谷歌深夜發(fā)布新模型，OpenAI緊急推出GPT-4o，網(wǎng)友感謝DeepSeek： 北京時間 3 月 26 日凌晨，谷歌發(fā)布了號稱最強推理模型的 Gemini Pro 2.5，而在谷歌之前，OpenAI 率先……
哈嘍！伙伴們，我是小智，你們的AI向?qū)?。歡迎來到每日的AI學(xué)習(xí)時間。今天，我們將一起深入AI的奇妙世界，探索“谷歌深夜發(fā)布新模型，OpenAI緊急推出GPT-4o，網(wǎng)友感謝DeepSeek”，并學(xué)會本篇文章中所講的全部知識點。還是那句話“不必遠征未知，只需喚醒你的潛能！”跟著小智的步伐，我們終將學(xué)有所成，學(xué)以致用，并發(fā)現(xiàn)自身的更多可能性。話不多說，現(xiàn)在就讓我們開始這場激發(fā)潛能的AI學(xué)習(xí)之旅吧。
谷歌深夜發(fā)布新模型，OpenAI緊急推出GPT-4o，網(wǎng)友感謝DeepSeek：
北京時間 3 月 26 日凌晨，谷歌發(fā)布了號稱最強推理模型的 Gemini Pro 2.5，而在谷歌之前，OpenAI 率先開了場直播，發(fā)布了 GPT-4o image generation，圖像生成技術(shù)模型。有趣的是，最近半年時間里，基本上谷歌的每次發(fā)布都會與 OpenAI 的直播“撞車”。
OpenAI 放出 GPT-4o 原生多模態(tài)圖像生成功能
OpenAI 表示：“從今天開始，OpenAI 將新的圖像生成功能直接集成到 ChatGPT 中——該功能被稱為‘ChatGPT 中的圖像’。用戶現(xiàn)在可以使用 GPT-4o 在 ChatGPT 內(nèi)部生成圖像。”
此初始版本僅專注于圖像創(chuàng)建，并將在 ChatGPT Plus、Pro、Team 和 Free 訂閱層中提供。
值得注意的是，GPT-4o 圖像生成標記器詞匯量（實際上是用于表示文本的唯一整數(shù)的數(shù)量）已從 GPT-4 和 GPT-3.5 的約 10 萬個增加到約 20 萬個。古吉拉特語輸入使用的標記減少了 4.4 倍，日語減少了 1.4 倍，西班牙語減少了 1.1 倍。以前，除英語以外的其他語言在提示中可以容納多少文本方面會付出實質(zhì)性的代價。
同樣值得注意的是價格。OpenAI 聲稱與 GPT-4 Turbo 相比，價格降低了 50%。更直觀的對比是， GPT-4o 成本恰好是 10 倍 GPT-3.5；4o 是 5 美元 / 百萬輸入 token 和 15 美元 / 百萬輸出 token。3.5 是 0.50 美元 / 百萬輸入 token 和 1.50 美元 / 百萬輸出 token。
價格下降尤其引人注目，因為 OpenAI 承諾也將向免費 ChatGPT 用戶提供該模型——這是他們第一次直接向非付費客戶提供“最佳”模型。
OpenAI 研究負責人 Gabriel Goh 在接受媒體采訪時表示：“該模型比以前的模型有了很大的改進”，并補充說，團隊使用了 GPT-4o“全模態(tài)”——一種可以生成任何類型數(shù)據(jù)（如文本、圖像、音頻和視頻）的模型——作為該功能的基礎(chǔ)。
OpenAI 在公告中表示，GPT-4o 圖像生成功能具有以下特點：
? 精準渲染圖像內(nèi)文字，能夠制作 logo、菜單、邀請函和信息圖等；
? 精確執(zhí)行復(fù)雜指令，甚至在細節(jié)豐富的構(gòu)圖中也能做到；
? 基于先前的圖像和文本進行擴展，確保多個交互之間的視覺一致性；
? 支持各種藝術(shù)風(fēng)格，從寫實照片到插圖等。
先來感受下生成圖片的效果怎么樣。
OpenAI 在官方示例展示時放出了一張女士背對著鏡頭在白板上寫字的圖片。
圖片看起來就是很日常的生活照片，但實際上，它是由 GPT-4o 生成的 AI 圖片，OpenAI 給出的提示詞如下 ：
“在俯瞰海灣大橋的房間中，使用手機拍攝玻璃質(zhì)地白板獲得的寬幅圖像。畫面中一位女性正在寫字，身著帶有顯眼 OpenAI 標志的 T 恤。筆跡自然且略帶凌亂，白板上投射出攝影師的身影?！?br /> 接下來第二張圖片轉(zhuǎn)了人物朝向，以攝影師的自拍角度，畫面中的女性轉(zhuǎn)向與他擊掌，生成的圖像還是完全看不出出自 AI。
還能生成四格連環(huán)畫，邊框與畫面邊緣間注意留白。提示詞如下：
“一只小蝸牛身在華麗的汽車展廳柜臺上，推銷員俯下身來才能看到他。特定鏡頭中，蝸牛表情嚴肅，說‘我想要你們最快的跑車……還得在車門、引擎蓋和車頂位置畫上大寫的「S」。’
銷售員撓撓頭，‘呃……當然沒問題。不過為什么是「S」？’
畫面切換到時一輛紅色汽車在高速公路上呼嘯而過，車身上寫滿巨大的「S」。路旁的人們指指點點，笑著說，‘WOW! LOOK AT THAT S?CAR GO!’”
