自打前天凌晨，奧特曼這老小子發布了 GPT-4o 文生圖模型以后，哥們是真被這玩意給刷屏了。
這兩天一打開工作群，就能看到編輯部同事們拿 GPT-4o 瘋狂整活，有做頭像的，有做表情包的，還有畫漫畫的，點子王是一個比一個高。
甚至我一打開小紅書，首頁推送的好多也都是拿 GPT 畫畫的。。。
好好好，看來 OpenAI 這是真支棱了，奧特曼抱完孩子，歸來仍是頂流是吧。
可能有差友還不知道這是發生啥了，簡單說吧，OpenAI 放出來了個 GPT-4o 文生圖模型，這玩意直接讓用嘴 P 圖、敲字畫圖的離譜需求，成了可能。
不僅在他們官網直接就能用，而且效果可以說是相當攢勁，當時看完我就一個想法，這波可能要把不少 AI 從業者和設計師們都給整得懷疑人生了。。。
你瞅瞅他們官網的演示案例，像什么抓拍的馬克思、心有猛虎的小貓；還有讓簡單的草圖變成照片、讓倒影里的攝影師轉過身來和你擊掌啥的，這特么你告訴我居然沒P圖？
于是，昨天一大早，哥們就爬起來充了 20 刀，直接上手就是一個測的開。
爽玩了一天以后，我只能說，雖然瑕疵還是有不少，但至少從四個方面看，OpenAI 這一波的生圖功能，確實又秀又6。
首先，畫面保持和圖片風格轉化方面，4o 主打一個駕輕就熟。
在經過了金毛火鍋的同意下，我們拿出了一張火鍋和機器狗的對峙照片，來讓 AI 轉成漫畫版。
你瞅瞅，這神態，真別說還挺對味的。
雖然細節上有點翻車，把火鍋眼睛補上了，但鑒于咱給的圖也比較糊，倒也可以理解。
反過來，把畫改成真實風格，這玩意搞得也不錯，我們也上傳了一張刻在不少人基因里的孔子圖片，讓它以此為原型，生成一張真實照片。
反正看到效果，不知道大伙們感受到一股時空穿越的感覺沒？
對比一下目前其他搞得不錯的文生圖模型，大伙兒可能就會對GPT-4o到底什么水平有個參考了。
下面這幾幅都是同一套提示詞搞出來的，依次是 Midjourney , ImageFX , GPT-4o和之前挺火的 Gemini-2.0-flash-exp 。
很明顯，GPT-4o 和 Midjourney 是一檔的，而且效果可以說遙遙領先于同行。。。
不過，雖然類似風格轉化和逼真圖像生成的活，像 Midjourney 之類的 AI 也能跟 GPT-4o 掰掰手腕，大伙們之間頂多就是 80 分和 90 分之間的差別。
而接下來的四點，可能真的就是 Only OpenAI can do 了。
第一個是在文本的渲染上，4o 模型這次殘暴得甚至有點可怕。
看下面這個，我讓他生成一個學者在白板上寫量子力學的公式和理論，雖然內容我也基本告訴它了，但這又有數學公式又有框圖的，怎么說也很難整對吧。
結果人家全識別出來整到板書上去了，白板的倒影效果甚至都能做出來。
以防大伙們不知道這是個啥水平，相同的提示詞，我用 OpenAI 某友商旗下的模型試了試，效果是這樣的。
雖然看起來是那么一回事兒，但細看一下圖里的文字內容，你就知道為啥 OpenAI 這波有點強得離譜了。
第二個就是在多主體的生成上，4o 模型這次主打一個又準又狠。
比如大伙們請看這段提示詞，小小的一段話里面暗藏玄機，7個不同的元素里，個數和顏色都不一樣。。。
其他模型這邊，則直接慌了陣腳，交出了這樣的作業，在數字上翻了車。
反觀 OpenAI 這邊，分毫不差地執行了咱的要求，穩如老狗簡直是。
按照 OpenAI 的說法，其他模型在處理 5-8 個對象時就頂不住了，而 4o 最多能處理 10-20 個不同的對象。
而且你要回頭細品，還會發現 OpenAI 的圖里元素都不是跟別的模型一樣隨機擺放的，而是有設計，像是一個有故事的動畫場景一樣。。。
最后一點，我覺得最牛的，那就是 4o 的圖片生成模型在對于文字和圖像的理解這方面，就跟長了腦子一樣。
