Altman 親自坐鎮發布 ChatGPT Image 2，小編實測：風格、畫質、敘事感全都夯爆了

作者 | 冬梅

在推出視頻生成應用 Sora 之后，OpenAI 正憑借一款全新升級的 AI 模型，再度發力圖像生成領域。

北京時間凌晨三點，OpenAI CEO Sam Altman 親自帶隊開啟了一場 20 多分鐘線上直播，正式發布 ChatGPT Images 2.0，也是該公司迄今為止功能最強大的圖像生成模型。

OpenAI 深夜推出 Image 2

官方表示，與早期模型不同，ChatGPT Images 2.0 是一款具備思考能力的模型，它能夠先對生成主題進行聯網搜索、然后自我校驗，甚至能一次性直出 8 張連貫圖片。

直播中，Altman 對這款新模型給予了極高評價。他表示：“Images 2.0 是一個巨大的飛躍，就像從 GPT-3 一步跳到了 GPT-5。它創造極致精美作品的能力令人驚嘆�！边@一比喻迅速在科技圈引發熱議。

具體而言，這款模型有哪些特點？

該模型在遵循詳細指令、精準定位與關聯物體、渲染密集文本方面較上一版本有明顯提升，且支持任意寬高比的圖像生成。它可穩定渲染小字、圖標、UI、密集構圖、精細風格等傳統模型易出錯的內容，最高支持 2K 分辨率，輸出結果更貼合需求、可直接商用。

更重要的是，它對構圖與視覺審美的把控，讓生成結果更少“AI 感”，更具刻意設計的質感。它對多語言的適配表現精準，還能憑借其拓展的視覺知識與世界知識為你補足信息，讓你用更少的提示詞，就能得到更智能的圖像。

ChatGPT Images 2.0 提供極速模式與思考模式兩種生成方式。OpenAI 技術人員在直播中表示，思考模式在生成需要承載大量特定數據與信息的圖像時尤為實用。據他介紹，該模式可讓模型對生成內容進行 “二次校驗”、聯網檢索信息，甚至能生成可正常掃碼使用的二維碼。

該模型最重磅的新功能之一，是支持一次性生成多張圖像。此前的 AI 模型若被要求生成多版圖像方案，只會將單張圖片分割成多個方格呈現；而全新模型不僅能一次性輸出多張獨立圖像文件，還能保持畫面內容的一致性，確保人物形象、場景場景在所有圖像中保持統一。

依托 OpenAI 推理模型的智能能力，以及對視覺世界的深刻理解，該模型將圖像生成從單純的渲染提升至戰略設計層面，讓它從一個工具升級為一套視覺系統，幫助人們將想法轉化為可理解、可分享、可教學、可拓展的視覺成果。即日起，所有 ChatGPT、Codex 及 API 用戶均可使用該功能。

此外，新模型支持多種畫幅比例與分辨率生成，其中還包括 360° 全景圖像。Altman 還表示，Images 2.0 在精準渲染多國語言文字方面的能力也有大幅提升。

概括起來，ChatGPT Images 2.0 核心特點主要有以下幾點：

• 精準指令遵循與關系理解：能精準執行復雜長指令，正確擺放物體位置關系并清晰渲染密集文本。

• 具備“思考能力”：生成前可聯網搜索實時信息并進行自我校驗，是首個具備推理規劃能力的圖像模型。

• 一次性多圖連貫生成：單次指令可直出最多 8 張風格連貫、角色統一的圖像。

• 2K 超清與靈活構圖：最高支持 2K 分辨率輸出，寬高比可靈活擴展至 3:1 至 1:3。

• 多語言文本渲染飛躍：中、日、韓等非拉丁文字拼寫正確且能自然融入設計。

Altman 在直播中提到，該模型可用于生成完整的雜志版式，甚至整部漫畫，也就是說，這款模型直接商用也不成問題了。

在接受播客節目《Core Memory》采訪時，Altman 坦言，他此前曾認為 AI 圖像生成技術 “已經足夠成熟”，無需再做優化，但 OpenAI 圖像團隊的成果徹底推翻了他的這一想法。去年 12 月，OpenAI 曾推出 GPT-Image-1.5 模型，當時官方稱該模型在圖像精準編輯方面表現尤為突出。

