作者：林克

4月22日，前幾天還在灰測的GPT-image-2正式公測，其實(shí)際使用效果引發(fā)了AI圈的熱議。

和之前的圖像生成的最關(guān)鍵變化是：字更清楚了、海報更像設(shè)計稿了、UI截圖終于能用。這也讓圖像生成模型開始被當(dāng)成生產(chǎn)工具來討論了。

先看看生成效果：

顆粒度更高的效果背后，其實(shí)一條技術(shù)路徑在拐彎。

過去幾年主流方法來自擴(kuò)散模型diffusion的思路。它的出發(fā)點(diǎn)很樸素：如果一張清晰圖片可以一步步加噪聲變成雪花，那么反過來，從雪花一步步去噪，就有機(jī)會還原出一張圖。

于是模型被訓(xùn)練去做一件事，在不同噪聲階段判斷“下一步應(yīng)該往哪兒收斂”。

這套方法在視覺上很成功。它擅長處理連續(xù)變化的東西，比如光影、紋理、人物細(xì)節(jié)。但它有一個幾乎繞不過去的結(jié)構(gòu)性限制：生成幾乎是“整體發(fā)生”的，沒有順序概念。

從噪聲到圖像的過程中，所有元素一起浮現(xiàn)出來。人物、背景、裝飾、文字，都在同一個收斂軌道里被“涂抹”出來。模型沒有“先寫第一個字、再寫第二個字”的能力，因為在它的世界里，并不存在“字符”這種離散單位。

這就是早期模型為什么在文字上集體失靈。它看到“HELLO”，學(xué)到的是幾種常見的筆畫組合；生成時，會在某個區(qū)域給出一塊“像文字的紋理”。至于字母順序、拼寫規(guī)則、句子長度，這些約束不在它的表達(dá)體系里。

很多團(tuán)隊試圖用更多數(shù)據(jù)、更高分辨率去彌補(bǔ)，但效果有限，因為在連續(xù)系統(tǒng)去模擬離散結(jié)構(gòu)，總會在關(guān)鍵位置出錯。

GPT-image-2這一代模型的變化，恰好發(fā)生在這個斷點(diǎn)上。

它首先把圖像換了一種表示方式。通過視覺分詞器tokenizer，圖像被拆成一系列離散單元，類似文本里的token。這樣一來，圖像就變成可以逐步生成的序列。

一旦進(jìn)入序列空間，語言模型那套成熟的方法就可以直接接入。生成過程就有了順序，可以“從前到后寫出來”。順序、長度、上下文約束，都可以在這個過程中被顯式控制。

更關(guān)鍵的一步，是引入了接近“agent”的訓(xùn)練思路。

Agent特點(diǎn)是先理解任務(wù)，再形成計劃，最后執(zhí)行。GPT-image-2的生成鏈路里，語言模型承擔(dān)了類似“規(guī)劃器”的角色。它會根據(jù)輸入，把需求拆解成結(jié)構(gòu)，例如哪里是標(biāo)題，寫什么內(nèi)容，大致占據(jù)什么位置，是否需要多行排版。這個過程對用戶不可見，但在模型內(nèi)部形成了一個隱式的布局草圖。

接下來，視覺部分在這個草圖約束下去完成渲染。文字成為一個被提前定義好的目標(biāo)。字符的順序和內(nèi)容由語言模型決定，視覺模型負(fù)責(zé)把它們以合適的樣式呈現(xiàn)出來。

從工程角度看，這是一條“規(guī)劃—執(zhí)行”鏈路被內(nèi)嵌進(jìn)模型本身，像agent一樣有步驟、有結(jié)構(gòu)、有中間決策。

這種結(jié)構(gòu)對文字的影響是立竿見影的。因為文字本質(zhì)就是一種強(qiáng)約束的序列任務(wù)，而語言模型正好擅長處理序列。當(dāng)兩者對齊之后，“寫對字”不再依賴運(yùn)氣，而成為一個可以被穩(wěn)定優(yōu)化的目標(biāo)。

這也是為什么GPT-image-2在海報、UI、電商圖這些場景表現(xiàn)突出。這些場景的難點(diǎn)一直在結(jié)構(gòu)和約束，而不是純視覺。只要結(jié)構(gòu)被提前鎖定，后續(xù)渲染的自由度反而更容易控制。

國內(nèi)模型目前大多處在兩條路徑的交界處。

豆包圖像已經(jīng)開始引入語言模型參與生成決策，在中文短文本和簡單排版上有明顯改善。這說明“規(guī)劃層”正在形成，但在長文本和復(fù)雜布局上仍有波動，意味著離散表示和視覺渲染之間的對齊還不夠穩(wěn)。

快手的Kolors在視覺表現(xiàn)上非常突出，風(fēng)格和質(zhì)感接近行業(yè)第一梯隊，但文字更多還是在視覺階段被補(bǔ)償，缺乏前置約束，一旦文本變長就容易失控。

阿里千問和百度的優(yōu)勢在于數(shù)據(jù)和場景，尤其電商與搜索生態(tài)，具備構(gòu)建大規(guī)模結(jié)構(gòu)化數(shù)據(jù)的條件。但目前圖像生成仍然延續(xù)原有路徑，語言模型尚未成為生成鏈路的核心控制者。

從方法論上看，差距集中在三點(diǎn)：圖像是否被離散化為可序列處理的單位，語言模型是否進(jìn)入生成主鏈路，以及是否建立了帶布局與文本標(biāo)注的數(shù)據(jù)體系。這三者一旦打通，文字問題基本會隨之消失。

這條路徑和文本模型的發(fā)展方向也在逐漸重合。像Claude之所以被很多開發(fā)者用于實(shí)際工作，核心原因是因為它在執(zhí)行復(fù)雜任務(wù)時更穩(wěn)定。

長上下文處理、結(jié)構(gòu)化輸出、步驟完整，這些能力讓它更像一個可以交付結(jié)果的系統(tǒng)。GPT系列從對話走向工具的過程，本質(zhì)也是在強(qiáng)化這種“完成任務(wù)”的能力。

圖像生成正在經(jīng)歷類似的階段。從“生成一張好看的圖”，走向“完成一個帶視覺約束的任務(wù)”。

當(dāng)語言模型、離散表示和類似agent的規(guī)劃機(jī)制疊加在一起，圖像就不再只是視覺結(jié)果，而成為表達(dá)和執(zhí)行的一種新載體。