生成一張詳細解釋牛頓棱鏡實驗的信息圖。
然后，現(xiàn)在生成一個人在華盛頓廣場公園的一張圖形咖啡桌旁，用筆記本繪制這張圖的第一人稱畫面。
然后，現(xiàn)在在同一場景下，顯示難掩興奮的年輕牛頓坐在桌旁，手持棱鏡演示實驗結(jié)果，注意畫面中不要出現(xiàn)筆記本。
多項功能迭代，生成圖像效果更佳
據(jù) OpenAI 官方說明，GPT-4o 在多個方面相較于過去的模型進行了改進：
? 更好的文本集成：與過去那些難以生成清晰、恰當位置文字的 AI 模型不同，GPT-4o 現(xiàn)在可以準確地將文字嵌入圖像中；
? 增強的上下文理解：GPT-4o 通過利用聊天歷史，允許用戶在互動中不斷細化圖像，并保持
? 改進的多對象綁定：過去的模型在正確定位場景中的多個不同物體時存在困難，而 GPT-4o 現(xiàn)在可以一次處理多達 10 至 20 個物體；
? 多樣化風(fēng)格適應(yīng)：該模型可以生成或?qū)D像轉(zhuǎn)化為多種風(fēng)格，支持從手繪草圖到高清寫實風(fēng)格的轉(zhuǎn)換。
OpenAI 表示，從第一幅洞穴壁畫到現(xiàn)代信息圖，人類一直在使用視覺圖像進行交流、傳達與分析。如今的生成模型可以呈現(xiàn)出超現(xiàn)實、令人驚嘆的場景，但卻難以處理人們用于分享和創(chuàng)建信息的實用性圖像。事實上從徽標到圖表，基于共同語言和經(jīng)驗相關(guān)符號的圖像往往可以傳達精確的表達含義。
GPT-4o 圖像生成善于準確地呈現(xiàn)文本、精確遵循提示詞，并運用 4o 固有的知識庫與聊天上下文——包括直接轉(zhuǎn)換上傳的圖像，或?qū)⑵渥鳛橐曈X創(chuàng)作靈感。這些功能可輕松創(chuàng)建大家設(shè)想的圖像，幫助用戶通過視覺效果實現(xiàn)順暢交流，并將圖像生成真正轉(zhuǎn)化為具備精確性與強大現(xiàn)實意義的實用性工具。
利用在線圖像與文本內(nèi)容共同訓(xùn)練模型，GPT-4o 圖像生成不僅學(xué)習(xí)到圖像與語言的內(nèi)部關(guān)聯(lián)，還掌握了二者之間的對應(yīng)關(guān)系。結(jié)合積極的后訓(xùn)練設(shè)計，生成模型獲得了令人驚喜的視覺流暢性，能夠生成高度實用、一致且具備上下文感知特征的圖像。
正所謂一圖勝千言，但有時在正確位置添加寥寥數(shù)語即可顯著提升圖像的表達效果。4o 將精確符號與圖像融合起來，使得圖像生成真正具備了視覺交流屬性。
OpenAI 放出了一些官方示例。
創(chuàng)建一張逼真的圖像，畫面中兩名 20 多歲的女巫（一名有著灰色挑染頭發(fā)，另一名有著赤褐色波浪長發(fā)）正在閱讀路牌。
提示詞：
紐約威廉斯堡一條街道上，路牌中展示大量詳盡的街道標志（例如街道清掃時間、停車許可要求、車輛分類、拖車規(guī)則），其間還有一些架空信息（以合法的街道標記形式呈現(xiàn)），如“C 區(qū)禁止停泊女巫掃帚”、“僅允許魔毯卸貨（不超過 15 分鐘）”以及“僅允許馴鹿憑許可臨停（12 月 24 日至 25 日），違規(guī)者將被列入淘氣名單?！甭窐宋挥诮值烙覀?cè)，內(nèi)容不可重復(fù)，標志必須真實還原。
人物：一名女巫手持掃帚，另一名抱著卷起的魔毯。二人在前景中，背對畫面，頭部稍微傾斜并認真觀看路牌。背景到前景的構(gòu)圖：街道 + 停放的車輛 + 建筑物——>路牌——>女巫。人物必須在距離鏡頭最近的位置。
