Автор | Кремниевая звезда
Знаменитый мем Сэма Олтмана на этот раз сбылся для всех.
В прошлом году, продвигая GPT-5, этот генеральный директор OpenAI произнес фразу, которая позже была извращена всей сетью: «Это чувство похоже на наблюдение за взрывом атомной бомбы, головокружение и ошеломление». С тех пор, каждый раз, когда в AI-индустрии выходит новый продукт с преувеличенными описаниями, этот мем снова и снова всплывает.
Но поздно ночью позавчера ошеломленным был не Олтман. На этот раз это были все пользователи, уставившиеся в экраны в ожидании хода OpenAI.
Олтман, как обычно, сделал загадочный вид и написал в твиттере: «Мы подготовили кое-что интересное.»
К трем часам ночи GPT-Image 2 был представлен. Глобальное AI-сообщество взорвалось.
«Images are a language, not decoration.»
Это первая фраза, которую OpenAI написал на странице релиза. В переводе это означает одно: с сегодняшнего дня изображение больше не является украшением, оно само по себе — язык. Это декларация о межпоколенческом скачке для всей индустрии компьютерного зрения.
Весь прошлый год AI-рисование увязало в эстетической трясине «похоже ли нарисованое». С появлением GPT-Image 2 была нажата кнопка переключения — AI-генерация изображений официально вступила на интеллектуальный экзамен «верна ли логика».
Точность этой модели можно охарактеризовать как «пугающую».
Она заняла первое место в рейтингах генерации изображений из текста и редактирования изображений от Artificial Analysis, а ее практические результаты были сокрушительными.
Ощущение было такое же, как при появлении Seedance 2.0 в области генерации видео: она уже давно не является вспомогательным инструментом для человека, она определяет новые отраслевые стандарты.
Примечание: все изображения в этой статье сгенерированы GPT-Image 2, содержание изображений является вымышленным.
01 Пробуждение мыслительного движка
Раньше, оценивая модель генерации изображений, первым критерием было то, насколько она похожа на реального человека или на референс.
Перед этим монстром, GPT-Image 2, этот стандарт устарел. Полностью устарел.
Ключевой прорыв новой модели заключается в следующем: это модель изображений, поддерживающая режим мышления.
Что это значит? После ввода пользователем промта модель больше не просто удаляет шум или склеивает пиксели. Сначала она выполняет мысленное моделирование в фоновом режиме, а затем начинает «рисовать».
Наиболее показательной является тестовая картинка, просочившаяся из сообщества Linux.do. Модель смоделировала сцену прямого эфира, где Лэй Цзюнь бежит:
Источник: https://cdn3.linux.do/original/4X/0/f/3/0f37c8bc968e3d563cc6100d8e7f80ee305661ff.jpeg
Эта картинка заставила многих разработчиков ахнуть. Черты лица мистера Лэя точно переданы —简直像照片 — на картинке также четко видны: цель стрима 1313 км, пройденное расстояние 425.7 км, оставшееся расстояние 887.3 км. Что еще удивительнее, указана текущая высота: 3658 м.
Что означает высота 3658 м? Это типичная высота при входе в тибетский регион по пути из Пекина в Лхасу.
В глазах человека это простая арифметика и базовые географические знания. Но задумайтесь: что означает тройное единство математической логики, географических знаний и стандартов UI для модели генерации изображений?
Вывод прямолинеен: до генерации первого пикселя GPT-Image 2 уже завершила цикл рассуждений. Она поняла значение «пробега», поняла логические отношения сложения и вычитания, а также поняла визуальные характеристики высокогорных районов.
Это не рисование. Это мышление.
02 От игрушки к производительной силе
Перед такой способностью отношение всех к моделям генерации изображений должно измениться.
Она уже давно не игрушка для создания аватарок или обоев. Переступив порог «пригодности к использованию», она ринулась прямо в зону «удобства использования» — инструмент, который можно бросить в коммерческий сценарий и заставить работать.
