GPT-4o文生图模型一经发布，便迅速刷屏。打开工作群，编辑部同事们的整活热情空前高涨——做头像、做表情包、画漫画，一个比一个点子多。
连小红书首页推送也全是拿GPT-4o画图的。OpenAI这次确实支棱起来了，奥特曼抱完孩子，归来仍是顶流。
简单说，OpenAI放出的GPT-4o文生图模型，让“用嘴P图”“敲字画图”这种离谱需求变成了现实。直接在官网就能用，效果相当攒劲——看完第一反应就是，这波可能要把不少AI从业者和设计师整得怀疑人生。
官网演示案例：抓拍的马克思、心有猛虎的小猫、简单草图变成照片、倒影里的摄影师转过身来击掌……你说这没P图？谁信啊。
于是昨天一早，就有人充了20刀，上手开测。爽玩一天之后，只能说——虽然瑕疵不少，但至少从四个方面看，OpenAI这波生图功能确实又秀又6。
首先，画面保持和图片风格转化方面，GPT-4o主打一个驾轻就熟。经金毛火锅同意，拿出一张火锅与机器狗对峙的照片，让AI转成漫画版。
看这神态，确实对味。细节上有点翻车——把火锅眼睛补上了，但鉴于原图较糊，倒也能理解。
反过来，把画改成真实风格也不错。上传一张刻在基因里的孔子图片，以此为原型生成真实照片。
看到效果，有没有感受到一股时空穿越的味道？对比其他主流文生图模型，就能对GPT-4o的水平有个参考。下面几幅是同一套提示词的结果：Midjourney、ImageFX、GPT-4o和之前挺火的Gemini-2.0-flash-exp。
很明显，GPT-4o和Midjourney是一档的，遥遥领先于同行。不过类似风格转化和逼真图像生成，Midjourney等也能掰掰手腕，顶多80分和90分的差别。
而接下来的四点，可能真的Only OpenAI can do了。
第一个：文本渲染。GPT-4o模型这次残暴得可怕。让它生成一个学者在白板上写量子力学公式和理论——既有数学公式又有框图，很难整对吧？
结果全识别出来整到板书上，白板倒影效果都做出来了。相同提示词，用某友商模型试了试——效果看起来像那么回事，但细看图里文字就知道差距了。
第二个：多主体生成。一段提示词里暗藏玄机——7个不同元素，个数和颜色都不一样。
其他模型直接慌了阵脚，数字上翻了车。
OpenAI这边分毫不差执行了要求，稳如老狗。按OpenAI说法，其他模型处理5-8个对象就顶不住，GPT-4o最多能处理10-20个。而且图里元素不是随机摆放，而是有设计，像有故事的动画场景。
最后一点最牛：GPT-4o图片生成模型在文字和图像理解上，像长了脑子。比如复杂指令——让它画“房间里的大象”，但观众不能直接看见大象，得是明明存在却看不见，氛围里又真实存在的那种。
看到图的时候真没想到，这都能画出来——写实风格，用光影搞了一个透明的空气大象。
除了理解，它把知识作为链接、让文本和图像联系起来的能力尤其出色。不给任何参考，让它用插图解释牛顿发现的光的折射原理，直接给出教科书级专业插图。
OpenAI这次确实支棱起来了。在大家都以为要拉的时候，搞出这么个牛逼哄哄的东西。它之所以比以往文生图模型厉害，里面有一些说法。
技术博客里，OpenAI说他们用的是自回归方法，而不是常见的Diffusion扩散模型。自回归靠之前信息预测后面，再用后面预测更后面；Diffusion则是让模型从乱码中逐渐变清晰。
相比Diffusion，自回归好在语义识别更牛——特别是唠唠叨叨一大串需求时，以前模型理解不全面，用户老跑不出合心意图。用GPT-4o问生图时会发现，出图实际上也是从上往下一点一点画出来的，跟AI写文章一样一个词一个词往外蹦，这很自回归。
有意思的是，OpenAI第一次大火就在用了自回归Transformer的GPT-3.5上，没想到图片生成领域又靠自回归扳回一局。用了新方法，生成图片时间可能稍长，但OpenAI觉得为了高质量值得。
或许因为是自回归模型，GPT-4o生成的图片也会出现大模型幻觉——不是多根手指那种，而是图片元素过多或长度太长时，后面会崩。比如让它生成一堆元素贴纸组成的海报：
一看觉得像模像样，细看就会发现多搞了机器人和冲浪者，弄丢了无人机，还是比较马虎。
官方博客还说，拉丁文字处理效果不错，但其他小语种就不行了——比如三哥那边的文字，生成就有问题，细节缺胳膊少腿。
话说回来，这些都能理解。相比GPT-4o尚有的小缺点，它给业界最大的震撼恐怕不止是图片质量——而是让人越来越意识到，AI更新速度实在太快了。以前费老大劲研究出来的所谓“经验”，在模型能力突飞猛进面前，显得有点尴尬，甚至可能一夜之间变得毫无价值。
有老哥看到GPT-4o效果后心态崩了——好不容易花大把时间琢磨提示词、调参，刚把工作流打到70分，没几天又冒出知识库加工作流的新玩意，直接顶替了之前的努力。刚适应了知识加工作流，还没捂热乎，更厉害的智能体又来了。
这样看来，使用AI的经验保质期实在跟不上AI的速度。真正能让人立于不败之地的，还是模型本身的能力够不够硬。模型能力强了，很多以前需要绞尽脑汁去琢磨的东西，模型自己就能轻松搞定，创造力也能更自由——这，才是技术爆发时代对人的红利。