多輪生成
如今圖像生成已經(jīng)成為 GPT-4o 中的原生功能，因此用戶可以通過自然對話實現(xiàn)圖像內(nèi)容優(yōu)化。GPT-4o 可以在聊天環(huán)境中基于圖像和文本構(gòu)建而成，確保內(nèi)容始終保持一致。例如，如果用戶正在設(shè)計一位電子游戲角色，那么在持續(xù)改進與試驗過程中，該角色的外觀將在多輪迭代中保持一致。
在電子游戲場景中，參考輸入的小貓圖像，為小貓?zhí)砑右豁攤商矫焙鸵桓眴纹坨R。
將畫面轉(zhuǎn)化為使用 4k 游戲引擎制作的 3A 電子游戲風(fēng)格畫面，并添加用戶界面元素以呈現(xiàn)類似 RPG 游戲的疊加圖層。頂部有生命欄和小地圖，下方則是風(fēng)格一致的咒語圖標。
將畫面更新為 16：9 橫向圖像，在 UI 中添加更多咒語元素，并縮小生成的小貓以通過第三人稱視角觀看其穿過蒸汽朋克風(fēng)格的曼哈頓街頭。注意使用 3A 游戲中常見的漂亮對比與光照效果，使用冷色調(diào)。
創(chuàng)建界面，當玩家打開菜單時顯示小貓的角色資料和裝備，另一頁顯示當前任務(wù)（任務(wù)內(nèi)容應(yīng)與圖像中呈現(xiàn)的世界觀保持關(guān)聯(lián)）。
遵循指令
GPT-4o 的圖像生成功能可遵循詳盡提示詞并始終關(guān)注細節(jié)。其他系統(tǒng)在處理包含 5 到 8 個對象的畫面時往往表現(xiàn)不佳，而 GPT-4o 能夠處理多達 10 到 20 個不同對象，同時更好地控制各對象、其特征及彼此關(guān)系之間的緊密綁定。
生成一幅正方形圖像，包含一個 4 行、4 列的網(wǎng)格，共包含 16 個對象，背景為白色。從左至右、從上到下，各對象依次為：
1.一顆藍色星星
2.紅色三角形
3.綠色正方形
4.粉色圓形
5.橙色沙漏形
6.紫色無窮符號
7.黑白圓點領(lǐng)結(jié)
8.扎染紋理的“42”數(shù)字
9.一只戴著黑色棒球帽的橙色貓
10.一張帶有寶箱的地圖
11.一雙大眼睛
12.豎起大拇指的表情符號
13.一把剪刀
14.一只藍白相間的長頸鹿
15.用草體書寫的“OpenAI”單詞
16.一道彩虹色閃電
寫實主義與圖像風(fēng)格
通過在訓(xùn)練中納入反映多種圖像風(fēng)格的素材，4o 模型能夠逼真地生成或轉(zhuǎn)換圖像。
一張狗仔隊偷拍風(fēng)格的照片，畫面中卡爾·馬克思匆匆走過美國購物中心的停車場，他回頭一看，臉上帶著驚恐的表情，不想被偷拍騷擾。他手里抓著幾個裝滿奢侈品的閃亮購物袋。他的外套在風(fēng)中飄揚，其中一個袋子在擺動，好像他正在大步走。模糊的背景，汽車和發(fā)光的購物中心入口，以強調(diào)運動。相機的閃光燈部分曝光過度，給人一種地下小報的感覺。
盡管生成的圖片生動又逼真，但 OpenAI 也坦言，這些模型并不完美，目前也發(fā)現(xiàn)其存在的諸多局限性。OpenAI 將在先期發(fā)布之后，通過不斷改進來解決這些問題。
在接受媒體采訪時 Goh 也提到，“歸根結(jié)底，沒有一個系統(tǒng)是完美的，但我們正在不斷改進我們的保障措施，我們認為這是一個起點。ChatGPT 生成的所有圖像都有一個共同點，那就是用戶擁有它們，并可以在我們的使用政策范圍內(nèi)隨意使用它們?！?/p>
此外，OpenAI 支持生成公眾人物形象和不符合歷史但用戶指定的圖片。
此次更新，OpenAI 比以往更加關(guān)注安全性。
