重點一 ：OpenAI於3月26日更新旗下語言模型GPT-4o，使其能夠依照提示，實現精確、準確、逼真的圖像生成。
重點二 ：先前OpenAI的模型難以在圖像中生成清晰可讀的文字段落，但新版 GPT-4o 已能辦到。
重點三 ：GPT-4o成ChatGPT預設圖像模型，原開放免費及付費用戶，但由於使用人數超乎預期，奧特曼表示將推遲向免費用戶發布這項功能。
OpenAI近日發表 GPT-4o 的更新版本，顯著提升了圖像生成的逼真度。這項成果來自為期一年、結合人類訓練員的努力，新版 GPT-4o 現已取代 DALL-E 3，成為旗下聊天機器人 ChatGPT 預設的圖像生成模型。
OpenAI原先表示，無論是 ChatGPT 的免費用戶，或是 Plus、Team 和 Pro 方案的訂閱者，現在皆可使用此更新功能。
但OpenAI執行長Sam Altman週三宣布，ChatGPT 新推出的AI圖像功能將推遲向免費用戶開放，原因是需求量遠高於公司預期：「ChatGPT 中的圖像功能比我們預期的還要受歡迎（而且我們原本的預期已經相當高）。」
截至目前，GPT-4o的生圖新功能己在各大社群網路暴紅，尤其是「吉卜力風格」圖像，就連馬斯克、奧特曼都紛紛上傳新頭像。
AI更懂人話了！關鍵是一群「人類訓練員」
此次 GPT-4o 圖像生成能力提升的背後，關鍵在於一群「人類訓練員」的貢獻。該計畫首席研究員 Gabriel Goh 指出，這些訓練員負責標註訓練數據，指出 AI 生成圖像中的拼寫錯誤、異常的手部或臉部等瑕疵。透過這種被稱為「人類回饋強化學習」(Reinforcement Learning from Human Feedback, RLHF) 的常見技術，AI 模型學會更精確地遵循人類指示，從而生成更準確、實用的圖像。
OpenAI 透露，約有略多於100名人類工作者參與了此次的強化學習過程。Goh 強調：「基礎模型本身已具備智慧，而 RLHF 過程則能引導並提煉這種智慧。」
OpenAI 表示，隨著 GPT-4o 研究的進展，ChatGPT 的圖像生成功能對消費者和企業而言實用性大增。例如，先前的模型難以在圖像中生成清晰可讀的文字段落，但新版 GPT-4o 已能辦到。
ChatGPT 多模態產品負責人 Jackie Shannon 補充，新模型還能創建透明背景，讓企業得以製作標誌或其他圖像識別元素，甚至能依據使用者上傳的品牌風格指南生成圖像。
實測！GPT-4o比Grok更厲害嗎？
在GPT-4o強化生圖能力之前，馬斯克旗下xAI所開發的Grok是相對生圖友善的語言模型。因此，《數位時代》以下接逐一實測相同的生圖Prompt（相對複雜的圖片，將利用Gemini 2.5 Pro生成），來比較能力差異。
題目1：單一物件清晰度(貓)
首先從最簡單的開始。提示是：
「請生成一隻逼真的貓咪圖像。」
從結果來看，Gpt-4o在清晰度上略勝一籌。
Gpt-4o
首先以Gpt-4o來說，可以從貓身上的毛髮分岔看出具備更高的解析度，但只有生成一張。
Grok
Grok生成的貓咪圖案解析度也不俗，優勢是一次兩張，選擇更多。
題目2：圖片結合文字（貓罐頭廣告）
延續第一題，要求AI在原本的生成結果上加入更複雜的概念與文字標題，具體提示為：
「我需要據此結果進一步生成『有標題』的貓罐頭廣告，畫面是貓咪正在吃罐頭，標題文案是 『沒有一罐不能解決的問題。如果有，就兩罐。』 」
Gpt-4o
就結果而言，GPT-4o確實有生成出指定的文字標題，雖然中文字體有點奇怪，但在品質與概念上符合提示要求。
Grok
Grok的圖片清晰度沒問題，但對於「貓罐頭」的理解不如GPT-4o精準，左圖比較像人類的英國焗豆罐頭，右圖則是「貓飼料」，而且沒有文字標題。
題目3：按照範例圖片生成
第三題，按照一般人使用習慣，上傳一張範例圖片給AI，並請AI依照指定風格重新生成圖片。本次以臉書創辦人祖克伯的照片為範例，具體提示如下：
將圖片轉換為類似「吉卜力」的畫風，構圖保持相同即可。
結果十分明顯，Grok的生成圖片與吉卜力相差甚遠。反觀Gpt-4o的成效果令人眼睛為之一亮，從人物表情到構圖，都保持與原圖片一致。
Gpt-4o
Grok
題目4：完全按照Prompt生成複雜構圖
最後一題，在沒有圖片參照的情況下，請AI依據「AI生成的Prompt來生成複雜圖片」。首先要求Gemini 2.5 Pro 生成圖片提示，提出的問題是：
我要生成「Elon musk登陸火星」的圖片生成prompt。請根據背景（所處的地理位置）、人物（從具體人物到動態描述）、構圖（包含人物及其他符號元素）生成。
要求如下：
1.照片比例16:9。
2.人物動作要有動態感，例如他正在躲避火星上的風暴。
3.圖片中要有包括類似CyberTruck的載具。
Gemini 2.5 Pro提供的prompt如下：
背景：大型隕石坑入口附近，火星地形，揚起的紅色塵土，稀薄的橘色大氣層和遠處朦朧的山脈。
人物：Elon Musk，穿著先進的 SpaceX探索服對抗強風，嘗試穩住身體往前邁進。
構圖：中景鏡頭，人物在前景，身後有一台CyberTruck風格載具，載具的銳利線條與環境形成對比，高細節度高。
比例：16:9
依照結果而言，仍是Gpt-4o相對理想，雖然人物比例略顯奇怪，但整體而言相對符合提示；Grok則是大要件符合，例如在火星上、有馬斯克跟CyberTruck，但是其他細節並不明顯。
Gpt-4o
Grok
結論：Gpt-4o確實生圖能力躍升
在將兩種模型比較過後，可發現Gpt-4o在理解自然語言的能力更為突出，在單純的物件，或是夾帶圖片風格轉換上，成效都令人驚艷。
值得注意的是，在圖片修改上，Gpt-4o的上下文理解能力也頗為優異，點擊生成的圖片之後，可在網頁介面上圈選想要修改的地方，並要求AI局部修改！
目前，Gpt-4o的修圖功能甚至開放給免費用戶，想要免費利用可要把握，而且甚至可以要求Gpt-4o客製化迷因。
存在版權柵欄？OpenAI：不能直接模仿在世藝術家
儘管 GPT-4o 在圖像生成方面取得了進步，但並非完美無缺。Goh 坦承，在公司展示的一個範例中，用戶上傳一張有兩扇窗戶的客廳照片，要求 AI 重新生成帶有新家具的圖像，但系統最終只呈現了一扇窗戶。
至於潛在的版權問題？OpenAI 表示，GPT-4o 的訓練數據來自「公開可得的資料」以及與 Shutterstock (影像圖庫公司) 等企業的合作夥伴關係所取得的專有數據。OpenAI 的營運長 Brad Lightcap 強調：「我們在輸出內容時尊重藝術家的權利，並設有政策防止生成直接模仿在世藝術家風格的作品。」
延伸閱讀：
2025十大高薪副業出爐！不用有經驗、工作彈性，這職缺一天可賺近5000元
AI界超夯新詞，MCP是什麼？定義、實例一次看懂
責任編輯：李先泰
