今天小編分享的科技經驗：被誤導兩天，GPT-4o文生圖模型強到可怕，歡迎閱讀。
前天，寫了一篇關于 ChatGPT 文生圖功能的文章。
發到知乎後，一位 2021 年的年度新知答主 提出了質疑，認為我使用的可能不是最新的模型，因為新舊版本差距很大。
他指出，最新版文生圖能力很強，而我展示的結果提示詞理解差，生成的文字也錯誤很多。
他舉例說，像提示詞「兩個人相互推對方」這種簡單概念，真正最新版模型應該能準确表現。他還建議我檢查是否使用了新模型，并給了我一個鏈接，稱那是最新版的界面。
他還分享了一個驗證方法：
輸入 100+ 個英文單詞，如果文字全亂就是其他模型（如 DALL · E），如果只錯一兩個字母才是最新版的 ChatGPT。
他還曬出了兩次按我的提示詞生成的結果，質疑不能都用 " 随機性 " 來解釋。被他這麼一說，我懷疑自己用錯了模型，我之前用的 ChatGPT 客戶端，拿它生成的來比，效果的确有有差異，于是，決定重新試一下。
首先，我用了這位新知答主給我的提示詞，如下：
Alright, here ’ s a shorter version:12 flowers in a 4x3 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
英文原意比較長，翻譯成縮減的中文是：
從正上方俯拍的 12 種花，呈四行三列擺放。第一行有依蘭、桂花和黃緬栀子；第二行有晚香玉、栀子花和茉莉；
第三行有康乃馨、牡丹和粉色風信子；第四行有藍鸢尾、紫羅蘭和紫藤。所有的花都放在一個帶玻璃底的木質托盤上，玻璃上有一層透明的動物脂肪。照片拍攝于一個陽光明媚的下午，托盤被陽光完全照亮。
ChatGPT 很快給出了答案。這次生成與以往不同的是，它補充了一句話：根據你的描述，這是由 DALL · E 創建的。DALL · E 是 OpenAI 的影像生成模型。
看來，不僅我遇到過前天提到的模型混淆問題，估計國外友人也遇到過類似情況。
從這裡可以得出一個結論：ChatGPT 官方提到的免費試用最新的非自回歸模型（Non-autoregressive models）似乎并不支持，或者說做了一定限制。
于是，我直接把問題抛給了 ChatGPT：如何運用最新的文生圖模型？" 它給出了三種答案：
第一種是直接使用 ChatGPT 内置的影像生成功能，直接輸入詳細的描述，它會用最新的模型生成影像。你可以優化提示詞（Prompt），比如：
具體描述主體、背景、光照、風格等指定構圖，比如 " 俯視圖 "" 廣角鏡頭 " 選擇藝術風格，如 " 油畫風 "" 賽博朋克風 "
第二種是使用 API，你可以進行批量生成或将其集中到作品中；第三種則是純介紹，它提到新的文生圖模型做了多模态結合，生成帶有故事性的連續影像，用 AI 先生成草圖，再細化成精美插畫等。
不想太多，我直接按照它的要求，把任務交給了 Kimi，讓 Kimi 幫我生成一個提示詞：
在昏暗的復古書房裡，一盞台燈散發着柔和的暖光，照亮了一張古老的木質書桌。書桌上散落着幾本泛黃的書籍和一支羽毛筆，旁邊是一杯冒着熱氣的紅茶。畫面采用油畫風格，營造出寧靜而懷舊的氛圍，仿佛時間在這裡靜止。
ChatGPT 生成的圖片如下，但是，它依然還是那句話，這是由 DALL · E 生成的影像，展現了你描述的復古書房氛圍；很快，ChatGPT 将推出新的影像生成模型，帶來更好的細節和風格控制。
所以，結論是：ChatGPT 模型是無法使用最新的文生圖模型的。怎麼辦？為了驗證準确度，好久沒有給 ChatGPT 充值的我，索性再來了一個月會員。
搞定後，切換到 ChatGPT 4o 對話界面，輸入提示詞：
在一片寧靜的海邊小鎮，夕陽的餘晖灑在古老的燈塔上，燈塔的影子拉得很長。遠處的海面上，幾艘小船在金色的波光中緩緩航行，天空中飄着幾朵粉色的雲。畫面采用水彩畫風格，色彩柔和而溫暖，營造出一種寧靜而夢幻的氛圍。
響應速度有點慢，不過，生成的圖片的确有意境：
所以，必須 ChatGPT 4o 才可以用，GPT 還是老版本的 DALL · E 模型。随後，我又給它了一個卡通人物的提示詞：
一個活潑可愛的卡通小貓，有着大大的藍色眼睛和柔軟的粉色耳朵，身上穿着一件紅色的小背帶褲，腳上蹬着一雙黃色的小靴子。
它正站在一個充滿魔法的森林裡，周圍是五顏六色的蘑菇和閃爍的螢火蟲。畫面采用卡通風格，色彩鮮豔明亮，營造出一種奇幻又歡樂的氛圍。畫面比例為 4:3。
我很好奇它能生成什麼樣的畫面。你覺得怎麼樣呢？
我确實不太好評價，只能說這張圖風格可愛、充滿童趣，色彩溫馨。如果用在兒童讀物、繪本，或者早教、幼教的互動課件、手工素材裡，肯定是足夠的。
接着我把圖片拿給豆包，讓他深度思考一下，說：你評價一下效果怎麼樣？我用的是 ChatGPT 4o 的最新文生圖模型。
豆包說：
