p>

② 圖像擴(kuò)展

利用 AI 技術(shù)對(duì)原有圖像進(jìn)行邊緣延伸或場景拓展，生成一個(gè)連貫且符合原始風(fēng)格的新區(qū)域。

提示詞：“ 擴(kuò)展這張圖片，保留原有的街道和建筑風(fēng)格?！?/p>

提示詞：“擴(kuò)展這張圖片，16:9 比例的橫圖。”

③ 照片修復(fù)

利用 AI 技術(shù)對(duì)老舊、損壞或缺失部分的照片進(jìn)行修復(fù)，自動(dòng)修復(fù)損壞區(qū)域、恢復(fù)細(xì)節(jié)，并改善圖像的清晰度和色彩。

提示詞：“將這張老照片變成彩色。”

提示詞：“修復(fù)這張老照片，并上色?！?/p>

④ 局部重繪

指在圖像中選擇特定區(qū)域進(jìn)行重新繪制或修復(fù)，通過 AI 技術(shù)對(duì)該區(qū)域進(jìn)行細(xì)節(jié)的重構(gòu)、增強(qiáng)或改變，從而改善圖像的視覺效果或替換不需要的元素，同時(shí)保持整體畫面的連貫性。

測試下來發(fā)現(xiàn)，結(jié)果并不理想。雖然說 GPT-4o 能按照我的指令修圖，但會(huì)改變?cè)静恍枰薷牡脑亍?/p>

提示詞：“刪掉圖中的女人，保持畫面中的其他細(xì)節(jié)不變?！?/p>

提示詞：“刪掉圖中不必要的元素（比如人、電動(dòng)車等），保留圖片中的場景?！?/p>

⑤ 背景摳除

通過 AI 技術(shù)或圖像處理工具，將圖像中的人物、物體或其他主體從背景中分離出來。

提示詞：“將圖片中的產(chǎn)品從背景中摳出來，保持產(chǎn)品形態(tài)不變，生成 PNG 格式的透明產(chǎn)品圖?！?/p>

通過上面的展示你可能不確信真的是 PNG 透明圖，我把生成的頁面放出來。

提示詞：“將圖片中的車從背景中摳出來，保持產(chǎn)品形態(tài)不變，生成 PNG 格式的透明產(chǎn)品圖。”
但有個(gè)問題，GPT-4o 還是會(huì)在圖像處理時(shí)，改變?cè)矬w中的其他細(xì)節(jié)。比如車標(biāo)、Ultra 字母等。

提示詞：“將圖片中的人物從背景中摳出來，保持產(chǎn)品形態(tài)不變，生成 PNG 格式的透明產(chǎn)品圖。”
毛發(fā)摳除的效果其實(shí)算是不錯(cuò)的了，但人物會(huì)發(fā)生改變，無解......

提示詞：“將這張圖中的杯子摳出來，確保它的透明度清晰可見，保持杯子的細(xì)節(jié)和透明質(zhì)感，去除背景和任何附加元素，生成 PNG 格式的透明產(chǎn)品圖?！?/p>

透明的玻璃杯，杯身的透明材質(zhì)依舊無法摳除。

四、技術(shù)淺談

看完 GPT-4o 生成的案例后，我想給大家分享，或者是說淺談下 GPT-4o 生圖的技術(shù)。

疊個(gè)甲，OpenAI 并未在本次的更新中發(fā)布 GPT-4o 生圖能力的技術(shù)實(shí)現(xiàn)路徑，我也只能通過閱讀網(wǎng)上其他博主分享的內(nèi)容來寫，如果說明有誤，請(qǐng)大家及時(shí)指出。然后，輕點(diǎn)噴......

