GPT-4o文生图模型展现惊人能力，从精准细节到复杂融合，AI生成图像的效率与质量正重新定义创意边界。本文通过多场景实测，揭示GPT-4o如何以非自回归架构颠覆传统设计流程。

前天，写了一篇关于 ChatGPT 文生图功能的文章。

发到知乎后，一位 2021年的年度新知答主 提出了质疑，认为我使用的可能不是最新的模型，因为新旧版本差距很大。

他指出，最新版文生图能力很强，而我展示的结果提示词理解差，生成的文字也错误很多。

他举例说，像提示词「两个人相互推对方」这种简单概念，真正最新版模型应该能准确表现。他还建议我检查是否使用了新模型，并给了我一个链接，称那是最新版的界面。

他还分享了一个验证方法：

输入100+个英文单词，如果文字全乱就是其他模型（如DALL·E），如果只错一两个字母才是最新版的 ChatGPT。

他还晒出了两次按我的提示词生成的结果，质疑不能都用“随机性”来解释。被他这么一说，我怀疑自己用错了模型，我之前用的ChatGPT客户端，拿它生成的来比，效果的确有有差异，于是，决定重新试一下。

首先，我用了这位新知答主给我的提示词，如下：

Alright, here’s a shorter version:12 flowers in a 4×3 grid on a wooden tray with glass bottom and animal fat layer. From top to bottom
ylang-ylang, osmanthus, yellow champaca; tuberose, gardenia, jasmine; carnation, peony, pink hyacinth; blue iris, violet, wisteria. Photo taken on a sunny afternoon

英文原意比较长，翻译成缩减的中文是：

从正上方俯拍的 12 种花，呈四行三列摆放。第一行有依兰、桂花和黄缅栀子；第二行有晚香玉、栀子花和茉莉；
第三行有康乃馨、牡丹和粉色风信子；第四行有蓝鸢尾、紫罗兰和紫藤。所有的花都放在一个带玻璃底的木质托盘上，玻璃上有一层透明的动物脂肪。照片拍摄于一个阳光明媚的下午，托盘被阳光完全照亮。

ChatGPT 很快给出了答案。这次生成与以往不同的是，它补充了一句话：根据你的描述，这是由 DALL·E 创建的。DALL·E 是 OpenAI 的图像生成模型。

看来，不仅我遇到过前天提到的模型混淆问题，估计国外友人也遇到过类似情况。

从这里可以得出一个结论：ChatGPT 官方提到的免费试用最新的非自回归模型（Non-autoregressive models）似乎并不支持，或者说做了一定限制。

于是，我直接把问题抛给了 ChatGPT：“如何运用最新的文生图模型？”它给出了三种答案：

第一种是直接使用 ChatGPT 内置的图像生成功能，直接输入详细的描述，它会用最新的模型生成图像。你可以优化提示词（Prompt），比如：

• 具体描述主体、背景、光照、风格等
• 指定构图，比如“俯视图”“广角镜头”
• 选择艺术风格，如“油画风”“赛博朋克风”

第二种是使用 API，你可以进行批量生成或将其集中到作品中；第三种则是纯介绍，它提到新的文生图模型做了多模态结合，生成带有故事性的连续图像，用 AI 先生成草图，再细化成精美插画等。

不想太多，我直接按照它的要求，把任务交给了 Kimi，让 Kimi 帮我生成一个提示词：

在昏暗的复古书房里，一盏台灯散发着柔和的暖光，照亮了一张古老的木质书桌。书桌上散落着几本泛黄的书籍和一支羽毛笔，旁边是一杯冒着热气的红茶。画面采用油画风格，营造出宁静而怀旧的氛围，仿佛时间在这里静止。

ChatGPT生成的图片如下，但是，它依然还是那句话，这是由 DALL·E 生成的图像，展现了你描述的复古书房氛围；很快，ChatGPT 将推出新的图像生成模型，带来更好的细节和风格控制。

所以，结论是：ChatGPT模型是无法使用最新的文生图模型的。怎么办？为了验证准确度，好久没有给ChatGPT充值的我，索性再来了一个月会员。

搞定后，切换到ChatGPT 4o对话界面，输入提示词：

在一片宁静的海边小镇，夕阳的余晖洒在古老的灯塔上，灯塔的影子拉得很长。远处的海面上，几艘小船在金色的波光中缓缓航行，天空中飘着几朵粉色的云。画面采用水彩画风格，色彩柔和而温暖，营造出一种宁静而梦幻的氛围。

响应速度有点慢，不过，生成的图片的确有意境：

所以，必须ChatGPT 4o才可以用，GPT还是老版本的DALL·E模型。随后，我又给它了一个卡通人物的提示词：

一个活泼可爱的卡通小猫，有着大大的蓝色眼睛和柔软的粉色耳朵，身上穿着一件红色的小背带裤，脚上蹬着一双黄色的小靴子。
它正站在一个充满魔法的森林里，周围是五颜六色的蘑菇和闪烁的萤火虫。画面采用卡通风格，色彩鲜艳明亮，营造出一种奇幻又欢乐的氛围。画面比例为4:3。

