今天小编分享的科技经验：被误导两天，GPT-4o文生图模型强到可怕，欢迎阅读。
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 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 的影像生成模型。
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 内置的影像生成功能，直接输入详细的描述，它会用最新的模型生成影像。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影像，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 生成的影像，展现了你描述的复古书房氛围；很快，ChatGPT 将推出新的影像生成模型，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。我重新开个視窗，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 "，设计师要失業了。
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，一股腦甩给 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。作为个人，我们也要思考一下：
如何快速掌握 AI 生成图片的能力，并把它用到工作场景中。说到这儿，问题就来了：你会用它做什么呢？快去试试吧，记得，用 ChatGPT 4o 模型才有。