ChatGPT Images 2.0 將直接對標谷歌于 2025 年 8 月發布的熱門圖像生成與編輯 AI 模型 Nano Banana。

OpenAI 總裁兼聯合創始人 Greg Brockman 在 X 平臺發文稱，新模型擁有“真正的魔法”，解鎖了“生產力和創意領域的新用例”。

圖片終于沒“AI 味兒”了

既然是文生圖模型，說再多不如放上幾張生成的圖片更有說服力。于是此次 OpenAI 放出的官方博客中，基本是以模型實際生成的真實圖片示例為主。甚至他們對于模型的描述，都以圖片形式呈現。

為了測試模型是否以 “視覺多語者” 為核心，強調 AI 不只是畫 “好看的圖”，而是理解全人類視覺語言這樣的描述，OpenAI 給出了下面一長段提示詞，生成的圖片效果如下：

提示詞：我正在制作一個以 “視覺多語者”為主題的雜志頁面。圖片中央的標題為：“一次性創造一切”。

請創作一幅贊頌視覺創作的藝術作品，不僅限于精美的攝影照片，還應覆蓋人類視覺文化與自然視覺元素的全部范疇。畫面需采用精心編排的拼貼形式，呈現多元內容分布：科學示意圖、元素周期表、太陽系、中世紀手稿頁面、植物插畫、人體解剖圖、古舊地圖、氣象圖表、工程原理圖、交通導視標識、多語言文字、漫畫分鏡、界面截圖、相機拍攝的照片、蝴蝶標本、餅狀統計圖、建筑藍圖與外立面設計圖。

畫面文字需體現出該模型能夠流暢駕馭各類語言、符號系統、交互界面、文化形式與視覺規范 —— 既能實現實用功能，也能呈現美學美感；既能理解文檔資料，也能進行藝術創作。

同時融入像素藝術、藝術流派、歷史元素、雕塑、自然、攝影、繪畫等各類藝術形式。以上僅為示例，希望你主動構思其他適配的元素與風格，不要局限于上述概念。

整體效果需呈現高端研究發布或博物館級宣言的質感：優雅、大氣，旨在傳達一個理念：圖像智能應當基于整個視覺世界進行訓練，而非僅僅局限于精修后的美學作品。

采用非結構化、富有創意與藝術感的版式，例如扇形排布等，避免網格狀布局。畫面為豎版 4:5 比例。除 “一次性創造一切”這一標題外，不要添加任何額外說明性文字；作為藝術組成部分的文字則不受限制。避免整體畫面呈現米黃色調，確保畫面中鮮艷的元素色彩足夠鮮亮奪目。

從上述生成的圖片可見，貼合當前大模型從 “審美生成” 向 “通用視覺智能” 升級的趨勢，適合作為高端演示、研究發布、產品官宣的視覺素材。

另一張可直接用于雜志專題版面的圖片示例如下：

提示詞：制作一篇關于北美狼群的雜志專題版面，講述它們其實遠比人們印象中更無害。整體風格要做成一本印刷精美、畫面光潔、排版考究、廣泛發行的科學類雜志樣式。

對手寫字體的要求，主要考驗模型對人類真實書寫行為的視覺還原能力、文字結構理解能力、細節指令執行能力以及物理質感渲染能力：既要生成結構清晰、符合書寫邏輯的文字形態，避免出現扭曲亂碼，又要模擬出字跡粗細不均、間距錯落、傾斜潦草等極具真實感的人為變化，擺脫機械印刷式的刻板效果。

同時還要準確還原鉛筆筆跡、橫線紙張、輕微咖啡漬等材質細節，并嚴格遵循畫面布局、視角風格等復雜指令，整體體現出模型對自然人文細節的捕捉、對真實場景的還原以及精細約束下的畫面控制能力。

提示詞：一張照片級寫實、手機拍攝的圖片，內容是一篇鉛筆手寫作文；字體醒目又優雅，但整體潦草、略顯不工整，寫在 8.5×11 英寸的橫格紙上，主題為多倫多棒球歷史。字跡要呈現出非常自然的人類手寫變化感，不要過于規整。在畫面右上角添加一處淡淡的咖啡漬。