首先，GPT-4o 的圖像生成功能采用了“自回歸模型 ”，與傳統(tǒng)的“擴(kuò)散模型”有所不同。所以，我們還得從它們的介紹開始說起。

1. 擴(kuò)散模型

擴(kuò)散模型的核心思想是通過逐步加入噪聲，使數(shù)據(jù)逐漸變得模糊，再通過逆過程從噪聲中恢復(fù)出原始數(shù)據(jù)。

擴(kuò)散模型的生成過程可以分為兩個(gè)階段：

1. 正向擴(kuò)散（添加噪聲）：從原始數(shù)據(jù)開始，逐步加入噪聲，使數(shù)據(jù)變得越來越模糊，直到最終變成純?cè)肼暋?/li>
2. 逆向擴(kuò)散（去噪）：模型學(xué)習(xí)如何從噪聲中恢復(fù)出原始數(shù)據(jù)，這個(gè)過程類似于去噪的過程，最終生成新的數(shù)據(jù)。

我們熟知的 Stable Diffusion、Midjourney、DALL·E 等都是基于擴(kuò)散模型的圖像生成模型。

2. 自回歸模型

GPT-4o 的生圖功能依賴于自回歸模型，通過理解自然語言的語義和上下文信息，將這些信息轉(zhuǎn)化為圖像生成的條件輸入。

自回歸模型通過逐步像素生成圖像的方式，從每一個(gè)已生成的像素推測下一個(gè)像素，直到完整的圖像生成。

另外，GPT-4o 是一個(gè)多模態(tài)大語言模型，利用多模態(tài)學(xué)習(xí)技術(shù)，結(jié)合了文本和圖像數(shù)據(jù)，允許模型同時(shí)處理和生成圖像和文本。

通過一張表格來說明 GPT-4o 生圖與擴(kuò)散模型的區(qū)別：

總結(jié)一下：

GPT-4o 生圖主要依賴自回歸模型，能夠通過語言模型結(jié)合圖像生成。它生成的圖像通常非常準(zhǔn)確地與文本描述匹配。擴(kuò)散模型則通過噪聲的添加和去噪的過程生成圖像，能夠生成更高質(zhì)量、細(xì)節(jié)豐富的圖像，但生成過程相對(duì)較慢。

五、GPT-4o 的優(yōu)缺點(diǎn)

那大家看完以上內(nèi)容后，想必你心中對(duì) GPT-4o 有了相應(yīng)的結(jié)論，或者說評(píng)價(jià)。
本篇內(nèi)容因?yàn)槭俏覍懙?，所以由我來?dāng)大家的嘴替，至于對(duì)不對(duì)，你也可以在評(píng)論區(qū)留言，我們互相探討下。

1. GPT-4o 的優(yōu)點(diǎn)

① 優(yōu)點(diǎn)一：文本渲染能力

GPT-4o 是一個(gè)多模態(tài)大語言模型，憑借著大語言模型龐大的數(shù)據(jù)量，能夠生成多種文字，并且依靠多模態(tài)技術(shù)，能將這些文字生成圖像，這是擴(kuò)散模型比擬不了的（主要體現(xiàn)在數(shù)據(jù)量上）。

② 優(yōu)點(diǎn)二：提示詞遵循度

GPT-4o 能夠準(zhǔn)確地理解復(fù)雜的文本指令，并將其轉(zhuǎn)化為具體的圖像生成任務(wù)。與傳統(tǒng)的圖像生成模型不同，GPT-4o 能夠處理帶有多重要求的指令，準(zhǔn)確把握每個(gè)細(xì)節(jié)。

③ 優(yōu)點(diǎn)三：上下文感知能力

GPT-4o 能夠理解并利用對(duì)話上下文和用戶提供的視覺線索，生成與上下文高度一致的圖像，使得多輪對(duì)話中的圖像生成保持連貫性和一致性。

④ 優(yōu)點(diǎn)四：多樣的風(fēng)格表達(dá)

GPT-4o 模型支持多種藝術(shù)風(fēng)格的圖像生成，而這些風(fēng)格數(shù)據(jù)，也來源于大語言模型。而在擴(kuò)散模型中，需要單獨(dú)訓(xùn)練特定的風(fēng)格 Lora 或 微調(diào) Checkpoint 大模型。

