OpenAI Image2 核心团队成员爆料:历时4个月,断崖反超谷歌 Nano Banana!几乎所有图像生成团队都上了!业内都在深扒Image2技术路径!

您想知道的人工智能干货，第一时间送达

首个具备思考能力的文生图模型

这是 Image 2.0 最为让人惊艳的地方。

这是一个范式变化。用 Sam 的话来说：如果 DALL·E 是洞穴壁画，Image Gen 1 是古代艺术，那么 Image 2.0 就是文艺复兴。

简单理解，就是学前班画画水平跟专业设计师之间的区别！

这里之所以用了“文艺复兴”，其实一点也不夸张。大家只要简单回顾一下前两代模型的使用经历，再试一把 Image 2.0 就能明显感觉到代际差异。

先看下这个例子就知道了。小编考了一道中学生未必都能半分钟回答出来的问题：帮我在一张A4纸上用红色中性笔证明一下勾股定理。

Image 2 似乎理解了我所提的每一个概念要素：A4 纸、红色中性笔、勾股定理、证明。

结果就这么水灵灵的给出了一个几何证明题的作业纸。“白纸红字”，不服不行！

这就如同文艺复兴时期，人们开始走出原始表达和理想化审美的束缚，开始系统地理解世界，并学会用科学方法去重建现实。

具体怎么触发这一功能？

只需要在 ChatGPT 里选 thinking 或 Plus、Pro 模型即可。然后你吩咐模型做图，模型就会做三件事：联网搜索实时信息、基于用户上传的文件生成可视化解释内容（一次产出最多 8 张连贯图）、图像生成前自我检查输出质量。

升级后的模型，作图过程也变得更加专业范儿：

先打个草稿，生成初稿中，搭好场景，打磨细节，收尾中，最后润色中，最后微调一下，创建完成。

下面这个例子，很好的体现了这一过程，在不同画面中保持人物、物体和风格的一致性。

总结一下，OpenAI 这波释放了一个图像模型的演进方向：

模型不只是生成图像，它在“思考”。它可以进行研究，甚至能搜索网络，以最准确的信息生成图像。

基于这些能力，它可以生成解释复杂系统的信息图，甚至用带证明的方式解决数学问题。

OpenAI 表示，这将使生成漫画页面、社交媒体视觉内容系列，或整套家居设计方案变得更加容易。

比如，我们已经可以在毫无上下文背景的情况下，让 Image 2 生成一张流川枫三步篮的动作拆解图。

可以看出，原本需要专业体育+绘画知识的一张分解图，就这样被 OpenAI 分分钟秒出了。文本内容非常专业准确，而结构化的构图设计也非常合理，视觉布局能力也没的说。

毫无疑问，OpenAI 这次是真的瞅准了生产级环境的视觉内容。

那么，如此聪明的会思考的模型是如何实现的呢？

目前，OpenAI Imagegen 团队研究员 Ayaan Haque （多说一嘴，前 Luma 团队成员），透露了一些工程信号：模型先做研究，再去做。

以前，如果你让图像模型去研究一个主题，它其实并不具备足够的世界知识，也缺乏各个领域的专业能力。

现在，它已经可以执行完整任务：先做研究，查看图片，找出它们之间的共性，还能生成多个相互一致的输出，把它们组织成一个完整的故事。

Sam 也在直播中表示：Image 2 在生成图像之前，会先进行一轮思考，甚至主动检索信息，再将结果组织成视觉画面。图像不再是死板地依赖一句提示词直接生成，中间多了一层内容梳理的过程。

生成前进行推理、结构规划，并结合网络信息完成复杂图像任务

它会主动思考这些内容：哪些信息需要放进去、以什么顺序呈现、最终输出什么结构图片。

在团队成员演示过程中，曾提到了两处模型的自主思考点：

第一处，模型会自主决定文字的位置，保证整个图片设计布局的高完成度；

第二处，则是模型会在最终输出前检查自身生成的结果，以确保多张图片之间的一致性。

小编认为，虽然 OpenAI 短期不会公开背后的技术细节，但对于人才辈出的今天，很快就会有人“逆向”出来。

对此，不少业界分析也有质疑的声音，所谓的图像“thinking mode”，仍属于工程层面的推理增强，而非真正意义上的“思考”。

中文不再是生图模型的二等公民

非拉丁语也能精确渲染

另一个值得关注的点是，Image 2 成功攻克了“多语言”文字显示的问题。

这可以说是无数创作者以前“心中最大的伤疤”之一了。

过去的图像模型常将文字视为“贴入画面的元素”，导致中文、日语等语言笔画变形或乱码，而新模型实现了“语言融入设计”——不仅保证字形准确，还能匹配字体选择、排版节奏与书写习惯，例如中文海报的留白和日文漫画的分镜逻辑。

