GPT4o已成为文生图王者

2024年5月，OpenAI推出了多模态大杀器GPT-4o，能聊文本、看图片、听音频，简直是个“全能选手”。 到了2025年3月26日，OpenAI又给它加了个大招——原生的图像生成和修改功能。 这下，GPT-4o不仅会说话，还能“画画”和“修图”了！

按理说大模型能画图已经不是什么新鲜事，从谷歌 Gemini 到 Grok、甚至豆包都支持这些功能，而且一度风靡社交网络。但我想说的是，GPT-4o 一经推出又是王者，还得是 OpenAI！

首先是， 它支持非常长而详细的提示词描述， 这就让生成的图片非常精准，这已经不是简单的说一句话来画图，而是提交了一份 PRD 了，比如：

magnetic poetry on a fridge in a mid century home:

Line 1: "A picture"

Line 2: "is worth"

Line 3: "a thousand words,"

Line 4: "but sometimes"Large gap

Line 5: "in the right place"

Line 6: "can elevate"

Line 7: "its meaning.

"The man is holding the words "a few" in his right hand and "words" in his left.

这个是用来生成一个冰箱上的字母贴的，可怕的是，这里精确的定义了 每一行以及人物手中出现哪些字母 。 不知道你发现没有手中拿着一个 words。

再来看一个生成四格漫画的，可以精确定义每一格的具体内容：

制作一个包含四个面板的图像，并在边框周围留出一些空白：

一个小蜗牛在一个华丽的汽车展厅的柜台。销售员为了看到他，不得不将身体远远探过桌子。

特写镜头，蜗牛看起来非常严肃。他说：“我想要你最快的跑车……而且我希望你在车门、引擎盖和车顶上涂上大大的字母‘S’。”

销售员挠着头。“嗯……我们可以这样做，但为什么要涂‘S’呢？”

突然切换到一辆红色模糊的车在高速公路上疾驰。跑车上覆盖着巨大的‘S’。人行道上的人们指着车大笑：“哇！看那辆S车！”

下面这个图也一样，白板上出现的每一个字，人物身上的 logo 以及白板中出现的影子，都是精确定义的：

甚至还能在生成图的基础上让它 更换视角 ，比如上图更换为拍照者的自拍视角（和被拍人击掌）：

下面这种图比较复杂，提示词描述了两个 20 岁的女巫，一个灰色挑染头发、一个波浪形赤褐色头发在阅读路牌。人物手里拿着扫帚、另一个拿着魔毯，然后是路牌上的详细信息：例如，街道清扫时间、停车许可证要求、车辆分类、拖车规则），中间还有一些荒谬的标志：（将其改写为合法的路牌）“C 区禁止女巫使用扫帚停车”和“仅允许魔毯装卸（15 分钟限制）”和“仅允许驯鹿凭许可证停车（12 月 24 日至 25 日）

可以看到，除了使用非常大段而且精确的提示词描述外， GPT-4o 还支持非常精准的文字渲染。 正如官方所说：一图胜千言，但有时在正确的位置生成几个文字可以提升图像的含义。4o 将精确的符号与图像融合的能力将图像生成转变为视觉交流的工具。你可以用它来生成一张菜单、或者是一个邀请函：

我们似乎很难在之前出现的产品里面找到这么强大的功能，但4o 的强大还不止于此！

对于一张生成的图，我们往往会需要多次进行修改，最终达到自己的理想状态，因此 通过对话式进行多轮图像生成和修改成为一个必要的功能， 4o 当然也支持，而且非常强大！

比如，提示词：详细解释牛顿棱镜实验的信息图

“现在从一个人的视角看，他在华盛顿广场公园的一张圆形咖啡桌上，在笔记本上画了这个图。“

再来一次，“现在展示同一个场景，年轻的艾萨克·牛顿正坐在桌边，手拿棱镜演示实验，但没有笔记本”

你甚至可以用它一步步 制作游戏 ，比如我们生成了一只猫：

现在，“ 给这只猫一顶侦探帽和一副单片眼镜 ”：

接下来， “将这个创意转化为一款采用 4K 游戏引擎制作的 AAA 级视频游戏，并加入一些用户界面元素作为画面叠加层，这些元素源自一款神秘的 RPG 游戏。在画面顶部，我们可以看到角色的生命条和迷你地图；而在底部，则可以看到各种法术图标。这些界面元素风格统一且具有清晰的图标设计。“

将画面更新为一幅 16:9 比例的风景图，并在用户界面上添加更多法术图标。调整视角，以第三人称视角展示这只猫漫步于一座蒸汽朋克风格的曼哈顿城中。通过精心设计的光影对比和冷色调色彩，打造出如顶级 AAA 游戏般令人惊艳的视觉效果。

