OpenAI 为 GPT-4o 带来原生生图：文字渲染超准，支持连续微调

过去用 AI 画图，最怕两件事：一是画面里字写不对，二是多提几个要求画面就乱套。只要你让它画个有 6 样东西的房间，它大概率会漏掉两样，再把第三样的颜色涂到第四样身上。

OpenAI 宣布把全新的图像生成能力直接原生做进了 GPT-4o。它不再像以前那样调用独立的 DALL·E 3，而是模型本身直接看懂图、吐出图。

这项更新即日起向 ChatGPT 的免费用户、Plus、Pro 和 Team 用户推开，成为默认的生图引擎。企业版和教育版随后跟进，API 预计在未来几周向开发者上线。至于老牌的 DALL·E，则退居成一个单独的专属 GPT。

终于能把 20 个东西塞进一张图了

这次最直观的突破，是它对复杂提示词的控制力。以往同类工具在处理 5 到 8 个物体时就开始吃力，而 GPT-4o 号称最多可以同时精准安放 10 到 20 个不同物体，并且把每个物体的特征、位置关系绑定得更紧密。

除了常规的以文生图，它能直接识别你在聊天框里上传的参考图。你可以扔一张草图让它细化，或者指定十六进制颜色代码、甚至要求透明背景，用自然对话一点点修改，整个过程中角色长相和风格都能保持高度一致。

文字渲染也有了明显长进。配合本周行业里 Ideogram 3.0 等模型的动作，海报排版、Logo 标志和图表里的英文乱码问题，在这一代模型里基本算被啃下来了。

不过代价也很明显：因为生成的细节远比过去丰富，渲染一张图的时间变长了，通常需要等上整整一分钟。

拿推理模型当安全裁判

在底层架构上，OpenAI 采用图像与文本的联合分布训练，再加上密集的后训练，让模型理解图像与文字之间的对应关系。

为了防范滥用，所有生成图片都强制打上 C2PA 元数据，OpenAI 内部还配备了基于技术特征的反向检索工具，用来查验图片是否出自自家的模型。

更有意思的是安全审核机制。OpenAI 训练了一个专门负责推理的语言模型，直接对照人类编写的安全规则来做判断，在开发阶段协助找出规则漏洞，并同时对输入文本与输出图像进行动态拦截。

为什么重要

我们认为，把图像生成做成大模型的「原生器官」，比单纯提升画质更具杀伤力。它让图像不再是生成完毕就断掉的单次产物，而是成了聊天上下文的一部分。普通用户拿它做表情包或头像，创作者拿它做分镜和游戏角色设定，不用再为了保持一致性反复抽卡。

对行业来说，这也是独立生图工具的警钟。当日常的文字排版、多物体控制被直接打包进默认的 ChatGPT 界面，纯靠单一画图功能立足的初创公司生存空间会被大幅挤压。Midjourney 们接下来必须在更极致的艺术表现力或专业工作流上建立壁垒。

看起来 OpenAI 这步棋走得非常聪明：它放弃了追求几秒交图的即时感，换取极高的指令遵循度和文字准确率，把 AI 绘图从「看运气的玩具」拉向了「可用的设计工具」。但每次一分钟的等待时间并不算短，在批量出图场景下，这个延迟是否会劝退专业创作者，还要看接下来 API 的实际表现与定价。