Возьмем, к примеру, дизайн постеров. Чувство композиции, обработка света и тени, умение уловить брендовый стиль у GPT-Image 2, без сомнения, достигли высот, недостижимых для подавляющего большинства обычных дизайнеров-людей.
Источник: https://cdn3.linux.do/original/4X/7/a/1/7a12ccd6b745be5ad8828eb0ac225d218fb43cbc.jpeg
В человеческом обществе наем высококлассного художника-оформителя для разработки коммерческого постера часто является тяжелым бременем для малого и среднего бизнеса с точки зрения затрат на коммуникацию, времени и вознаграждения дизайнера в размере上千 юаней.
Однако с GPT-Image 2, даже если результат неудовлетворителен и требуется десятки корректировок, стоимость составит всего несколько долларов.
В таких областях, как дизайн постеров, маркетинговые материалы, иллюстрации, пользователям важно не «реалистично ли», а «красиво ли, точно ли». Именно поэтому эффективность замены AI является разрушительной.
В обновленной документации для разработчиков скрывается волнующая деталь: в примерах кода часто встречается model: "gpt-5.4".
Режим мышления в сочетании с флагманской моделью намекает на одно: GPT-Image 2 — отнюдь не изолированный продукт. Это визуальный терминал, рожденный для следующего поколения больших языковых моделей.
Через новый Responses API процесс генерации изображений будет таким же естественным, как общение с большой языковой моделью. Модель добавила функцию, позволяющую вносить изменения в ходе многораундового диалога. После первоначальной генерации пользователь может давать различные инструкции для修改, от которых у исполнителей поднимается давление.
Через новый Responses API процесс генерации изображений будет таким же естественным, как общение с большой языковой моделью. Модель добавила функцию многократного диалогового редактирования. После первой версии пользователь может давать различные инструкции, от которых у дизайнеров-исполнителей подскакивает давление: «Сделай фон темнее», «Сдвинь логотип на несколько пикселей в сторону».
Эти интерактивные требования к изменению в реальном времени как раз и являются самой утомительной и изматывающей частью повседневной работы дизайнера. Теперь они решаются легко.
03 Вершина рендеринга китайского текста
Хотя GPT-Image 2 является зарубежной моделью, отечественные пользователи единогласно ее хвалят.
Причина только одна: ее поддержка китайских иероглифов近乎 идеальна.
В тестовых изображениях из сообщества можно увидеть знаменитые дебаты Ло Юнхао и Ван Цзыжу:
Источник: https://cdn3.linux.do/original/4X/0/9/7/097ed46991d2464442aebc6b1076a292cc839fec.jpeg
Можно увидеть, как Илон Маск ведет прямую трансляцию по продаже LaoGanMa:
Источник: https://cdn3.linux.do/original/4X/2/f/a/2fa77cf040e6337643829df4ec5ca6467d2866b2.jpeg
И даже рецепт, написанный врачом:
Источник: https://cdn3.linux.do/original/4X/9/f/f/9ffeab83675648b43116cd0763f6c8b560611ae6.jpeg
Текст на этих изображениях уже не кривые, корявые, бессвязно составленные «псевдо-иероглифы», а зрелые дизайн-макеты, обладающие каллиграфическим charmом, иерархией шрифтов и искусством верстки.
Очевидно, OpenAI влила в обучающий набор огромное количество изображений с китайским языком и провела целенаправленное усиленное обучение.
По сравнению с предыдущей моделью, мощь GPT-Image 2 проявляется еще более полно.
В сравнительных тестах предыдущая модель версии 1.5 хотя и могла нарисовать нечто, похожее на рецепт, но при ближайшем рассмотрении текст почти полностью состоял из кракозябр.
Источник: https://cdn3.linux.do/optimized/4X/2/b/3/2b38f3c1a134515d564f07f81661c0bd9578c6b9_2_750x750.jpeg
Но тот же рецепт, сгенерированный GPT-Image 2, демонстрирует прорыв в четкости текста и эстетике.
