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 ,鸽得我都快忘了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 ,坦率地讲,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得兴奋了,跑图跑得不想睡觉,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。
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……