GPT-4o吉卜力全网玩疯了,但它真的很强吗?

2025-03-28 | 来源: InfoQ | 转到微信 | 有0人参与评论 | 字体: 放大缩小 | 收藏 | 打印

ChatGPT 的新 AI 图像生成功能上线仅两天，社交媒体上便已充斥着以日本动画工作室吉卜力风格的 AI 生成梗图，埃隆·马斯克、《指环王》和美国总统唐纳德·特朗普都没“逃过”，甚至 OpenAI 首席执行官萨姆·奥尔特曼也将他的新头像设置为吉卜力风格的图片。（吉卜力工作室以制作《龙猫》和《千与千寻》等热门影片而闻名。）

大量用户正在将现有的图像上传到 ChatGPT，并要求聊天机器人以新的风格重新创作这些图像。今天，奥尔特曼在 X 上发文表示：“看到大家如此喜爱 ChatGPT 的图像功能非常有趣，但我们的 GPU 快扛不住了。”虽未具体说明限制次数，但 Altman 称该措施不会持续太长时间，因为他们正在尝试提升处理海量请求的效率，免费用户将“很快”能每天最多生成三张图像。

虽然后续 OpenAI 又宣布了对 GPT-4o 进行了更新，但显然人们的注意力还在“玩图”上。

“我认为，这个功能是过去半年里 OpenAI 发布的 GPT-4o 中最有价值的一个，它确实非常炸裂。相比之下，正式上线的 Sora 以及后来连续 12 天的直播所展示的内容，大多都没有超出人们的预期。”原快手可图大模型负责人李岩说道。

与 SD 等模型比，

GPT-4o 赢在了哪里？

广播剧《紫金草》全网声动上线

热搜第一,这本早年书籍突遭全面下架全网心寒

《清朝条约全集》遭全网下架,冲上热搜

“昨天还在看 SD 教程，今天发现白看了……”知名开发者 Jimmy Cheung 发帖说道，“今天情绪非常低落，压力非常大，我不清楚我现在做什么，是从现在开始到将来都还有价值的。”

李岩表示，这次 GPT-4o 火爆的关键在于实现了对话式图像生成。

实际上，基于自然语言指令的图像编辑能力之前已经有了，比如字节 SeedEdit 和 Google Gemini 2.0 都具备相似能力。但在实际生成过程中，指令响应能力没有那么强，效果做得没有那么好。

例如在一致性保持方面，当要求去除背景中的某个物体时，模型可能还去掉了其他的东西；或者在对人物进行特定修改时，最终效果可能是不像原来的人了。此外，还存在指令不响应的问题，比如要求添加某些元素时未能执行。

但这次 GPT-4o 的交互方式所达到的文本跟图像的响应是非常精准的，大大超出了大家的预期。

李岩分析，虽然 OpenAI 没有发布详细的技术报告，但有一点非常明确：他们一定采用了自回归框架（Autoregressive Model, AR），只有自回归框架才能实现如此自然的图文交互效果。后续大概率也接入了 decode 模块后再做图像生成，但其整体框架已经完全统一到了自回归框架之下。