2025 年 AI 图像生成与编辑比较

2025 年 3 月，我将 OpenAI 的 4o 图像生成与 Reve、Imagen 3、Midjourney 及另一个尚未发布的模型进行比较。这些是当时的非正式示例和主观判断，不是受控基准或当前排名。

我对新模型遵循提示词的程度印象深刻，包括一个要求六位不同族裔的人做爵士手势的提示。部分细节仍不完美，模型也仍然难以处理镜面反射。

一个刻意设计的难题要求：在突尼斯杰姆的五棵垂柳附近，一只三条腿的蓝色大象鼻子上放着三个苹果。OpenAI 的示例表现了蓝象、苹果和可辨认的地点，但没有实现要求的三条腿；树的数量也存在争议。

在我展示的样本中，Imagen 3 也遗漏了若干细节。Reve 生成了有吸引力、地点感很强的图片，但部分物体数量和阴影并不准确。另一个尚未发布的模型生成了有趣的图像，却没有完全符合要求。

对于习语“hold your horses”，我希望画面既有视觉表现，又能传达“慢一点”的意思。我认为展示的 4o 样本在表达词义和呈现文字方面比其他样本更成功。样本数量和我的主观解读限制了这一比较。

我还让模型把现有缩略图变成立体图像。输出保留了大部分文字，并借鉴了原有设计，但标志等细节并不完美。我还在另一段视频的缩略图上尝试了类似流程。

一个四格人生阶段提示生成了带标签的图像，但有时出现拼写错误。我随后要求给每个人物加上眼镜；编辑后的输出大体保留了原有构图。其他模型的样本在是否清晰展示四个阶段方面各有差异。

我简要比较了 Google AI Studio 中 Gemini 的原生图像编辑。我的示例显示两种模型都能编辑图像，但遵循特定指令的效果不同。这只是有限演示，而非全面评估。

模型拒绝了一些请求，但允许生成公众人物掰手腕的图像，人物相似度并不完美。我邀请观众讨论过滤，并提到模型安全测试，包括涉及图像的攻击。

我说 Sora 可以把图像转成视频，但我认为展示的结果还不够逼真。我重新查看六人手势提示，指出其他样本难以完成指定手势，或拒绝了请求。

在类似《寻找威利》的找物谜题中，模型常生成好看的拥挤场景，却没有包含说明文字要求寻找的物体。一个 Imagen 示例确实包含可辨认的目标，但文字和难度仍不理想。这个测试展示了画面看似合理与任务真正可解之间的差距。

我在 2025 年的总体印象是，4o 在遵循提示词和呈现文字方面有明显进步，尽管输出仍会违反某些逻辑条件。这些结果来自选定的提示词，不应推广到所有用途或后续模型版本。