4月21日，OpenAI发布了新一代图像生成模型GPT-Image-2（官方称为ChatGPT Images 2.0）。发布仅12小时后，它便迅速登顶全球最大图像生成竞技场Arena.ai的榜首，Elo评分高达1512，比第二名谷歌的Nano Banana 2高出整整241分——创下了该榜单有史以来最大的领先差距。
本文综合了国内外大量评测，试图为你讲清楚这个模型到底强在哪里，以及那些容易被忽略的关键细节。
一个很能说明问题的细节
两年前，如果你让AI生成一张中餐馆的菜单，结果大概率是“红烧肉”变成“红烧囟”，“夫妻肺片”变成“夫妻吠片”。中文字形相近、笔画复杂，AI基本是在“猜字画字”，十个字里能错三四个。
但在GPT-Image-2中，你完全可以拿着它生成的菜单直接交给印刷厂，师傅挑不出一个错别字——尽管画面上“清蒸鲈鱼 ¥168”的定价，可能会让食客怀疑这条鱼凭什么这么贵。
这个变化听起来是个细节，但如果你真的用过AI画图，就能明白“文字生成准确”意味着什么。过去三年，几乎所有主流图像模型——Midjourney、Stable Diffusion、DALL-E——在文字渲染上都像个有读写障碍的天才：能画出惊艳的构图，但一到写字就“鬼画符”。GPT-Image-2把文字准确率从此前的90-95%拉到了99%以上，并且覆盖了中文、日文、韩文、印地语、孟加拉语等非拉丁字母体系。对国内用户来说，这一点至关重要。
哪些事情让人眼前一亮
一、文字终于不再是装饰
之前的模型处理文字，本质上是“画出来的字”，而不是“真正的字”。GPT-Image-2的改变，是把文字当成内容的一部分来理解和渲染，而不只是一堆像素。
这意味着你现在可以直接生成：带正确文案的海报、中文标签清晰的信息图、排版合理的杂志封面、菜单、操作手册配图。那种每次生成后还要回Photoshop手动改文字的繁琐工作流，可以大幅简化。
提示词参考：
生成一张双语科普海报（中英双语），主题是"为什么睡眠不足会变胖"，
配有3个核心机制的简明图解，分别说明皮质醇、瘦素、食欲素的关系。
白色背景，字体清晰，适合社交媒体转发，尺寸3:4竖版。
二、会“想”再画，而不是直接开画
这是GPT-Image-2区别于一切前代产品最本质的地方。
OpenAI在这个模型里集成了O系列推理架构。也就是说，模型在生成图像之前，会先进行规划：理解提示词的语义，推断构图逻辑，在需要时甚至会联网搜索最新信息（比如查一个品牌的最新Logo样式）。这被称为“思考模式”（Thinking Mode）。
这和过去“模型接收prompt → 直接输出图像”的流程有本质区别。以前你是在给一个执行者下命令，现在则是在和一个理解者合作。
在实际测试中，这个能力体现在两个地方：
- 复杂指令的还原度更高。涉及多个元素、空间关系、细节约束的场景，模型能更准确地理解你的意图，不容易“发挥过度”或“遗漏细节”。
- 思考模式支持一次生成8张连贯图像。角色、物体、风格在8张图里能保持一致，这是此前从未有过的能力。
提示词参考（连贯分镜场景）：
生成一个4格漫画分镜，讲述一个学生在黑板上推导公式，
越写越兴奋，最终发现自己推出了一个显然错误的结论，
表情从专注到崩溃。黑白日式漫画风格，人物造型统一。
三、和之前的模型架构彻底切割
GPT-Image-1.5是建立在GPT-4o之上的，图像生成只是语言模型顺带做的事情。而GPT-Image-2是一个完全独立的图像生成模型，与GPT-4o的管线彻底分离，采用单步推理而非两阶段推理。
生成的PNG文件元数据与上一代完全不同，说明底层系统做了全面重构。代价是速度变慢了——它用质量换速度。这个取舍值不值，完全取决于你的使用场景：如果需要快速批量出图，可能会感受到等待；但如果需要精细质量，这个等待通常是值得的。
四、风格理解更像个“多面手”
Midjourney在绘画风格上有极强的辨识度，擅长宏大叙事的史诗感。而GPT-Image-2更像一个可以适应不同工作场景的全才：像素风、日漫、电影感摄影、水彩插画、UI截图、建筑图纸、科学示意图——它对每种风格的还原都很忠实，不会把每种都画得“有点像GPT做的”。
这对需要风格统一的内容创作者是个好消息：你可以指定风格，模型会认真执行，而不是默认往某个固定美学靠。
提示词参考（风格测试）：
一张电影感横幅图片，场景是深夜的上海浦东，一位穿风衣的女性
站在黄浦江边，背对镜头望向灯火通明的陆家嘴。
胶片颗粒感，蓝绿色调，35mm镜头视角，1:2.35宽幅比例。
五、分辨率和比例的限制大幅放开
此前的版本只支持三种固定分辨率（1024×1024、1024×1536、1536×1024）。GPT-Image-2现在支持最宽3:1到最高1:3的任意比例，官方最高支持2K，实验性支持4K。
这意味着它可以直接生成：横幅Banner、手机壁纸、海报、书签、演示文稿配图，不用再生成后裁剪或拉伸。
还做不好的事情
空间操作仍然不可靠。涉及精确的物体位置调整——比如“把左手往上移一点”或“把这个箭头对准那个点”——仍然容易出错。折纸教程、魔方示意图这类需要精确空间理解的内容，它依然力不从心。