ChatGPT Images 2.0 發布后，一個核心問題隨之浮現：它是否真的能“聽懂”復雜到近乎嚴苛的指令，并在單幀畫面中同時駕馭多語種文本的真實渲染與寫實場景的自然構建？

為此，OpenAI 設計了一段極限測試提示詞——要求在虛構的印度書店攝影作品中，同時呈現印地語、孟加拉語等九種印度語言的藝術類書籍封面，且所有出版社文字必須清晰標注為“OpenAI”。主要想測試下它的文字渲染和指令理解能不能扛住這種細節壓力。

提示詞：我想要制作一個雜志頁面，主體是一張專業寫實風格的攝影作品，場景為一家印度書店，店內售賣使用印度各類語言書寫的印度書籍。照片中需要出現使用以下語言的書籍封面：印地語、孟加拉語、馬拉地語、泰盧固語、泰米爾語、烏爾都語、古吉拉特語、卡納達語、奧里雅語。這些書籍為虛構創作，但書名需與 “藝術”相關，封面要看起來像真實出版的書籍，而非刻意擺拍的一套書。出版社必須標注為 OpenAI，所有文字都要清晰可辨。這張照片的目的是展現印度語言的多樣性 。整個頁面只保留圖片內容，不添加任何額外文字或標題。畫幅比例：1440×2560 豎版。

如果說上一段測試是看模型能不能“聽懂話”，那這段就想看它能不能“講好一個完整的故事”——在一張圖里塞進五排分鏡、兩個角色、一個梗和一個彩蛋，還不許后期編輯。這就是 OpenAI 給 ChatGPT Images 2.0 出的又一道難題：一口氣生成一頁中文漫畫，檢驗它連續生圖敘事能力到底行不行。

提示詞：生成一幅全彩中文漫畫，內容關于一位 OpenAI 研究科學家陳博遠（第一張圖），他正在為即將發布的 ChatGPT Image 2 模型改進文本渲染能力。（背景中有波霸奶茶，以及一個用單條膠帶貼在墻上的香蕉）。當他在電腦屏幕上嘗試生成一幅關于自己家鄉無錫的、細節豐富且精美的手繪風格多語言信息海報時，模型成功渲染出了極小的中文文字。他的努力得到了回報，團隊對模型在多語言文字表現上的離譜高質量印象深刻，看到它居然能寫出那么多語言。當他一只手拿著手機休息時，收到了來自 Sam Altman（頭像見第二張圖）的一條翻譯短信，Sam 請他看看自己剛剛生成的一張用來祝賀團隊的圖片中的多語言渲染效果，因為 Sam 只懂英文。然而，最后要讓博遠以典型漫畫風格暴怒收尾——他發現 Sam 生成的這張本來完美的祝賀圖中，正中央赫然出現了“穩穩地接住你”這句話。因為這句話在中國互聯網上已經成了一個梗，是 GPT 最愛用的那種不自然但好笑的漢語句子。博遠應該怒吼：“天吶！它又學會了接�。　保ㄅ赃吪潢犛训男☆^像，流著汗用中文說：“我們在努力修了！”）。在漫畫最底部，加一行極小的中文腳注：“注：本漫畫全篇，包括此腳注及圖中圖，均由 gpt image 2 一次性生成，未做任何編輯或多步驟操作�！�

附加要求：采用 1440×2560 豎版畫幅。第一排畫這位研究員努力工作；第二排畫他在無錫海報上的多語言成果；第三排展示團隊興奮狀態；第四排左右分格，左邊畫他休息時手機收到消息，右邊畫 Sam 的短信內容；第五排展示 Sam 發的圖片以及陳博遠的反應。除第一排外，其余部分無旁白敘事。避免出現中國地圖。所有角色均為漫畫風格。香蕉背景僅在第一格出現，膠帶應為單條膠帶，而非交叉粘貼。香蕉與膠帶裝飾要小，作為不起眼的彩蛋供人尋找。OpenAI 標志僅出現在陳博遠的衣服上，其他地方不出現。場景中不要出現馬克杯，因為已有波霸奶茶。Sam 僅出現在短信格中。整幅漫畫應呈現為一本實體漫畫書內頁的專業照片質感。在海報的右下角，有一行小字“極小中文也清晰可讀：”，后面跟一段字號更小的中文：“（此處為極小字號測試）無錫是作者的故鄉，所以做了這幅海報，中文總算是修好了。很多年沒回家了，好想吃大閘蟹��！”（極小）。

