昨晚OpenAI对ChatGPT的文生图能力做了一次关键升级。

准确地说，这更像一次"小革命"——以前生成图像离不开DALL-E这座桥，现在ChatGPT自己就能画了，而且是直接画。

新能力最核心的变化是：生成的图片更"懂你"。什么叫懂？就是你让它画一只戴眼镜的猫，它不会直接给你一只穿衣服的猫，而是先想想，再画出那副眼镜该在什么位置、什么款式。说白了，是理解力提升了，不再是"按指令机械拼贴"。

还有一点很实用——细节不满意，直接改。告诉它哪个地方要调整，它就能精准修改，不用推倒重来。

官方直播里演示了两个例子。一张是两位研究人员和奥特曼的合影，让ChatGPT转成动画风格——结果确实干净利落。另一个是让ChatGPT生成的图片上嵌文字，比如加上"Feel The AGI"的字样，也顺利完成了。

看了一圈介绍文章，感觉多少有吹捧成分。所以昨天下午忙完后，自己动手测了一轮。

问题来了：怎么测出不同模型之间的真实差距？

我先让Qwen代写了一个提示词：

想象一个赛博朋克风的场景，霓虹灯闪烁，高楼大厦林立，楼体上挂着巨大的广告屏，悬浮车穿行，无人机盘旋，天上挂着一轮紫色月亮，路人穿着科技感十足的服饰。从高处俯瞰整座城市，画面要高清、细节越多越好。

写完后，同时发给ChatGPT和即梦AI。

不到20秒，GPT出图了。两种结果摆在一起看，各有各的赛博朋克味道，但在细节上确实各有侧重。

整体评价？两张图清晰度都有点不过关。但即梦AI这边，细节修复和超清功能可以直接点，操作上更顺手，效果立竿见影。

GPT这边就有点力不从心了。让它生成高清版本，它又重新画了一张，依然没达到预期。

图释：左，ChatGPT；右，即梦AI

从清晰度控制这个维度看，GPT确实还有提升空间。不过它也有自己的亮点，比如调整尺寸时，你告诉它要1:1的图，它会给你两个方案，还反问一句：你觉得哪个更好？你更倾向哪种？

重复试了好几组提示词，结果依然如此。

接着测它的另一个新能力："世界知识"功能。官方说，有了这个能力，AI在生成图像时会考虑现实世界里的细节，比如地理位置、文化背景、物理规律这些。说白了，画雪山不会冒出热带植物，画古代场景不会突然冒出一部手机。

为了验证，我又让Qwen写了一个提示词：

生成一张图，用两个站在滑板上的人互相推对方的动作，来解释牛顿第三定律。要求画面直观，能清楚展示作用力和反作用力的关系。

结果怎么说呢？像那么回事。图中确实展示了两个人在滑板上互相推开的状态，还加了箭头和英文注解。但仔细一看，总觉得像是"图像版PPT"。

又试了几轮，分别生乘人的头部骨骼和全身骨骼。满分10分的话，最多给6分——因为眼下字节、腾讯的文生图模型，这些也都能做到。

图释：左，ChatGPT；右，即梦AI

Sam Altman对这次更新评价非常高，用了"难以相信这是AI生成的"这种话，说大家会喜欢，期待用户用它做更多创意内容。同时还强调，会尽量避免生成冒犯性内容，把创作自由和控制权交给用户。至于怎么平衡自由和责任，他说会观察实际使用情况、听取各方意见。其实这些漂亮话大家都听惯了。

为什么不继续用DALL-E了？

相比之下，比目前的生成能力更值得关注的，是OpenAI为什么决定用新模型取代DALL-E。

要知道，DALL-E是2021年1月发布的，一个做了快四年的老模型，按理说应该持续迭代让它更强才是。但问题出在它的核心架构上——自回归模型。

什么叫自回归模型？简单说，就是利用自身历史数据来预测未来。放在图像生成里，它会把图像拆成一个个token，像写作文一样，一个token一个token地生成。你让它画猫，得先画头、再画眼睛、鼻子——按顺序来，不能跳步。

这种模式的优点是细节好，缺点是速度慢，而且前面一旦画错，后面就很难调整。

替代方案是非自回归模型。

核心思路变了。新模型会先理解整张图的结构和细节——像学生先听完老师讲题目，把框架搭好，再一点点填充。还是画猫，它会先勾勒出猫的外形，再细化毛发、眼睛这些细节。

技术上，它采用一套特殊的编码-解码架构。编码器负责"读题"，理解你输入的文字；解码器负责"作答"，根据文字生成图像。

好处也很明显：第一，不再逐像素生成，效率更高；第二，整体表现更强，尤其在复杂场景里，能更自然地处理多个物体之间的关系，生成的图片更逼真。比如要画一张桌子，上面有杯子、书本、台灯，非自回归模型能更合理地处理物体位置和光影关系，画面不会乱七八糟。

对复杂文字指令的理解也更准了，基本能做到图文对应、逻辑自洽。

还有一个特点：灵活性好。它可以融入多模态场景，比如塞进ChatGPT 4.0里，不仅能看图，还能结合音频或已有图片，生成更多样化的内容。

OpenAI的这一步，其实是看到了行业变化

今年春节时，DeepSeek发布了文生图模型Janus-Pro，用的就是非自回归框架。其中的Janus-Pro-7B在GenEval准确率上达到80%，直接超过DALL-E 3的61%。

查了一下，这种非自回归模型最早在2018年ICLR会议上被提出，起初用在神经机器翻译领域，目标就是加速推理。从论文综述看，微软在2022年5月做了进一步研究。而国内从2023年开始，阿里、科大讯飞、昆仑万维、云从科技等企业已经陆续引入这项技术。

说到底，OpenAI这一步本质是一场"自我革命"——看见国内在这条路上跑得飞快，终于开始反思自己了。