Источник: https://cdn3.linux.do/original/4X/0/2/5/02513b10135d824ccb1c22bd0c7eb441f1e34455.jpeg
Для промптов, содержащих上百 китайских символов, пять шагов все еще清晰可见, соответствие текста и изображения удовлетворительное. Это не просто картинка, а воспроизводимый практический план.
Однако здесь возникает интересный технический вопрос: действительно ли модель генерации изображений полностью решила проблему кракозябр?
Мое мнение:恐怕没有 (Скорее всего, нет).
Большая языковая модель генерирует токены на основе семантической логики. На этапе обучения с подкреплением она опирается на вероятности: чем больше качественных данных, тем логичнее результат. Но суть моделей генерации изображений — это все же генерация пикселей. Логические отношения между пикселями и логические отношения между словами — совершенно разные вещи.
Другими словами, даже такая мощная модель, как GPT-Image 2, на самом деле не «понимает» закономерности文字 (текста). Она просто зазубрила, как文字 (текст) выглядит на уровне пикселей.
Это暴露了 (обнаруживается) на изображении, где ведут бизнес с Олтманом: надписи «Мэнню» и «Ван Лаоцзи» на двух ящиках с напитками написаны极其完美 (совершенно идеально), а мелкий шрифт внизу по-прежнему представляет собой размытые цветные блоки.
Источник: https://cdn3.linux.do/original/4X/d/7/c/d7c4fb063202bcbf56b9ca0623aa0ce6fc26e542.jpeg
В существующей технологической парадигме логика генерации все еще заключается в «распределении пикселей», что fundamentally отличается от «рендеринга символов». Случайные кракозябры в мельчайших деталях, возможно, никогда не будут полностью искоренены.
Но, с другой стороны, для 90%+ коммерческих применений этого уже достаточно.
04 Недостатки и границы, не позволившие стать божеством
Даже заняв первое место в мире, у GPT-Image 2 есть своя неуклюжая сторона.
В ходе тестов发现 (обнаружено), что поскольку режим мышления involves поиск в интернете и логические выводы, при обработке чрезвычайно сложных вымышленных задач модель occasionally может попасть в логическую ловушку — она размышляла почти 40 минут и все еще не могла ответить.
В то же время, заявленная поддержка API разрешений 2K и даже 4K означает чрезвычайно высокое потребление токенов и задержку.
Для обычных пользователей нахождение баланса между максимальным качеством изображения и скоростью отклика станет обязательным уроком в будущем использовании.
В технической области мощные возможности всегда являются обоюдоострым мечом.
Как модели генерации изображений, так и видео модели неизбежно сталкиваются с этическими проблемами глубоких подделок (deepfake).
В большинстве текущих тестовых случаев AI генерирует изображения известных личностей, но если заменить их на обычных людей, фотографии которых опубликованы в социальных сетях, то без знания человека в лицо уже крайне сложно отличить подделку от настоящего.
За исключением occasionally появляющихся на заднем плане кракозябр, которые могут выдать AI, в самом человеческом теле уже нет никаких изъянов.
Таким образом, те области, которые раньше обязательно требовали участия真人 (реальных людей), столкнулись с беспрецедентным кризисом доверия.
Релиз GPT-Image 2 превратил модели генерации изображений из игрушки в инструмент производительности.
Раньше люди использовали AI для вдохновения, а теперь AI пытается взять на себя весь процесс от замысла, вычислений, верстки до готового продукта.
Для从业者 (практикующих специалистов) в области дизайна это эпоха, полная FOMO (страха упустить возможность).
Но для тех, кто умеет использовать инструменты, обладает продуктовым вкусом и логическим мышлением, это又是最好的时代 (лучшая эпоха).
Изображения научились думать, текст больше не является шумом пикселей.
Люди, возможно, действительно находятся всего в одном шаге от визуальной сингулярности, где所思即所得 (думаешь — и получаешь).
