GPT-4o 图像生成：发布演示、编辑与局限

Matthew Berman 开头快速展示了使用 OpenAI 的 GPT-4o 图像功能生成或转换的图片，包括动画、体素、水彩和玩具风格的照片，以及一张刻意幽默化的神经网络信息图。这些展示了视觉实验的可能性，并不能证明生成图片总是准确。

他还展示了照片上色、一张伪造的维基百科式页面图片和产品设计概念图。看似真实的页面是生成图片，而不是实际的百科文章；这既体现了创意潜力，也说明不能把逼真的图像当成真实来源的证据。

Berman 播放 OpenAI 发布直播的片段，演示人员介绍 GPT-4o 的原生图像生成。他批评当时依赖特定模型的界面和命名，询问为什么图像生成不能直接在整个聊天体验中使用。视频中的界面与模型选择属于历史情况，可能已经变化。

OpenAI 团队展示了一张包含演讲备注的生成图像，并讨论渲染较长文字与结合视觉上下文的能力。Berman 区分了多模态系统和独立的图像生成流程，但承认自己不知道确切架构。他关于扩散模型的猜测不能当作对模型结构的已确认说明。

Berman 对备注图中的文字、光照和视觉细节印象深刻，但说自己早期测试时生成图片可能需要数分钟。OpenAI 演示人员表示模型经过了大量完善，仍可能出错。速度和质量取决于演示时的系统与条件。

团队上传一张合照并要求转换成动画风格画面，将图片与文字请求结合起来，随后又把它制作成表情包。Berman 喜欢整体相似度，但发现手的朝向发生变化，说明编辑可能保留部分细节，同时改变其他细节。

Berman 讨论了能够处理图像、文字和音频上下文的多模态模型的吸引力。他对比直接处理音频与先将语音转成文字、再合成语音的流程，指出转换可能损失语气等信息。发布演示本身主要关注图像。

OpenAI 的另一项演示要求生成一页有关相对论的幽默漫画。结果结合了视觉版式与文字，Berman 称赞画面，但认为笑话不够好笑。外观吸引人的生成教学图片，仍需要核对其科学内容。

演示人员随后用参考收藏卡和狗的照片制作新卡片，并加入所需细节。Berman 认为大部分小字可读，但标题处理看起来不那么自然。之后的纪念币融入了发布会先前图片中的元素，展示了基于参考图的迭代。

在自己的测试中，Berman 要求生成鸡骑鸭、鸭骑狗、狗骑马的画面，然后要求写实版本。他喜欢整体构图，但指出动物的相对比例不合理。这个例子说明，看似可信的图片仍可能遗漏提示词中的物理关系。

他将自己的缩略图肖像转换成夸张的动画风格，并在后续请求中要求更接近原貌。部分细节被保留，但模型给他原本没有纽扣的衬衫加上了纽扣。移除背景的测试虽然去掉了背景，却也不理想地改变了他的脸。

Berman 生成了一只狗，给它加上眼镜，再要求它露出更凶的表情，同时保留眼镜。他发现鼻子和耳朵周围的位置不够准确。另一个标志测试第一次拼错了名称，后一次有所改善，说明文字可读不等于文字一定正确。

发布示例包括玻璃白板上的文字、冰箱磁贴诗、漫画和棱镜插图。Berman 欣赏字体与场景细节的结合，不过一个要求的击掌动作没有出现。他还展示了将同一视觉概念放到不同场景中的后续编辑。

其他示例包括菜单、围绕参考物体制作的广告、建筑图转换和虚构场景。Berman 认为创作者和企业可以通过对话制作视觉原型或修改图片。他也发现一些图片的人脸或动物看起来不如周围环境真实。

OpenAI 的发布页面列出局限：不必要的裁切、编造信息、难以同时处理许多不同概念、精确绘图、非拉丁文字、密集小字和编辑精度。Berman 总结说，该功能很有前景，但远非完美，并邀请观众试用。这些观察描述的是 2025 年初始发布，而非当前基准。