幻觉没有消失。它会自信地生成错误的信息图，比如中医经络图里穴位数量和位置对不上，发票格式看起来对但税号不对，细节经不起专业审查。用于专业领域时，需要领域内行来验收。
密集文字仍然会翻车。文字量超过一定密度，尤其是复杂排版的长文档，AI的幻觉问题就会重新浮现。国内网友测试发现，当海报文字多到一定程度，AI会开始生成不知所云的语句。
架构是个黑盒。OpenAI没有公开它是扩散模型还是自回归模型，只说是“通用模型”或“图像版GPT”。这对开发者来说是个麻烦：没有办法估算GPU需求、评估微调路径，或者优化推理参数。
思考模式有付费门槛。Thinking Mode只对Plus（月付20美元）及以上用户开放，免费用户只能用Instant Mode。最好的功能被锁在了付费订阅后面，这是商业决策，并非技术限制。
一些有意思的用法组合
国内外用户发现了一个效果不错的工作流：用GPT-Image-2生成素材图，再用Seedance等视频生成工具转成动态视频。
这个组合的逻辑在于：GPT-Image-2在构图和细节上的精细度，给视频模型提供了更好的“锚点”，运动帧之间的一致性更高，画面更稳。已经有人用这个流程生成了游戏风格的动态场景和动画分镜效果，在X上引发了不少关注。
对于数学科普创作者来说，还有一个值得尝试的用法：
提示词参考（数学科普场景）：
生成一张4K机制示意图，主题是傅里叶变换的直觉理解。
左侧是时域波形，包含三种不同频率的叠加；
右侧是频域分解后的三个独立波峰。
用颜色区分三种频率成分（红蓝绿），中间用箭头表示"分解"过程，
配有清晰的中文标签和数学公式标注。
背景白色，学术插图风格，适合课程讲义使用。
从排行榜数字看懂竞争格局
Arena.ai是图像生成模型的盲测排行榜，参与者针对同一提示词的两张匿名图片进行投票，身份全程隐藏。
GPT-Image-2的Elo得分1512，第二名Nano Banana 2（谷歌）是1271。换算成胜率，GPT-Image-2是93%，Nano Banana 2是67%。这不是“略强”，而是规则公平下的碾压式领先。
更有意思的数字是：GPT-Image-1.5的最高质量档（High）得分1241，排第四。新模型的中等质量档（Medium）比旧模型的最高质量还高271分。这说明这次不只是参数调整，而是架构层面的重建。
当然，排行榜反映的是普通用户的整体偏好，不代表所有场景的最优解。Midjourney V8在艺术风格控制上仍有优势；Flux 2在开源、透明背景、低成本大批量生成上具有竞争力；Google的Imagen 4在演示文稿级别的文字排版上被部分评测者认为更稳定。
当伪造变得更容易
这部分不是技术分析，但值得提一下。
GPT-Image-2的多语言文字渲染能力，加上对各类UI界面格式的理解，让“伪造截图”的门槛从“需要会PS”变成了“说一句话”。聊天记录、支付截图、各类证明文件……这些东西的视觉可信度正在下降。
这不是说GPT-Image-2是坏的。但任何提高生产力的工具，都会同时提高造假的生产力。C2PA这类内容来源认证标准（索尼、尼康、Adobe、OpenAI都在推进）正在尝试为每张图片提供“出生证明”——嵌入可验证的元数据，记录拍摄设备、时间、坐标，任何后续编辑都留有痕迹。但要真正普及，还有一段距离。
未来的信任机制，可能不依赖“图看起来像不像真的”，而是依赖“这张图从哪里来、经过谁的手”。这件事，普通用户现在就可以开始留意。
怎么用，用在哪
目前对普通用户： 直接在ChatGPT网页或App里使用。免费用户有基础功能，Plus用户可以开启思考模式和一次生成8张。
目前对开发者： API已开放，模型名称为 gpt-image-2。生成一张中等质量1024×1024约0.053美元，高质量约0.211美元。如果你还在用DALL-E 3，注意它将于5月12日正式退役，需要尽快迁移。
几个最值得尝试的场景，附提示词：
【场景1：科研配图】
生成一张BioRender风格的机制图，主题是mRNA疫苗的工作原理：
脂质纳米颗粒进入细胞→mRNA被核糖体翻译→产生刺突蛋白→免疫系统识别并产生抗体。
四个步骤用箭头连接，配有中英双语标注，白色背景，适合期刊插图风格。
【场景2：数据可视化草图】
生成一张信息图，展示2020-2025年全球AI大模型参数量的增长趋势。
横轴为年份，纵轴为参数量（对数刻度），
标注5个里程碑模型（GPT-3、GPT-4、Gemini Ultra、Claude 3、GPT-5）。
简洁商务风格，蓝色系配色，中文标签。
【场景3：公众号封面图】
生成一张公众号首图，主题是"复利的力量"，
画面是一粒种子逐渐长成参天大树的四阶段演变，
从左到右时间流逝，树下有时间轴标注（第1年、第5年、第20年、第50年）。
暖色调，手绘水彩风格，横版16:9比例。
本文综合参考了TechCrunch、VentureBeat、The Next Web、Segmind、PixVerse、Arena.ai等多个独立评测，以及网友的实测反馈。以上内容整理自云栈社区的技术专题讨论。
发表于 2 小时前
|
查看: 2|
回复: 0
