新智元报道
编辑：好困 桃子
【新智元导读】今夜，ChatGPT Images 2.0震撼上线，成为首个「会思考」的图像AI。奥特曼直呼这是从GPT-3到GPT-5的飞跃。它不仅能精准听懂中文指令、渲染复杂UI，甚至能在米粒上刻字。
那个熟悉的OpenAI又回来了！
凌晨，奥特曼亲自带队，开启20分钟线上直播，打破了数日的沉寂。
OpenAI终于祭出了传闻中的ChatGPT Images 2.0，正式开启图像生成的全新纪元。
Images 2.0是一次质的飞跃，它在精准听懂长指令、准确摆放并理清物体间关系、渲染密集文本方面有了巨大突破。
最重要的是，它是首个具备「思考能力」的图像模型，可以联网搜索实时信息、二次自检。
这么说吧，Images 2.0的出世，重新定义了视觉生成的统治力——
像素级精度：小字号文本、图标、UI元素等复杂细节一键生成，支持3:1到1:3全尺寸输出；
多语言质变：中日韩等非拉丁文字精准渲染，不仅字拼得对，语句也通顺连贯；
风格成熟：照片级逼真感，电影剧照、像素艺术、漫画等视觉语言都拿捏得住；
会思考：首个具备推理能力的图像模型，能联网搜索、自检输出，知识更新至2025年12月。
在Arena最新榜单中，Images 2.0一骑绝尘，登顶全球AI生图王座。实力暴击谷歌Nano Banana 2/Pro版本，领先242分。
它在全部7个文生图类别中，全部位列第一。
|
|
|
最狠的是，它可以做到像素级生成。
直播中生成的一张米山图，其中的一颗大米粒，竟刻上了「GPT image 2」的字体。
奥特曼还秀了一番，和4o图像负责人Gabriel Goh一起更多GPU的漫画图。
|
|
|
网友们纷纷上手，被Images 2.0的实力再次惊艳到了。
甚至，有人表示，「OpenAI终于再次引领图像生成领域」！
|
|
|
中文直接封神
OpenAI自己玩梗「稳稳地接住你」
过去的图像模型，英语和拉丁字母语言表现尚可，一碰到中日韩文字就开始「鬼画符」。
这次，官博里放出的中文Demo，直接炸了。
OpenAI研究科学家陈博远亲自出镜（很可能也是他自己写的prompt），生成了一整页全中文彩色漫画，讲的是他在OpenAI做ChatGPT Image 2中文文本渲染优化的故事。
这张图同时证明了三件事，中文文本渲染能力质变、极小字号的精度控制、以及复杂多面板漫画的一次性生成能力
漫画分五排，第一排是陈博远在电脑前埋头工作，背景里有珍珠奶茶，墙上用一条胶带粘着一根香蕉（致敬艺术圈名场面）。
第二排是他为家乡无锡生成的多语言手绘风格信息图海报，上面密密麻麻的中文小字全部渲染正确。
第四排画风一转，陈博远拿着手机休息，收到了奥特曼发来的一条翻译短信，祝贺团队的中文渲染成果。
然后，重头戏来了。
第五排，陈博远看到奥特曼生成的那张祝贺图片，中央位置赫然写着一句「稳稳地接住你」。
懂的都懂。
GPT在中文对话中动不动就「我会稳稳地接住你」「你的感受是合理的」，那股子油腻又真诚的美式心理咨询味，被中文用户疯狂吐槽了大半年
漫画里的陈博远当场破防，漫画式暴怒大喊「天呐！它又学会了接住！」，旁边的队友们化身小脑袋冒冷汗，弱弱地说「我们正在努力修复它！」
这波自嘲，可以给满分。（手动狗头）
中文之外，OpenAI还放出了全日语对白的少年冒险漫画、涵盖印地语、孟加拉语、泰卢固语等九种语言书籍封面的印度书店，以及韩语高级韩屋住宿广告。
语言不再是图像生成的「二等公民」了。
像素级生成
GPT-3到GPT-5大跨越
ChatGPT Images 2.0可以称之为OpenAI生图的下一个里程碑发布。
直播中，奥特曼将其称之为，「这种感觉就像是一下子从GPT-3直接跃升到了GPT-5」。
上传一张四人合照，ChatGPT直出一张杂志封面，在页面设计、文字排版都非常讲究。
而且海报中，包含了海量的细节，小字的处理，人物面部一致性，给人一种「男团」的即视感。
|
|
|
在细节方面，ChatGPT输出完全达到了「照片级」效果，逼真到让人看不出是AI生成的。
比如下面这张，穿越回2015年OpenAI刚成立那年，阶梯教室光线环境、PPT文案让人震惊。
把ChatGPT生成的图片扔进全景查看器，便可以实现如下的效果，太阳的位置、影子的方向，以及一些细节全部清晰可见。
官方放出的Demo里，有一张macOS浏览器中ChatGPT窗口的截图。
窗口层叠、终端在后台打开、桌面杂乱无章，视觉细节多到离谱，生成出来的效果几乎和真实截图一模一样。
渲染精度到了这个级别，说明模型对图像中每一个像素的控制力已经跨过了一个临界点。
照片级逼真感
AI生成的图终于不像AI了
风格逼真度是另一个大跃进。
过去AI生成的图片，总有一种说不出的「AI感」，皮肤太光滑、光线太均匀、构图太完美，一眼就能看出不是真人拍的。
