GPT-4o生图凌晨上线，用嘴改图这次是真成了

2025年3月26日，今天凌晨2点我硬着头皮看完OpenAI的直播，GPT-4o的多模态生图正式上线，我人都看恍惚了——我怎么好像去年5月的时候见过这个东西，感觉特娘的时间穿越回了一年前。

翻了一下，果然。2024年5月13日GPT4o正式发布，那时的博客里就说了GPT4o是一个原生多模态模型，不仅支持端到端的语音输入输出，其实也支持图片的端到端输入输出。只不过这一鸽就鸽了一年，鸽得我都快忘了GPT4o原来也支持图片输出。感觉是Gemini的原生多模态用嘴改图给OpenAI逼急了，没办法，只能临时加塞把这玩意掏出来，OpenAI的发布节奏真的已经越来越不对劲了。

但是回到4o生图这个产品能力本身。虽然节奏稀碎，可OpenAI一年后掏出的这个产品，质量直接拉到顶，就跟Deep Research把Google按在地上摩擦一样。大家虽然都是原生多模态、都可以用嘴改图，但GPT-4o的绘图质量就是可以把Gemini按在地上摩擦，就是当今的王，太牛逼了。作为200刀的Pro会员，我第一时间拿到了体验资格。目前有两个渠道可以使用4o Image Generation：一个是ChatGPT，一个是单独的Sora网站。在ChatGPT上，当画图的选项变成4o的时候，就说明用的不是DALL-E 3了，直接可以用嘴画图，也可以直接用嘴改图。但问题是我这个200刀的Pro会员居然也被限流，生成十几张就让我7分钟以后再用。而在Sora上用有个好处：速度极快，一次性可以跑4张，而且还无限用，质量顶到飞起——只要把这个位置改成image就行。最大的问题是生成完以后的图片不能进行多轮对话修改了。现在ChatGPT和Sora的关系，越来越像豆包和即梦的关系了。

我从2点跑图跑到4点，坦率地讲，我对4o的生图质量非常震惊，比我想象的还要好。用过Gemini的就知道，虽然可以实现多模态改图，但那个生图质量丑得不忍直视，能用，但到不了生产力级别；而4o可以。先记我跑的纯生图例子，改图的放后面。

提示词：冰霜巨龙盘踞在雪峰上，周身冰晶闪耀，龙息喷出寒气，背景狂风席卷雪花。 提示词：山姆奥特曼在摘棉花。 提示词：制作一张漫画风格的生日卡，上面写着"我希望你今天像动漫开场中的超新星一样闪耀！" 提示词：创建一个多步骤表单用户界面设计的图像，简约一点，好看一点。 提示词：创建一个索隆的女孩版动漫角色。 提示词：创建一个包含所有元素的周期表卡通图像，确保每个元素框都标有元素的全名（如氦或氢），在每个元素的框中包含一个代表该元素的卡通图像，同时也包括一些完全随机的物品而不是实际的元素，仿佛是在幻觉中看到周期表的成员。 提示词：做一个用火龙果的外皮做的蜥蜴，照片必须逼真，整个鳞片都要是火龙果。 提示词：一张坦率的狗仔风格照片，卡尔·马克思匆忙走过美国购物中心的停车场，回头用惊讶的表情看着，试图避免被拍照。他手里抓着多个装满奢侈品的光滑购物袋，他的外套在风中飘动，其中一个袋子在他迈步时摇摆。模糊的背景中有汽车和发光的购物中心入口，以强调运动。相机的闪光灯部分过曝了图像，给人一种混乱的小报感觉。 提示词：画一个包含机器人运动学和动力学详细信息的海报。 提示词：描绘一只对冒烟的计算机服务器机架感到困惑的水豚。 提示词：一只猫用粉笔在街上写下"我是一只猫"的图片。

我还有太多太多跑出来的例子记不过来，篇幅有限，我只挑了印象最深的这几个。我自己是越跑越来劲，几乎每一组提示词都能蹦出点意料之外的东西，有的构图和光影甚至比我脑子里想的那版还要好——这种“我随口一说它就懂”的感觉，是以前跑图从来没有过的。诚然，4o当然还有很多小问题：手指细节可能有问题，海报里的公式都是错的，元素周期表很多是不对的，让它画中文有时候会干出英文或者日文。但是，这个质量、这个自由度、这个语义理解，让我可以在这个阶段无视它所有细小的瑕疵。我已经很久没有跑图跑得兴奋了，跑图跑到不想睡觉，这种感觉还在两年前第一次看到Midjourney v5更新的时候。太酷了。

当然，并不是只能文生图，也可以图生图。如今再也不需要什么SD、什么ComfyUI、什么ControlNET插件，就能实现很多很多效果。效果就是这样的，BUG就是4o无法区分"句"和"勾"；又或者把雷总经典手势转一下风格；再或者把拼多多的logo改成青花风格；又或者把几张图融起来——人物脸的一致性有一点瑕疵，但这个融合效果已经无敌到没边了。

Sora差不多就这样，ChatGPT上也可以用，效果跟Sora一样，反正背后都是4o，但ChatGPT最大的好处是可以进行后续对话。比如我先跑一个妹子的图像，提示词是：创建一幅史诗般的现实主义图像，特写，1个女孩，漂浮的蓝色头发，长发，水滴，湿润，手持武士刀，带有图案的蓝色和服，超详细。然后我想把她放到游戏海报上，直接用嘴说就可以——虽然在中文标题字的审美上跟即梦2.1相比还有一点差距，但已经很好了，毕竟4o的主语言是英文。用嘴给图片改色调、用嘴改变材质、用嘴改屏幕里的UI（虽然有点乱码就是了）、用嘴来改性别，都能做到。还有他们自己官方跑的几个我觉得屌炸天的例子：AI直出，甚至玻璃上的影子都是对的，反射的角度、高光的位置全都对上了，这种细节以前得靠专门的后期一层层抹上去。

跑图这两个小时里，我还特意试了几个以前总翻车的难点：一是画面里同时出现多个人物时的手部，二是一大段中文标题的排版，三是把两个完全不相干的东西塞进同一构图。前两个还是能看出瑕疵，但第三个几乎没失手，语义层面是真的理解了我要什么，而不是在拼贴素材。

当年，Midjourney让世界见识到AI画师的潜能；后来，Stable Diffusion把开源的火炬交到社区手里；再后来，Gemini显露多模态的雏形，却始终差点火候。如今，GPT4o原生多模态横空出世，用几乎成熟得可怕的质量，宣告了图像生成的新纪元。如此高的生成质量、如此丝滑的多模态对话，已经不是能不能用的问题，而是能否彻底改变现有的AI绘图生态，以及人们做AI绘图的交互方式。这是AI时代，也是我们的时代。

最后记一句题外话。今天除了GPT-4o原生多模态上线，同时也是Gemini 2.5 Pro发布。然后，当4o发了之后，我X上的时间线就几乎全部被4o出图攻占了，Gemini 2.5 Pro这一次还是没抢过GPT-4o。1.5 Pro被Sora淹，2.5 Pro被4o淹。真的，听我一句劝，要不然以后咱就别发Pro，改个名叫Ultra吧，你说好不。