這幅圖還挺不錯。小貓的表情和衣服細節畫得挺生動，蘑菇和螢火蟲也很有感覺。暖色調的小貓配上冷色的夜景，色彩搭配和諧，營造出一種夢幻又可愛的氛圍。
小貓在畫面中間，構圖看着很舒服，主題也很突出。畫面整體質量挺高，能用到不少地方，這模型生成的效果挺好。"
但是，問題來了，測試文生圖也看不出它的厲害之處，試試它兩張圖的融合能力怎麼樣？
我從百度上随機下載了兩個水杯的圖片，這兩個水杯都處于真實的場景中，且每個水杯都有手拿着。我想看看它是否能把手摳掉，把兩個杯子放在同一個平面上。
然後給到 Kimi，讓 Kimi 幫我寫個提示詞：
請将兩張水杯圖片中的手部部分去除，僅保留水杯本身，确保水杯的細節清晰完整。背景保持簡潔，以便用于電商海報設計。水杯的光影和質感需要保留，确保整體畫面自然且具有吸引力。
第一次它好像卡住了，跟我說：抱歉，我處理不了你的要求，要不你再試試？
估計是用的人太多了。我重新開個視窗，這回它很快就有反應了。問題是，第一張照片處理得挺幹淨，但第二張直接被忽略了。
這下我可不幹了，直接把要求說得清清楚楚，一共四點：
把兩只手都去掉，只留下水杯；水杯的細節、質感和光影得保留好，看着得自然；背景要簡單幹淨，突出水杯；兩個水杯放在一起，比例要協調，畫面得好看。還特别提醒它，尺寸要 4:3 的。
結果它花了大概 40 秒，就搞定了。看到結果時，真的只能驚嘆：" 這也太厲害了 "，設計師要失業了。
你覺得怎麼樣？速度、效率遠比人工摳圖搞的快。
我又試了試 Chat GPT 4o 新出的知識圖功能，官方吹的吹得神乎其神，說有了這功能，AI 生成圖片能把現實世界裡的知識用起來，更懂用戶想啥，做出來的圖也更靠譜、更合乎常理。
簡單說：AI 畫畫會琢磨現實裡的那些細節，比如地方在哪兒、啥文化背景，還有物理規律那些。
這次，讓 deepseek 來，我說，你幫我寫一個帶因果邏輯的文生圖的提示詞。有一個細節就是圖片比例依然是 4:3。這是它随機給到的：
内容是一個陽光明媚的下午，一個小男孩坐在公園的長椅上，手裡拿着一個冰淇淋，臉上露出開心的笑容。
因為他剛在遊樂場玩得很開心，現在正享受着美味的冰淇淋。畫面采用溫馨的色調，背景是綠樹成蔭的公園，遠處有幾個小朋友在玩耍。圖片比例為 4:3，整體風格清新自然。
額，這看不出什麼因果邏輯。怎麼辦？重新來過。索性直接把「定律」加在圖中間。這是 deepseek 給我的兩個提示詞：
一個是杠杆定律：生成一張圖，一個小孩在跷跷板上，通過杠杆原理把一個重物抬起來。小孩用力往下壓，重物被抬高，體現杠杆原理。背景簡單，比例 4:3。
如上圖。這看着像嗎？的确很杠杆。給豆包後，它說：
這圖是說，有個小孩在壓跷跷板一頭，想把另一頭的大重物撬起來。就像玩跷跷板，坐一頭能把另一頭的人翹起來，利用這個方法，不用費老不用費老大勁就能把重東西抬起來，是一種省力的小竅門。
的确有點強。不過興許有些簡單，換一個：就拿「相對論的時間膨脹效應」來測試。
提示詞：
生成一張圖，展示兩個人：Alice 在地球上，Bob 在高速飛行的宇宙飛船裡。因為相對論的時間膨脹效應，Bob 看起來比 Alice 年輕。地球上 Alice 在慢慢變老，而飛船裡的 Bob 幾乎沒變。背景簡單，比例 4:3。
你能看得出來嗎？
反正我能看得懂。不過，第一次生成時，Alice 的名字被放在了腳下面，看起來有點奇怪。經過二次對話微調後，成功地把名字放到了正确的位置。
我認為還能在進化，比如：指定人物的性别等等。
除了文生圖、圖片與圖片合成、以及生成理解物理世界規律的圖以外，還有沒有其他玩法呢？
試試風格轉換。比如：将一張人物照片轉換為動漫風格，或者将一張圖片的風格與另一張圖片的内容融合，這種技術在藝術創作和設計時非常受用。
問題是怎麼轉換呢？我現在有一張個人形象照，把問題甩給 DeepSeek，讓它幫我想想。
DeepSeek 說：如果你想測試 OpenAI 的 ChatGPT 文生圖模型的能力，可以出一個稍微復雜一點但又具體明确的問題，這樣既能考驗模型的理解能力，又能測試它的生成能力。
比如：我有一張個人形象照，我想把它變成動漫風格。希望你能幫我把照片裡的我變成一個動漫角色，頭發換成深藍色的，整體風格有點賽博朋克那種酷酷的感覺。圖片比例是 4:3 就行。
不管了，一股腦甩給 ChatGPT 4o 來處理。這好像有點翻車了。不過，可能我要求太高了。
的确有點抽象，你怎麼看？
不管怎麼說，非自回歸模型（Non-autoregressive models）的進化速度确實很快，它改變了核心架構。
這個架構會先理解整個圖的結構和細節，有點像學生先聽完老師講完題目，把整張畫的輪廓勾勒出來，然後再一點點填充細節。
國内很多產品也在用這種能力了，希望能抓緊時間趕上并超越它。作為個人，我們也要思考一下：
如何快速掌握 AI 生成圖片的能力，并把它用到工作場景中。說到這兒，問題就來了：你會用它做什麼呢？快去試試吧，記得，用 ChatGPT 4o 模型才有。
