OpenAI 把图像生成直接塞进了 GPT-4o，能边聊边改图，文字也终于不崩了

Introducing 4o Image Generation

3 月 25 号，OpenAI 把新的图像生成功能做进了 GPT-4o 模型里，不再是外挂一个单独的画图工具。核心变化是模型直接学了图片和文字的联合分布，走的是“文本 token → transformer → 扩散模型 → 像素”这条管线，所以它能读懂上下文，也能在聊天里多轮改图，保持角色、风格一致。最实用的提升是文字渲染：路牌、菜单、邀请函上的字终...

推荐理由：这次更新把图像生成直接塞进 GPT-4o 本体，不是接个 DALL·E 插件。核心看点不是画得有多美，而是两点：一是文字渲染准不准，二是多轮改图能不能保持一致性——比如改完背景，人物别跟着变脸。正文给了机制线索，transformer 先理解意图，diffusion 再出像素，中间有联合训练撑着，但没给具体架构和训练数据量。示例里反复出现 best of 1 和 best of ~8，说明模型内部会多采样再挑图，实际出图质量可能比单次采样稳，但延迟和算力成本也会上去。价格、API 开放时间和调用配额正文都没提，这点先别太激动。整体看，这是一次把多模...