2. GPT-4o 的缺點(diǎn)

① 缺點(diǎn)一：圖像裁剪問題

在生成圖像時(shí)，GPT-4o 會(huì)出現(xiàn)裁剪不當(dāng)?shù)那闆r，而且無法準(zhǔn)確的控制圖像尺寸生成。

② 缺點(diǎn)二：模型幻覺問題

GPT-4o 在生成圖像時(shí)，可能會(huì)出現(xiàn)與現(xiàn)實(shí)不符的細(xì)節(jié)，即模型幻覺（大語言模型的通病）。這種情況可能導(dǎo)致圖像中出現(xiàn)不真實(shí)或不一致的元素，影響生成內(nèi)容的可信度。

③ 缺點(diǎn)三：高結(jié)合問題

處理包含多個(gè)元素的復(fù)雜場景時(shí)，GPT-4o 可能在將不同對(duì)象和特征緊密結(jié)合方面遇到困難，導(dǎo)致生成的圖像缺乏協(xié)調(diào)性和一致性。

④ 缺點(diǎn)四：密集信息問題

當(dāng)圖像包含大量密集信息時(shí)，GPT-4o 可能難以準(zhǔn)確呈現(xiàn)所有細(xì)節(jié)，導(dǎo)致部分內(nèi)容模糊或缺失，影響圖像的完整性和可讀性。

⑤ 缺點(diǎn)五：原始圖像變形問題

在編輯或生成圖像時(shí)，GPT-4o 會(huì)對(duì)原始圖像進(jìn)行修改（100%），非常典型的例子，就是人像摳圖了。

⑥ 缺點(diǎn)六：生成速度問題

由于生成高質(zhì)量圖像需要大量計(jì)算資源，GPT-4o 的生成速度可能較慢，尤其在高負(fù)載情況下，生成一張圖片可能耗時(shí)較長，非常影響體驗(yàn)。

⑦ 缺點(diǎn)七：數(shù)據(jù)安全問題

GPT-4o 在生成圖像過程中可能涉及使用大量數(shù)據(jù)，包括用戶提供的參考圖像。這可能引發(fā)數(shù)據(jù)隱私和安全問題，特別是當(dāng)生成內(nèi)容包含敏感信息時(shí)。

⑧ 缺點(diǎn)八：IP 版權(quán)限制生成問題

有許多 IP 角色、人物的生成會(huì)有限制，會(huì)出現(xiàn)無法生成的情況，自由度不如 StableDiffusion 高。雖然這也是對(duì)版權(quán)和原創(chuàng)性的保護(hù)，但用起來總是不那么順暢。

六、寫在最后

那本篇文章就先分享到這，說說我對(duì) OpenAI 這波更新的看法吧。

首先，GPT-4o 圖像生成的技術(shù)絕對(duì)是目前 AI 圖像領(lǐng)域的一次革新。在次之前，大家都在卷擴(kuò)散模型，但其實(shí)每次擴(kuò)散模型的更新迭代都只是在圖像效果上表現(xiàn)出色，比如 Midjourney V4 到 V6 模型。

并沒有像這次自回歸模型技術(shù)有顛覆性的變化，因?yàn)樗耆蚱屏藬U(kuò)散模型極其復(fù)雜的工作流，比如 ComfyUI 工作流?，F(xiàn)在只需要一句提示詞就能做到老照片修復(fù)、產(chǎn)品精修、模特?fù)Q裝等等圖像效果。

我在 2023 年其實(shí)就表達(dá)過一個(gè)觀點(diǎn)，StableDiffusion 這種復(fù)雜的生圖流程在未來一定會(huì)被取代。因?yàn)?AIGC 時(shí)代，AI 最主要的作用就是簡化人類的工作，將標(biāo)準(zhǔn)化的人工流程用 AI 替代。因?yàn)?AI 是程序，給它足夠的計(jì)算資源就能永不休止的工作。

而 StableDiffusion 雖說能兼顧大部分商業(yè)生圖場景，但太復(fù)雜了，盡管能優(yōu)化傳統(tǒng)工作流，能降本增效，但其實(shí)不是特別明顯，AI 生產(chǎn)的內(nèi)容需要大量的人工成本進(jìn)行修正。

