作者 ｜ 貓貓頭
郵箱 ｜ cathy@pingwest.com

+242。

這是4月21日GPT-Image-2在Image Arena Text-to-Image排行榜上領(lǐng)先第二名的Elo分差。Arena官方用了一個詞：clean sweep——全榜第一，沒有例外。

OpenAI在這天正式發(fā)布了GPT-Image-2。面向所有ChatGPT用戶，API預(yù)計5月初跟進。核心參數(shù)：最高4096×4096分辨率，生成速度比前代快一倍，文字渲染準確率從前代的90-95%跳到約99%。定價每百萬token $8-$30，折合單張圖片$0.006-$0.211。

模型分兩種模式。Instant是快出圖，所有人可用；Thinking模式集成推理和網(wǎng)頁搜索，單次最多生成8張風(fēng)格一致的圖片——但鎖在Plus及以上付費層級。

只看參數(shù)，這像一次常規(guī)迭代。但Arena創(chuàng)始人@ml_angelopoulos 看完Arena榜單后說了一句話："literally broke the chart——有史以來最大的差距。"

差距背后是一個積攢了三年的問題終于被正面回應(yīng)了。AI圖像生成最大的笑話，一直是文字。

DALL-E 3拼不對復(fù)雜單詞，Midjourney把招牌寫成亂碼，Stable Diffusion在海報上輸出鬼畫符。文字渲染是生圖模型的"手指問題"——不是不重要，而是一做就露餡。99%的準確率如果成立，AI生成的海報、菜單、UI截圖、品牌物料第一次可以跳過人工修正，直接交付。

生圖模型的能力邊界，正在從"視覺"擴展到"信息"。

1

案例：它到底能做什么

發(fā)布當(dāng)天，社區(qū)反應(yīng)幾乎是即時的。

文字渲染是發(fā)布當(dāng)天被驗證最多的能力。VentureBeat的Carl Franzen讓模型生成阿茲特克、瑪雅和印加三大帝國版圖的歷史地圖，附完整圖例。地圖準確、圖例完全可讀，他用的詞是"seemingly flawlessly"。

TechCrunch的Amanda Silberling讓模型生成一份墨西哥餐廳菜單——兩年前DALL-E 3拼不對"enchilada"，這次的輸出"可以直接放進餐廳使用，客人不會察覺任何異樣"。

Thumio創(chuàng)始人@corbin_braun 連發(fā)幾串thread，做了更直覺的對比：把Google Pro 3和GPT Image 2的縮略圖生成結(jié)果并排放出來。他的結(jié)論一個詞："insane。"同一天他還連發(fā)數(shù)條帖，稱這是"YouTube thumbnail endgame"。

文字之外，角色一致性是另一個被反復(fù)提到的點。OpenAI演示了從一張自拍生成三頁漫畫的工作流，角色在多頁間保持一致。美妝博主@jameygannon 把這個能力拉進了商業(yè)場景：一條prompt生成一整套品牌kit——logo、配色、排版、多頁應(yīng)用。

值得注意的是，這些測試全部發(fā)生在發(fā)布后幾小時內(nèi)，來自不同人、不同場景、不同訴求。沒有人在精心挑選最佳輸出。

2

技術(shù)拆解：為什么這次不一樣

架構(gòu)重寫。GPT-Image-2不再基于GPT-4o的圖像pipeline。研究負責(zé)人Boyuan Chen將其定義為"GPT for images"——一個從頭設(shè)計的獨立系統(tǒng)。社區(qū)測試者在4月初Arena泄露階段（模型以maskingtape-alpha、gaffertape-alpha、packingtape-alpha三個代號出現(xiàn)）就注意到變化：從兩階段生成轉(zhuǎn)向單次推理。

用一個類比：過去的模型是"先聽懂你說什么，再動手畫"，中間有一次信息壓縮；GPT-Image-2是"邊理解邊畫"，語言理解和圖像生成在同一過程中完成。所以文字渲染終于準了——生成每個像素時，模型仍然"知道"自己在寫什么字。