OpenAI 稱，“根據(jù)模型規(guī)范，我們希望通過支持游戲開發(fā)、歷史探索和教育等具有現(xiàn)實價值的用例以最大限度提升創(chuàng)作自由，同時保持嚴格的安全標準。換言之，阻止違規(guī)請求是保障制度落實的必要前提。我們正努力通過以下手段保障安全且高度實用的內(nèi)容，同時支持用戶借助創(chuàng)意廣泛表達自己的靈感與思路?！?/p>
首先，通過 C2PA 與內(nèi)部可逆搜索進行溯源。目前，生成的所有圖像均帶有 C2PA 元數(shù)據(jù)，用于注明圖像來自 GPT-4o 以保證公開透明。此外，OpenAI 還構(gòu)建了一款內(nèi)部搜索工具，其使用生成技術(shù)屬性以幫助驗證內(nèi)容是否來自我們的模型。
其次，OpenAI 稱會堅決屏蔽不良內(nèi)容。將繼續(xù)阻止可能違反內(nèi)容政策的生成圖像請求，例如兒童性虐待素材與深度偽造色情圖像。對于上下文內(nèi)的真人圖像，OpenAI 會加強對于所能創(chuàng)建圖像的限制，并對裸露及暴力畫面采取極其嚴格的處理措施。當然，安全升級永遠不會結(jié)束，也將成為持續(xù)投資的重要領(lǐng)域。
第三，使用推理增強安全性。OpenAI 已經(jīng)訓(xùn)練了一套推理大模型，負責根據(jù)人類編寫的可解釋安全規(guī)范識別并解決政策中的歧義。結(jié)合 ChatGPT 與 Sora 所使用的多模態(tài)安全技術(shù)，得以根據(jù)現(xiàn)有政策靈活調(diào)整輸入文本與輸出圖像。
但目前盡管 4o 圖像生成技術(shù)在性別表現(xiàn)的多樣性上超過了 DALL·E 3，但輸出結(jié)果仍然主要偏向男性主體。因此，OpenAI 表示其未來的工作將著重于提高數(shù)據(jù)均衡性，讓模型更加公平。
訪問方式與上線時間
作為 ChatGPT 中的默認圖像生成工具，4o 圖像生成功能從即日起開始向 Plus、Pro、Team 及 Free 用戶全面開放。Enterprise 及 Edu 訪問權(quán)限將后續(xù)開放。Sora 也可享受到此次功能升級。對于希望繼續(xù)使用 DALL-E 的用戶來說，則可通過專門的 DALL-E GPT 訪問這項新功能。
開發(fā)人員很快就能通過 API 使用 GPT-4o 生成圖像功能，訪問權(quán)限將在未來幾周內(nèi)開放。
OpenAI 表示，整個圖像創(chuàng)建與自定義過程，就像與 GPT-4o 聊天一樣簡單——只需描述你的需求，包含畫面比例、使用十六進制代碼的精確色彩或透明背景等細節(jié)即可。由于此模型能夠生成涉及更多細節(jié)的圖像，因此渲染時間可能更長，最多可能達到 1 分鐘。
嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿結(jié)束。關(guān)于“谷歌深夜發(fā)布新模型，OpenAI緊急推出GPT-4o，網(wǎng)友感謝DeepSeek”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對AI能夠更了解、更喜歡。謹記，精準提問是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識，請關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿滿呦！
微信掃一掃 
支付寶掃一掃 