官方测试案例显示，该模型能稳定处理密集文本场景：

在中文连环漫画中，连底部超小字号的注释“(此处为极小字号测试)无锡是作者的故乡”都清晰可辨；

在印度书店场景中，同时渲染印地语、孟加拉语等九种印度语言的书封文字，且语句通顺连贯。

Boyuan 还演示了自己让 Image 2 渲染成一篇论文的过程，这种高度密集的中英文混合小字排版，也被 OpenAI 成功接住了！

据悉，Image 2 之所以能够突破这个痛点，是源于模型对非拉丁语系语言的底层训练优化，而非简单的字符映射——它能理解文字的语义和排版规则，例如中文从左到右的阅读顺序、日语竖排文字的行距要求。

目前公开的信息里，Image 2 支持非常灵活的输出尺寸调整，几乎覆盖了所有主流平台的图片尺寸。此外 API 端甚至支持高达 2K 分辨率输出，最大边长像素为 3840 px，总像素达 829 万。

要知道过去版本的模型，也只够支持固定的竖版、横版或者正方形。API 端最高仅支持 1K 分辨率。

小编整理了一张核心能力特点，如下：

prompt：用超广角手法拍摄春天里的上海外滩

稻米上的小黑字清晰可见

不过，根据官方披露的信息，当前 Images 2.0 的高分辨率输出仍处于beta阶段，2K以上分辨率结果可能不稳定；同时对于折纸步骤图、倾斜面细节等需要完整物理世界模型的复杂场景，细节处理仍存在局限。

那么，如此灵活多变的尺寸，技术上如何实现的呢？

很明显，OpenAI 不会这么快就公开出来。 不过，结合当前图像生成领域的通用技术路径，Images 2.0 的可变像素输出大概率通过以下三种方式实现：

1. 基于扩散模型的弹性输入输出架构
   
   采用可变尺寸的latent扩散架构，支持不同长宽比的 latent 张量输入，无需固定尺寸输入即可生成对应尺寸图像，这是当前主流文生图模型实现可变尺寸的通用方案。
2. 位置编码适配
   
   通过可学习的旋转位置编码或正弦位置编码，适配不同尺寸的空间位置信息，保证不同比例下生成内容的结构合理性，这也解释了为什么它能重新组织构图而不是简单裁切。
3. 训练数据覆盖多尺寸场景
   
   训练阶段引入不同比例、不同分辨率的训练数据，让模型学习到不同尺寸下的合理构图逻辑，所以针对不同平台尺寸都能输出适配结果。

如果OpenAI后续公布更多技术细节，小编也会及时为大家跟踪解读。

Boyuan Chen 可以说，属于新一代“多模态基础研究者”的典型代表。他现任 OpenAI 研究科学家，参与了 GPT 图像生成等核心项目。

Boyuan Chen 博士毕业于 MIT（EECS，辅修哲学），本科就读于 UC Berkeley。

他的研究聚焦于“世界模型”、具身智能与强化学习，核心目标是让 AI 不只生成内容，而是理解环境、预测变化并与现实世界交互。

而另一位演示的东方面孔：Yuguang Yang。 同样也是 OpenAI 图像生成团队的研究员，参与了 ChatGPT Images 2.0 等核心项目的研发。

他这次的工作和演示重点集中在将复杂信息转化为高质量视觉内容，例如生成信息图、将 PDF 转换为幻灯片或海报等，推动图像模型从“生成图片”向“表达结构化信息”演进。

可以看出，Yuguang 更接近“应用与研究的交叉层”，既理解模型能力边界，又负责将其转化为可用工具。这个方向正成为 AI 产品化落地的重要推动力量。

用笑声链接时代，用作品温暖人心

The Power of Joy：沈腾如何重新定义喜剧，并成为文化符号

大家看下，这种地步的封面设计，你会打几分呢？

有了它，谁还会再去找图片模版去一点点复制粘贴素材呢？

https://www.youtube.com/watch?v=B4r4t9eIwNI

https://x.com/OpenAI/status/2046670977145372771

https://x.com/BoyuanChen0/status/2046678444042596581