Thinking模式。開啟后，模型在落筆前先規(guī)劃構(gòu)圖，生成后檢查輸出，發(fā)現(xiàn)錯誤還會迭代修正。anti gamble創(chuàng)始人@damianplayer 的拆解："reasoning mid-generation——plans the composition, checks its own output。"推理集成還讓模型可以在生成過程中調(diào)用網(wǎng)頁搜索、將文檔轉(zhuǎn)化為視覺圖表、在8張圖片間維持角色一致性。

世界知識的飛躍。訓(xùn)練數(shù)據(jù)明顯偏向真實世界的視覺素材：UI截圖、店面招牌、界面布局。當(dāng)你要求生成"普通工程師的屏幕"，它輸出的是可信的顯示器畫面，不是關(guān)鍵詞拼貼。@Yuchenj_UW 試用后的判斷很直接："It is really good. OpenAI is finally leading the image gen again。"

架構(gòu)決定了它能"讀懂"文字，Thinking讓它能"檢查"文字，世界知識讓它知道文字應(yīng)該"長什么樣"。三層能力疊在一起，文字渲染從短板變成了長板。

3

人類必須嚴肅對待這樣的以假亂真能力

StartupFortune在發(fā)布日給了一個定位：從"creative novelty"到"production infrastructure"。品牌mockup、廣告設(shè)計、信息圖表，過去因為文字不可靠而必須人工介入的場景，開始變成一條prompt可以交付的工作流。

不過StartupFortune自己也加了一句謹慎的提醒："benchmark performance and production performance often diverge。"99%是實驗室數(shù)字，真實世界的多語言、多字體、多排版場景能不能hold住，5月API開放后才會有答案。

我們更關(guān)心的是另一個問題。

Jake Handy在發(fā)布日的Substack技術(shù)拆解中寫了當(dāng)天最尖銳的一段：讓GPT-Image-2成為最好生產(chǎn)力工具的那組能力——精確的文字渲染、可信的UI布局、真實世界的視覺詞匯——恰好也是制造虛假信息的完美工具集。

假UI截圖、假Bloomberg終端、假法庭文件、假Slack對話，"every one of those is dense text laid over a known visual vocabulary, which is the exact workload OpenAI optimized for。"（"這些中的每一個都是在已知視覺詞匯之上疊加的密集文本，而這正是 OpenAI 所優(yōu)化的工作負載。）

這個觀察之所以刺眼，是因為它不是在說模型有什么"副作用"，它在說模型最被贊美的那個能力——把文字精確地嵌入可信的視覺場景——本身就是雙刃的。

過去的生圖模型因為文字太爛，反而天然帶有一層"防偽標(biāo)記"：一眼就能看出是AI做的。GPT-Image-2把這層天然屏障拆掉了。

OpenAI的應(yīng)對是C2PA元數(shù)據(jù)水印和溯源分類器。image-2 lauch的直播中，產(chǎn)品負責(zé)人Adele Li在發(fā)布會上自己承認，元數(shù)據(jù)"is not a silver bullet"——截圖、裁剪、平臺壓縮，任何一步都讓水印失效。

Jake Handy給出的定性我們認為是準確的："The model is an excellent problem。"

AI圖像生成確實進入了"文字時代"。但文字可信這件事，在人類的媒介史上，從來就不只是一個技術(shù)問題。

這也許才是那個“強到不應(yīng)該公開發(fā)布”的模型，今天之后，每個人都有了隨意生成曾經(jīng)都會被認作事實證據(jù)的圖片，信息的判斷變得前所未有的難，這個強到離譜的模型會在未來很長一段時間給人們帶來恐慌，我們會看到因此而產(chǎn)生的各種沖突和討論，人類必須一起嚴肅應(yīng)對這種以假亂真的能力了。