很顯然，GPT-4o 這種在圖像生成領(lǐng)域的自回歸模型做到了，盡管它現(xiàn)在仍然不那么完美，仍然需要人工后期修正。但對(duì)比復(fù)雜的 ComfyUI 工作流，又能極大的簡化工作流程。

那么問題來了，我們還要不要學(xué)習(xí)擴(kuò)散模型，也就是 Midjourney、StableDiffusion。

我的回答是，肯定要學(xué)。

在我們的會(huì)員社群，大家調(diào)侃的說：“再不學(xué)就不用學(xué)了......”

為什么我會(huì)這么說呢？

非常刺痛的一個(gè)點(diǎn)，就是數(shù)據(jù)安全問題。GPT 模型會(huì)學(xué)習(xí)我們上傳的文本信息、圖像信息，這對(duì)許多公司而言是不能被允許的，而 StableDiffusion 是本地部署的，不會(huì)存在這種問題。

還有各種自定義編輯問題，比如圖像裁剪、特殊的風(fēng)格、原始圖像的穩(wěn)定性等等，雖然 GPT-4o 能生成高質(zhì)量圖像，也很聽話，但商業(yè)級(jí)的圖像質(zhì)量水平和對(duì)圖像的細(xì)節(jié)控制，還遠(yuǎn)遠(yuǎn)不夠，我們只能說它的綜合能力很強(qiáng)。

很顯然，當(dāng)下最合適的商業(yè)級(jí)生圖場景的模型，或者說工具，仍然是 StableDiffusion。雖然我上面說它很復(fù)雜、學(xué)習(xí)成本也比較高，甚至是未來會(huì)被其他技術(shù)取代。

而這次的事件，也會(huì)加速圖像模型的研發(fā)進(jìn)度，2024 年圖像模型真的太安逸了......
無論是以前的擴(kuò)散模型，還是現(xiàn)如今的自回歸模型，都會(huì)在這次的行業(yè)震動(dòng)下，再次卷起來！落后就要挨打，我非常期待 4 月份 Midjourney V7 模型的發(fā)布，也期待 StableDiffusion 繼續(xù)迭代。

最后，大家現(xiàn)在使用 GPT-4o 會(huì)存在許多限制，比如網(wǎng)絡(luò)、會(huì)員、生成速度等等問題。但不要著急，按照行業(yè)慣性，可能馬上，國內(nèi)的字節(jié)、騰訊、阿里等大廠就會(huì)出類似的功能（自回歸模型，不是現(xiàn)在用的擴(kuò)散模型技術(shù)）。當(dāng)然，DeepSeek 或許能繼續(xù)開源。

以上這段分享，純屬是我個(gè)人觀點(diǎn)。

AI 時(shí)代下，誰也不能準(zhǔn)確的判斷和預(yù)測未來會(huì)發(fā)展到何種地步，唯一可確定的是，AIGC 將會(huì)是未來主流的發(fā)展趨勢(shì)。

而我們，要成為一名終身學(xué)習(xí)者，以理性、客觀的心理來應(yīng)對(duì)未來行業(yè)的變化，切勿因?yàn)槟炒渭夹g(shù)的迭代，而產(chǎn)生焦慮、恐懼的情緒。否則，我們或?qū)⒊蔀?AI 發(fā)展趨勢(shì)下的“受害者”。

感謝你的閱讀，希望本篇文章對(duì)你有所幫助，我們下期內(nèi)容再見。

如果你想學(xué)習(xí) AIGC，可以加入我主理的《優(yōu)設(shè) AI 俱樂部》，俱樂部內(nèi)沉淀有 2000+ 優(yōu)質(zhì) AI 學(xué)習(xí)資料，涵蓋 AI 繪畫、AI 視頻、AI 提示詞、AI 工具庫、AI 商業(yè)設(shè)計(jì)案例、研究報(bào)告......

也可以點(diǎn)擊鏈接： https://wx.zsxq.com/group/15288828142182