比如說在復雜指令，特別是在長文本上理解上，它不僅能搞懂你想表達啥，還跟開掛一樣，能把你要的那個畫面直接給到。
咱在測試的時候還專門給它上了強度，叫它畫一個房間里的大象，但不能讓觀眾直接看見有大象，得是那種明明存在，但所有人都看不見，但在氛圍里又真的存在的大象。
很刁鉆是吧，就是像這種復雜指令，你看看它怎么處理。
該說不說，看到這個圖的時候我是真沒想到，這人家都能畫出來，還是寫實風格的，用光影搞了一個透明的空氣大象。
除了理解，它這種把知識作為鏈接，真正能把讓文本和圖像聯系起來的能力尤其出色。
舉個例子，不給任何參考信息，讓它直接用插圖解釋一樣牛頓發現的光的折射原理，他能直接給出教科書級的專業插圖。
所以說，這 OpenAI 也是支棱起來了，在大家都以為他要拉的時候，搞出來這么一個牛逼哄哄的東西。
不過，這玩意之所以比以往的文生圖模型厲害，里邊其實也有一些說法。
在技術博客里，OpenAI 說他們用的是自回歸方法，而不是以前文生圖里常用的Diffusion 擴散模型。前者是不停靠之前的信息來預測后面的，再用后面的預測更后面的；Diffusion 則是讓模型從一堆亂碼中，逐漸從混亂變清晰。
相比 Diffusion，自回歸的好處恰恰就是在語義識別上更牛，特別是你要給出嘮嘮叨叨的一大串需求的時候，以前的文生圖模型就理解不全面，所以大家老是沒法跑出來符合自己心意的圖。
所以在用 GPT-4o 問生圖的時候你就會發現，這玩意出圖實際上也是從上往下，一點一點畫出來的，就跟 AI 寫文章一樣一個詞一個詞往外蹦，這就很自回歸。
好玩的是，OpenAI 第一次大火就是在用了自回歸 Transformer 模型的GPT-3.5上，沒想到現在圖片生成領域，他們又靠著自回歸扳回一局。
當然了，用了這種新方法，可能生成圖片的時間會稍微長一點，但是 OpenAI 覺得，為了這么高質量的圖片，這點時間還是值得的。
或許也因為是自回歸模型的原因，GPT-4o 生成的圖片也會出現一些大模型幻覺。
但這倒不是多根手指啥的，而是圖片元素如果過多，或者長度太長，到后面就會崩了。
比方下面這個，我們讓它生成一堆元素貼紙組成的海報：
結果雖然你一打眼覺得它好像搞得像模像樣，但細看就會發現，它多搞了機器人和沖浪者，弄丟了無人機，就還是比較馬虎的。
官方博客還說，他們雖然在拉丁文字處理上整挺好，但對別的小語種，就不大行了。
比如我們搞點三哥那邊的文字，它給生成的就有問題，細節上也是缺胳膊少腿的。
但話又說回來，這其實也都能理解。照我看，相比 GPT-4o 尚有的這些小缺點，這玩意給業界最大的震撼恐怕還不止是圖片質量，而是它越來越讓人意識到，AI更新的速度實在是太快了。
以前費老大勁研究出來的那些所謂的“經驗”，在模型能力突飛猛進面前，真的就顯得有點尷尬，甚至可能一夜之間就變得毫無價值。
比如有個老哥，看到 GPT-4o 的效果以后，心態就崩了。
好不容易花了大把時間，又是琢磨提示詞，又是各種調參，剛把一個提示詞或者工作流弄得差不多能打個 70 分了，結果沒過幾天，人家又冒出來個知識庫加工作流的新玩意兒，直接把之前的努力給頂替了。等你剛適應了知識庫加工作流，還沒捂熱乎呢，更厲害的智能體又來了。
所以說這么來看的話，我們使用AI的這些經驗，保質期實在跟不上 AI 的速度，于是真正能讓你立于不敗之地的，還得是模型本身的能力夠不夠硬。
也就是說，模型能力強了，很多以前需要我們絞盡腦汁去琢磨的東西，模型自己就能輕松搞定，我們的創造力也能更自由，而這，才是技術爆發時代對人的紅利。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