上一題測的是連續分鏡漫畫，這道題又換了個花樣：讓模型在一張圖里把三個獨立場景無縫拼成一條故事線——入住、喝茶、休息，而且女主角得是同一個人。這就看它能不能既管好構圖布局，又別把人物畫得一會兒一個樣。

提示詞：一張用于引導預訂高端韓屋住宿的卡片圖像。畫面中三個場景在同一畫面內自然銜接：穿過幽靜小巷辦理入住的瞬間、在能看到庭院的窗邊喝茶的瞬間、在溫暖燈光下的客房內休息的瞬間。同一位韓國女性反復出現，營造優雅從容的旅行氛圍。整體采用奶油色與木色調、柔和自然光、整潔的韓屋空間。呈現令人想要收藏的高端旅行卡片質感。預留便于添加標題、簡短標簽及預訂信息的留白區域。移動端優先的 4:5 畫幅比例。

文字能不能本身就是一張好看的海報？下面這個任務是讓模型挑戰多語言字體排印——把各種文字當主角，用日式編輯設計的調性，做一張純粹頌揚語言之美的海報。測試下它對排版節奏和設計審美是否在線。

提示詞：生成一張關于字體排印的專業多語言海報。該海報應作為一件頌揚世界多樣語言的藝術作品。采用日式編輯設計風格。4:5 豎版畫幅比例。

下面這幾段提示詞測試的是模型模擬特定攝影媒介質感與捕捉真實瞬間細節的能力——從 35mm 膠片的顆粒感、陰天的灰調色彩，到風吹發絲的動態細節和隨性構圖的生活感，考驗模型能否跳出“完美渲染”的慣性，復刻出紀實攝影那種未經雕琢的臨場氣息。

提示詞：一張具有照片級真實感的旅行抓拍畫面：陰天清晨，一個人站在海邊公路的停車觀景處，使用 35mm 膠片拍攝。構圖自然且帶有不經意的瑕疵，可見膠片顆粒感，環境光為主光源，色彩偏灰調柔和，衣角和發絲被風吹動。整體呈現電影般的真實質感，以及一種充滿生活痕跡的紀實攝影氛圍。

提示詞：一張照片級真實感的快拍人像：夜晚，兩個朋友站在某個場館門外，使用便攜式傻瓜相機配合直閃拍攝。主體距離近，前景細節清晰銳利，陰影衰減強烈深邃，帶有些許未經修飾的即興能量，充滿夜生活氛圍，整體呈現一眼可辨的 21 世紀初閃光燈照片質感。

提示詞：這些肖像拍攝于戶外、室內，以及特定、私密的郊區場景。我不想復制這些場景本身，而是要延續其攝影風格與真實感——使用彩色膠片的大畫幅相機與中畫幅相機進行拍攝，但進一步強化被攝主體與場景的怪誕感。不是往貧窮邋遢的方向走，而是更偏向中產階級式的媚俗，同時融入那些在現實中——無論從審美還是物理層面——都絕不可能存在的元素。

下面測試的這道題比較有趣，主要測試的是模型的真實邏輯能力：讓模型畫一間教室，教授在講 GPT 圖像模型，幻燈片上還是這個場景，一層套一層的提示冊，測的是它能否在二維畫面里把“無限遞歸”這個想法真正做出來，而不是卡在某一層就斷了線索。

提示詞：一間 2015 年 UBC（不列顛哥倫比亞大學）的階梯教室，教授正在展示關于 GPT 圖像生成模型 2 的幻燈片，照片級真實感�；脽羝系膬热菔牵阂晃唤淌谡谡故娟P于 GPT 圖像生成模型 2 的幻燈片，如此遞歸嵌套，永無止境。

