OpenAI 推出了全新的 ChatGPT Images 2.0 模型，它在生成包含文字的图像方面取得了巨大突破，效果远超以往。该模型具备“思考能力”，能联网搜索并生成高达 2K 分辨率的复杂作品，如漫画或营销材料。虽然生成速度较慢，但其生成的图像细节和准确性极高，已很难与人类创作区分。
告别拼写错误的时代
过去，分辨 AI 图像和人类作品相对容易，尤其是在处理文字时。AI 生成的菜单上常常出现拼写错误的菜名。
例如，两年前的 DALL-E 3 模型在生成墨西哥餐厅菜单时，会创造出 “enchuita”、“churiros”、“burrto” 等不存在的词汇。
现在，全新的 ChatGPT Images 2.0 模型可以生成几乎能直接在餐厅使用的菜单，顾客很难发现异常。这标志着 AI 在理解和渲染文本方面取得了质的飞跃。
技术上的突破：从“重构”到“思考”
以往的图像生成器之所以难以正确拼写，是因为它们大多使用扩散模型 (diffusion models)。
- 扩散模型的工作原理：通过从噪点中重构图像来生成内容。
- 文字处理的难点：文字在整个图像中只占很小一部分像素，导致模型更关注整体图案，而忽略了文字细节的准确性。
尽管 OpenAI 未透露 Images 2.0 的具体技术模型，但解释了其具备“思考能力”。这使其功能更像一个大型语言模型（LLM），能够进行预测和推理，而不仅仅是重构像素。
全新的“思考能力”带来更多可能
这种“思考能力”赋予了 Images 2.0 一系列强大的新功能，使其能够创作更复杂的视觉内容。
- 联网搜索：获取最新信息来辅助创作。
- 多图生成：根据一个指令生成多张不同版本的图片。
- 自我校验：检查并修正生成作品中的细节。
- 多格式创作：能够轻松生成多种尺寸的营销素材或多面板的漫画。
“Images 2.0 带来了前所未有的特异性和保真度。它不仅能构思更复杂的图像，还能有效地将构想变为现实，遵循指令，保留细节，并渲染出通常会难倒图像模型的精细元素：小文本、图标、UI 元素等，分辨率最高可达 2K。” —— OpenAI
更多细节提升与权衡
除了强大的文本渲染能力，新模型还有其他显著改进。
- 支持非拉丁文字：对日语、韩语、印地语和孟加拉语等文字的渲染能力更强。
- 超高分辨率：支持生成高达 2K 分辨率的细腻图像。
当然，这些提升也带来了一些权衡。
- 生成速度：由于需要进行更复杂的处理，生成图像的速度比单纯的文本问答要慢。不过，创作一幅多面板漫画也仅需几分钟。
- 知识截止日期：模型的知识库截止于 2025 年 12 月，这可能会影响其生成与最新事件相关内容时的准确性。