我很好奇它能生成什么样的画面。你觉得怎么样呢？

我确实不太好评价，只能说这张图风格可爱、充满童趣，色彩温馨。如果用在儿童读物、绘本，或者早教、幼教的互动课件、手工素材里，肯定是足够的。

接着我把图片拿给豆包，让他深度思考一下，说：你评价一下效果怎么样？我用的是ChatGPT 4o的最新文生图模型。

豆包说：

这幅图还挺不错。小猫的表情和衣服细节画得挺生动，蘑菇和萤火虫也很有感觉。暖色调的小猫配上冷色的夜景，色彩搭配和谐，营造出一种梦幻又可爱的氛围。
小猫在画面中间，构图看着很舒服，主题也很突出。画面整体质量挺高，能用到不少地方，这模型生成的效果挺好。

但是，问题来了，测试文生图也看不出它的厉害之处，试试它两张图的融合能力怎么样？

我从百度上随机下载了两个水杯的图片，这两个水杯都处于真实的场景中，且每个水杯都有手拿着。我想看看它是否能把手抠掉，把两个杯子放在同一个平面上。

然后给到 Kimi，让 Kimi 帮我写个提示词：

请将两张水杯图片中的手部部分去除，仅保留水杯本身，确保水杯的细节清晰完整。背景保持简洁，以便用于电商海报设计。水杯的光影和质感需要保留，确保整体画面自然且具有吸引力。

第一次它好像卡住了，跟我说：抱歉，我处理不了你的要求，要不你再试试？

估计是用的人太多了。我重新开个窗口，这回它很快就有反应了。问题是，第一张照片处理得挺干净，但第二张直接被忽略了。

这下我可不干了，直接把要求说得清清楚楚，一共四点：

把两只手都去掉，只留下水杯；水杯的细节、质感和光影得保留好，看着得自然；背景要简单干净，突出水杯；两个水杯放在一起，比例要协调，画面得好看。还特别提醒它，尺寸要4:3的。

结果它花了大概40秒，就搞定了。看到结果时，真的只能惊叹：“这也太厉害了”，设计师要下岗了。

你觉得怎么样？速度、效率远比人工抠图搞的快。

我又试了试Chat GPT 4o新出的知识图功能，官方吹的吹得神乎其神，说有了这功能，AI生成图片能把现实世界里的知识用起来，更懂用户想啥，做出来的图也更靠谱、更合乎常理。

简单说：AI画画会琢磨现实里的那些细节，比如地方在哪儿、啥文化背景，还有物理规律那些。

这次，让deepseek来，我说，你帮我写一个带因果逻辑的文生图的提示词。有一个细节就是图片比例依然是4:3。这是它随机给到的：

内容是一个阳光明媚的下午，一个小男孩坐在公园的长椅上，手里拿着一个冰淇淋，脸上露出开心的笑容。
因为他刚在游乐场玩得很开心，现在正享受着美味的冰淇淋。画面采用温馨的色调，背景是绿树成荫的公园，远处有几个小朋友在玩耍。图片比例为4:3，整体风格清新自然。

额，这看不出什么因果逻辑。怎么办？重新来过。索性直接把「定律」加在图中间。这是deepseek给我的两个提示词：

一个是杠杆定律：生成一张图，一个小孩在跷跷板上，通过杠杆原理把一个重物抬起来。小孩用力往下压，重物被抬高，体现杠杆原理。背景简单，比例4:3。

如上图。这看着像吗？的确很杠杆。给豆包后，它说：

“这图是说，有个小孩在压跷跷板一头，想把另一头的大重物撬起来。就像玩跷跷板，坐一头能把另一头的人翘起来，利用这个方法，不用费老不用费老大劲就能把重东西抬起来，是一种省力的小窍门。”

的确有点强。不过兴许有些简单，换一个：就拿「相对论的时间膨胀效应」来测试。

提示词：

生成一张图，展示两个人：Alice 在地球上，Bob 在高速飞行的宇宙飞船里。因为相对论的时间膨胀效应，Bob 看起来比 Alice 年轻。地球上 Alice 在慢慢变老，而飞船里的 Bob 几乎没变。背景简单，比例4:3。

你能看得出来吗？

反正我能看得懂。不过，第一次生成时，Alice的名字被放在了脚下面，看起来有点奇怪。经过二次对话微调后，成功地把名字放到了正确的位置。

我认为还能在进化，比如：指定人物的性别等等。

除了文生图、图片与图片合成、以及生成理解物理世界规律的图以外，还有没有其他玩法呢？

试试风格转换。比如：将一张人物照片转换为动漫风格，或者将一张图片的风格与另一张图片的内容融合，这种技术在艺术创作和设计时非常受用。

问题是怎么转换呢？我现在有一张个人形象照，把问题甩给DeepSeek，让它帮我想想。

DeepSeek说：如果你想测试OpenAI的ChatGPT文生图模型的能力，可以出一个稍微复杂一点但又具体明确的问题，这样既能考验模型的理解能力，又能测试它的生成能力。

比如：我有一张个人形象照，我想把它变成动漫风格。希望你能帮我把照片里的我变成一个动漫角色，头发换成深蓝色的，整体风格有点赛博朋克那种酷酷的感觉。图片比例是4:3就行。

不管了，一股脑甩给ChatGPT 4o来处理。这好像有点翻车了。不过，可能我要求太高了。

的确有点抽象，你怎么看？

不管怎么说，非自回归模型（Non-autoregressive models）的进化速度确实很快，它改变了核心架构。

这个架构会先理解整个图的结构和细节，有点像学生先听完老师讲完题目，把整张画的轮廓勾勒出来，然后再一点点填充细节。

国内很多产品也在用这种能力了，希望能抓紧时间赶上并超越它。