官方Demo里有一组抓拍快照，35mm胶片质感，可见颗粒感，构图略微偏离中心，衣服和头发在风中飘动。
如果不告诉你是AI生成的，你会以为这是某个摄影师在公路旁随手按下快门的结果。
还有一组一次性相机风格的照片，模拟的是2000年代初美国高中电脑室的场景，学生们挤在米色CRT显示器前用ChatGPT。
闪光灯过曝、轻微运动模糊、角落里印着「02 18 04」的橙色日期戳，所有「胶片时代的不完美」都被精准复现。
在风格多样性上，Images 2.0也拉开了差距。
宽高比现在支持最宽3:1、最高1:3。为此，OpenAI专门放了一张横版中国传统长卷山水画，笔墨晕染和留白都有模有样。
1960年代法国新浪潮电影海报、装饰艺术风格书签、动漫角色设定图，每一种视觉语言都保持了高度的风格一致性，而不只是「看起来有点像」。
|
|
|
会思考的图像模型
一次生成八张连贯画面
现场直播中，ChatGPT图像负责人Gabriel Goh表示，Images 2.0一共上线了两种模式——
即时模式（Instant Mode）
思考模式（Thinking Mode）
其中最颠覆性的升级，全部藏在「思考模式」里。
当在ChatGPT中选择思考模型时，Images 2.0不再只是一个「你说我画」的渲染器，而是变成了一个视觉思考伙伴。
它会花更多时间理解你的意图，搜索网络获取实时信息，对图像结构进行推理，然后再动笔。
更关键的是，思考模式下它可以一次性生成最多八张风格连贯、角色一致、内容递进的图像。
只需上传一张大头照，ChatGPT就能立刻给出八套夏装搭配。选择其中一套，还会为你生成更多衣服不同角度的细节。
|
|
|
在这个任务中，ChatGPT调用了两种不同的「视觉智能」：
首先是「视觉理解」能力，它要真切地去「看」照片。理解一个人的样貌，然后规划出合适的服装搭配方案。
另一个维度则是「视觉生成」能力。它需要把规划好的服装布局，转化为一张连贯且有条理的图片。
以前想做一组社交媒体素材，你得一张张生成，自己拼接。现在一句prompt，Twitter、Instagram Stories、Instagram Feed、LinkedIn四种尺寸一次性出齐，色调和构图风格统一。
官方Demo展示了一家布鲁克林抹茶店「kizuki」的广告素材，冰镇草莓抹茶在阳光下的画面，街头服饰美学搭配日式极简，四种社交平台尺寸一步到位。
还有一个学术论文海报的Demo，直接上传PDF，模型自动提取关键图表、数据和结构，排版成一张横版海报。
值得一提的是，Images 2.0开启思考模式后，还可以直接联网搜索信息。
团队透露，几天前在Arena盲测的「DuckTape」就是今天的Images 2.0。
然后，他们让Images 2.0搜集网友反馈，并制作成一张图。没想到，模型还生成了一个可直接扫描的「二维码」。
ChatGPT、Codex全线开放
从今天起，所有ChatGPT、Codex都可以用上ChatGPT Images 2.0。
带有「思考」过程的图像生成功能，已向ChatGPT Plus、Pro、Business用户开放。底层模型gpt-image-2也已在API中上线。
在定价方面，ChatGPT Images 2.0更强了，同时toekn输入/输出价格没有涨。
对普通用户来说，演示文稿配图、社交媒体海报、产品宣传卡片这些过去要开Photoshop折腾半天的活，现在一句prompt搞定。
对开发者和企业来说，本地化广告、多语言信息图、教育内容、设计工具这些需要大量人工的视觉工作流，现在都可以通过API批量自动化了。
Codex里更是把图像生成整合进了工作区，设计团队可以在同一个环境里出UI方案、比选项、转产品，全程不用切换工具。
图像生成的iPhone时刻？
回头看，从DALL·E到Midjourney到Stable Diffusion，AI图像生成一直处在「够用但不太行」的状态。
文字渲染翻车、多语言拉胯、风格千篇一律、构图一眼AI，这些痛点每一个都劝退了想把AI图像用在正经场景里的人。
Images 2.0一口气把这些短板全补上了，还加了思考能力和多图一次性生成。
虽然它离「完美」还有距离，但它可能是第一个让设计师、营销人员和内容创作者觉得「这东西我真的可以用在工作里」的AI图像模型。
现在，设计师们可能要重新想想，自己的护城河到底在哪里了。
参考资料：
https://x.com/OpenAI/status/2046661795327459677
https://x.com/OpenAI/status/2046670977145372771
https://openai.com/index/introducing-chatgpt-images-2-0/
https://x.com/sama/status/2046672912833458597
