GPT-4o多模态生图正式上线 - 用嘴改图，此为王道。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
GPT-4o多模态生图正式上线 - 用嘴改图，此为王道。
原创 数字生命卡兹克 数字生命卡兹克 2025-03-26 06:08 北京
今天日子是2025年3月26日。
OpenAI又是临时发了一个直播预告。
凌晨2点要发东西。
我：？？？？？？？？？？
当熬到2点看完了直播以后，我人都恍惚了，我怎么好像去年5月的时候，见过这个东西？怎么感觉特娘的我时间穿越回到1年前了？
翻了一下，果然。。。
2024年5月13号，GPT4o正式发布，那时候的blog里面，就说了GPT4o是一个原生多模态模型，不仅支持端到端的语音输入输出，其实也支持图片的端到端输入输出。
只不过，这一鸽，就鸽了一年，鸽的我都快忘了GPT4o原来也支持图片输出的。。。
感觉是Gemini的原生多模态用嘴改图给OpenAI逼急了，没办法，只能临时加塞把这玩意掏出来。
OpenAI的发布节奏，真的已经越来越不对劲了。
但是回到4o生图这个产品能力本身。
虽然说节奏稀碎，可OpenAI一年后掏出的这个的产品，质量直接拉到顶，就跟DeepResearch把google的按在地上摩擦一样。
大家虽然都是原生多模态，都可以用嘴改图，但是GPT4o的绘图质量，就是可以把Gemini按在地上摩擦，就是当今的王，太牛逼了。
作为200刀的pro会员，我也在第一时间，就拿到了体验资格。
目前，有两个渠道可以使用4o Image Generation。
一个事ChatGPT，一个是单独的那个Sora的网站。
在ChatGPT上，当你画图的选项变成这个的时候，就说明用的不是Dalle3了，而是4o。
你就直接可以用嘴画图。
也可以，直接用嘴改图。
但是在ChatGPT上用，有一个问题就是，即使我作为200刀的Pro会员，他居然也限我流，才生成十几张，就给我限了，让我7分钟以后再用。
而在Sora上用的话，有个好处，就是速度极快，一次性可以跑4张，而且还无限用。
质量顶到飞起。
你可以把这个位置，改成image就OK了。
但是最大的问题，就是生成完以后的图片，不能进行多轮对话修改了。
现在ChatGPT和Sora的关系，越来越像豆包和即梦的关系了。
我从2点，跑图跑到4点，坦率的讲，我对4o的生图质量，是非常震惊的。
比我想象的还要好。。
用过Gemini的就知道，虽然可以实现多模态改图，但是那个生图的质量，丑的不忍直视，能用，但是到不了生产力级别。
但是，4o可以。
我直接放一下我跑的纯生图case，改图的case放后面。
先看生图。
Prompt：冰霜巨龙盘踞在雪峰上，周身冰晶闪耀，龙息喷出寒气，背景狂风席卷雪花。
Prompt：山姆奥特曼在摘棉花。
Prompt：制作一张漫画风格的生日卡，上面写着“我希望你今天像动漫开场中的超新星一样闪耀！”
Prompt：创建一个多步骤表单用户界面设计的图像，简约一点，好看一点。
Prompt：创建一个索隆的女孩版动漫角色。
Prompt：创建一个包含所有元素的周期表卡通图像。确保每个元素框都标有元素的全名（如氦或氢）。在每个元素的框中，包含一个代表该元素的卡通图像。同时也包括一些完全随机的物品，而不是实际的元素，仿佛是在幻觉中看到周期表的成员。
Prompt：做一个用火龙果的外皮做的蜥蜴，照片必须逼真，整个鳞片都要是火龙果。
Prompt：一张坦率的狗仔风格照片，卡尔·马克思匆忙走过美国购物中心的停车场，回头用惊讶的表情看着，试图避免被拍照。他手里抓着多个装满奢侈品的光滑购物袋。他的外套在风中飘动，其中一个袋子在他迈步时摇摆。模糊的背景中有汽车和发光的购物中心入口，以强调运动。相机的闪光灯部分过曝了图像，给人一种混乱的小报感觉。
Prompt：画一个包含机器人运动学和动力学详细信息的海报。
Prompt：描绘一只对冒烟的计算机服务器机架感到困惑的水豚。
Prompt：一只猫用粉笔在街上写下“我是一只猫”的图片。
我还有太多太多太多跑出来的图想放给大家看了。
受限于篇幅，我只能放这么多，我推荐你们每一个人，都去试试。
诚然，4o当然还有很多小问题，比如手指细节可能有问题，比如海报里的公式都是错的，比如上面的元素周期表很多是不对的，比如你让他画中文有时候会干出英文或者日文等等。
但是，但是，这个质量，这个自由度，这个语义理解。
让我可以在这个阶段，无视他的所有那些细小的瑕疵。
我已经很久没有跑图跑的兴奋了，跑图跑的不想睡觉，这样的感觉，还在两年前，第一次看到Midjourney v5更新的时候。
太酷了。
当然，你并不是只可以文生图，当然也可以，图生图。
如今，你再也不需要什么SD、什么Comfyui、什么ControlNET插件，你就可以实现很多很多效果。
效果就是这样的，BUG就是4o无法区分句和勾：
又或者，把雷总经典手势转一下风格。
再或者，把拼多多的logo，改成青花风格。
又或者，把几张图融起来。
人物脸的一致性有一点瑕疵，但是这个融合效果，已经无敌到没边了。
Sora差不多就这样，ChatGPT上也可以用，效果跟Sora一样，反正背后都是4o，但是ChatGPT最大的好处，就是可以进行后续对话。
比如我先跑一个妹子的图片。
Prompt：创建一幅史诗般的现实主义图像，特写，1 个女孩，漂浮的蓝色头发，长发，水滴，湿润，手持武士刀，带有图案的蓝色和服，超详细。
我现在，想把她放到游戏海报上，直接嘴说就可以。
虽然在中文标题字的审美，跟即梦2.1相比还有一点差距，但是已经很好了，毕竟4o的主语言，是英文。
用嘴给图片改色调。
用嘴改变材质。
用嘴改屏幕里的UI（虽然有点乱码就是了）
用嘴来改性别。
还有他们自己官方跑的，几个我觉得屌炸天的case，我觉得必须拿给大家看看。
上面这是AI直出的，甚至玻璃上的影子都是对的。。。
当年，Midjourney让世界见识到AI画师的潜能。
后来，Stable Diffusion把开源的火炬交到社区手里。
再后来，Gemini显露多模态的雏形，却始终差点火候。
如今，GPT4o原生多模态横空出世，用几乎成熟得可怕的质量，宣布了图像生成的新纪元。
如此高的生成质量，如此丝滑的多模态对话，已经不是能不能用的问题，而是能否彻底改变现有的AI绘图生态。
以及人们，做AI绘图的交互方式。
这是AI时代，也是我们的时代。
最后，说句题外话。
今天除了GPT-4o原生多模态上线，同时也是Gemini 2.5 pro发布。
然后，当4o发了之后。
我的X上的时间线。。。
就几乎全部被4o出图攻占了。
Gemini 2.5 Pro这一次，还是没抢过GPT-4o。
1.5 Pro被Sora淹，2.5 Pro被4o淹。
真的，听哥一句劝。
要不然以后咱就别发Pro，改个名叫Ultra吧。
你说好不。。。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言