OpenAI 為 GPT-4o 帶來原生生圖：文字渲染超準，支援連續微調

過去用 AI 畫圖，最怕兩件事：一是畫面裡字寫不對，二是多提幾個要求畫面就亂套。只要你讓它畫個有 6 樣東西的房間，它大機率會漏掉兩樣，再把第三樣的顏色塗到第四樣身上。

OpenAI 宣佈把全新的影像生成能力直接原生做進了 GPT-4o。它不再像以前那樣呼叫獨立的 DALL·E 3，而是模型本身直接看懂圖、吐出圖。

這項更新即日起向 ChatGPT 的免費使用者、Plus、Pro 和 Team 使用者推開，成為預設的生圖引擎。企業版和教育版隨後跟進，API 預計在未來幾週向開發者上線。至於老牌的 DALL·E，則退居成一個單獨的專屬 GPT。

終於能把 20 個東西塞進一張圖了

這次最直觀的突破，是它對複雜提示詞的控制力。以往同類工具在處理 5 到 8 個物體時就開始吃力，而 GPT-4o 號稱最多可以同時精準安放 10 到 20 個不同物體，並且把每個物體的特徵、位置關係繫結得更緊密。

除了常規的以文生圖，它能直接識別你在聊天框裡上傳的參考圖。你可以扔一張草圖讓它細化，或者指定十六進位制顏色程式碼、甚至要求透明背景，用自然對話一點點修改，整個過程中角色長相和風格都能保持高度一致。

文字渲染也有了明顯長進。配合本週行業裡 Ideogram 3.0 等模型的動作，海報排版、Logo 標誌和圖表裡的英文亂碼問題，在這一代模型裡基本算被啃下來了。

不過代價也很明顯：因為生成的細節遠比過去豐富，渲染一張圖的時間變長了，通常需要等上整整一分鐘。

拿推理模型當安全裁判

在底層架構上，OpenAI 採用影像與文本的聯合分佈訓練，再加上密集的後訓練，讓模型理解影像與文字之間的對應關係。

為了防範濫用，所有生成圖片都強制打上 C2PA 後設資料，OpenAI 內部還配備了基於技術特徵的反向檢索工具，用來查驗圖片是否出自自家的模型。

更有意思的是安全稽核機制。OpenAI 訓練了一個專門負責推理的語言模型，直接對照人類編寫的安全規則來做判斷，在開發階段協助找出規則漏洞，並同時對輸入文本與輸出影像進行動態攔截。

為什麼重要

我們認為，把影像生成做成大模型的「原生器官」，比單純提升畫質更具殺傷力。它讓影像不再是生成完畢就斷掉的單次產物，而是成了聊天上下文的一部分。普通使用者拿它做表情包或頭像，創作者拿它做分鏡和遊戲角色設定，不用再為了保持一致性反覆抽卡。

對行業來說，這也是獨立生圖工具的警鐘。當日常的文字排版、多物體控制被直接打包進預設的 ChatGPT 介面，純靠單一畫圖功能立足的初創公司生存空間會被大幅擠壓。Midjourney 們接下來必須在更極致的藝術表現力或專業工作流上建立壁壘。

看起來 OpenAI 這步棋走得非常聰明：它放棄了追求幾秒交圖的即時感，換取極高的指令遵循度和文字準確率，把 AI 繪圖從「看運氣的玩具」拉向了「可用的設計工具」。但每次一分鐘的等待時間並不算短，在批量出圖場景下，這個延遲是否會勸退專業創作者，還要看接下來 API 的實際表現與定價。