最后一步 ：当玩家打开菜单时，创建用户界面，我们看到猫的角色档案，包括他的装备，以及另一页显示活跃任务（这应该与我们在图像中描述的宇宙世界构建相关联）。

到这里一个游戏的场景就生成了，不仅支持了复杂的多轮图片生成和修改， 更关键的是在多轮中保持了图像的一致性 ，这非常难得！

我们在上述的例子中，其实已经展示了 4o 一个非常强大的功能，就是 指令遵循 。GPT‑4o 能够根据详细的提示进行创作，并高度关注细节。当其他系统在处理 5-8 个物体时已显吃力， GPT‑4o 却能应对多达 10-20 个不同物体。 由于物体与其特征及相互关系的紧密结合，GPT‑4o 在图像生成时拥有更高的可控性。

比如下面这个例子，这个贴纸一共有 16 个图标，4o 可以在一个指令里面定义每一个图标的具体内容：（提示词见官方网站）

这有点让人叹为观止了，还有这个“请给我看一下里面只有一滴红酒的酒杯“

不得不说，这也太精准了。

GPT‑4o 能够分析用户上传的图像并从中学习， 将这些图像的细节无缝整合到其生成图像的上下文中 ，从而影响图像生成的结果。

比如先生成了一张电锯的照片：

然后：为这款链锯制作一个广告，场景是一位祖母在感恩节的餐桌上使用它来切火鸡。别忘了加上一条标语。

这真有点化腐朽为神奇的感觉，以后设计师都不需要了？直接就能生成广告图了。

还有一个有趣的例子， 就是将图片（或一幅画）变成真实的照片风格， 比如一副中国画：

现在使用提示词： 把这个场景拍摄成一张照片，使用单反相机（DSLR）拍摄。

这就太好玩了，很多古代的名画势必要焕发新生了。

还有一个有趣的是将草图或线稿变成真实的照片感：

只需要一句提示词就可以完成： 把它变成照片

通过原生图像生成， 4o 能够将其知识在文本和图像之间建立联系，从而生成一个感觉更智能且更高效的模型 。在实际中，这似乎大大增强了海报类的生成，因为里面需要融入大量的知识，同时有需要通过图像来展示：

很多 AI 工具虽然能够生成图片，但是总感觉 AI 味太重（说的就是你，豆包！），但 GPT-4o 支持照片真实感与风格 ：通过在各种图像风格上进行训练，模型能够令人信服地创建或转换图像，达到高度逼真的效果。

提示词：一张抓拍风格的狗仔照片，照片中卡尔·马克思正慌张地穿过美国购物中心的停车场。他不安地回头张望，脸上满是惊恐，显然是在躲避镜头。他手里紧攥着好几个装满奢侈品的亮光购物袋。外套在他身后随风飘扬，其中一个袋子晃来晃去，似乎他正大步流星地走着。背景模糊不清，隐约可见一些车辆和灯火通明的商场入口，营造出一种匆忙的动感。相机闪光灯的强光部分使照片过曝，为画面增添了一丝混乱和八卦小报的感觉。

提示词：生成一张2006年6月下旬某个星期六在多伦多农贸市场的逼真照片。那是一个晴朗美好的夏日，人们正在市场中购物、享用三明治。照片的焦点应定格在一个身着牛仔连体裤、正喝着草莓香蕉奶昔的年轻亚洲女孩身上，其余背景可做模糊处理。照片风格应仿若2006年时期的数码相机所拍摄，并带有类似打印照片的日期时间戳。照片的宽高比应设置为3:2

提示词：生成一张宝丽来风格的抓拍照片，照片中是四位20岁出头、来自不同背景的朋友，他们身处一家略显破旧的酒吧。照片的光线运用了非常直接且强烈的闪光，营造出鲜明的阴影，使照片呈现出一种过曝且复古的即显胶片质感。色彩应稍显柔和，以唤起人们对21世纪初聚会的怀旧之情。整体风格随意且略带感性。照片中不包含边框、标志或文字。他们身后的墙上有一些有趣的涂鸦。图像应具有很高的清晰度和细节（几乎无颗粒感）。照片中的能量感应该是欢快且混乱的。他们要么调皮地做着鬼脸，要么微笑着，要么假装看起来很严肃。其中一人应以一种嬉闹的方式将朋友的头锁住。他们的嘴巴是闭着的。

通过上面这些具体的例子，我们发现 GPT-4o 确实非常强大，它能够让你使用非常详细及复杂的提示词，对“文字”可以进行非常精准的控制，可以盛大大段的文字，同时非常完美的支持多轮图片修改，而且保持了图片的一致性。基于 GPT 本身对文字生成和语义理解的强大，GPT-4o 在处理文字和图片融合的场景时，表现得异常强大，这对于海报制作、广告图制作效果明显。最后，它能生成非常逼真的图像，那种 AI 味彻底消除了。

不得不说，GPT-4o 在图像生成领域，再次成为王者！