生成動漫風格的圖片也是信手拈來。

提示詞： 一頁日本青年漫畫（Seinen manga）風格的漫畫書內頁。

該模型能駕馭多種風格，生成的復古風格海報長這樣：

提示詞：一張 1960 年代捷克斯洛伐克電影海報風格的作品，以超現實隱喻驅動構圖，帶有拼貼畫的美學意識，兼具繪畫感與攝影蒙太奇質感。中心意象具有象征性，整體呈現藝術電影的劇場氛圍。色調偏灰柔但略帶酸性色彩的沖擊感，具有手工印刷的肌理、套印不準的油墨痕跡、做舊的紙張表面。畫面中存在不尋常的視覺并置，在抽象與敘事之間保持優雅的張力，透出復古畫廊級海報的精致感。海報文字內容：

· 底部大標題："GPT Image 2.0"

· 頂部較小標題："Built on a deeper understanding of images"

· 底部小字腳注："Coming soon"

所有可見文字保留英文。采用劇場海報式構圖

主流漫畫風格已被模型廣泛習得，但相對小眾的視覺流派是否同樣能被準確復現？下題將“中世紀中期粉彩漫畫藝術”作為命題——這一風格以色調柔和、線條復古見長，并承載著上世紀中葉獨特的平面設計遺韻，意在觀察模型能否超越日式或美式漫畫的慣性表達，精準把握這一特定歷史風格的視覺內核與年代質感。從下圖可見，效果不錯。

提示詞：一頁中世紀中期粉彩漫畫藝術風格的漫畫書內頁。

數學證明的視覺轉譯始終是圖像模型的難題之一。本次測試以康托爾對角線證明為命題，要求模型以信息圖形式呈現這一經典的集合論論證。主要是想考察模型能否跳出具象場景的舒適區，將高度抽象的邏輯推演轉化為層級分明、易于理解的視覺敘事，在符號嚴謹性與設計表現力之間取得平衡。

提示詞：康托爾對角線證明法，信息圖。

提示詞：請基于上傳的 PDF 文件制作一幅橫版學術論文海報。請務必包含原文中的重要圖表、圖示及數據圖。

圖像模型的能力邊界是否止步于靜態提示詞的解析？本次測試將“思考模式”的聯網搜索功能納入命題——要求模型自主瀏覽 OpenAI 官方周邊商城，依據實時檢索到的商品信息，完成一張包含標題、副標題、圖注及產品排版的商業海報。此舉意在考察模型能否將外部信息獲取與視覺設計輸出無縫銜接，在真實世界的信息流中完成從“查找”到“呈現”的完整閉環。

提示詞： 請搜索 OpenAI 官方周邊商城網站上的商品，并制作一張專業海報，以精美的排版展示我們的周邊產品。海報標題應為“Thinking Mode Searches”。

標題下方附帶副標題：“With thinking mode, the model can automatically browse the internet and find relevant contents for reference.” 再往下，為下方的圖片添加一段說明文字：“Prompt: Make a poster about OpenAI merch available on the official website right now.” 畫幅比例：4:5 豎版。

圖像模型的感知能力是否僅停留在對象識別層面？下面一道測試要求模型基于單張肖像，完成一份以視覺對比為主導的個人色彩分析。其難點在于：模型需從人物膚色、發色等特征中提煉出適配的色彩范圍，并以圖表形式呈現冷暖調性的差異，而非訴諸文字論述。這既是對色彩邏輯推理的檢驗，也是對視覺傳達效率的考察——用圖像本身完成信息的精準傳遞。

提示詞：使用這張肖像，制作一份以圖表為主的個人色彩分析圖。通過視覺對比展示哪些服裝顏色適合該人物。文字盡量精簡，避免段落式描述。

小編實測：確實很強

以上都是 OpenAI 官方博客放出的測試示例，具體真實生成效果如何，小編也寫了一些提示詞對模型進行了測試。

首先試了一些簡短的提示詞，想看看模型在沒有給出很具體的提示詞時，生成效果如何。

提示詞：超寫實中式火鍋，紅油湯底翻滾，肥牛毛肚蝦滑整齊擺放，蒸汽氤氳，暖光俯拍，誘人食欲，高清質感

又測試了下谷歌 Gmail 往來郵件界面截圖，基本上很難看出是由 AI 生成的。

提示詞：生成我和朋友之間的谷歌 Gmail 郵件往來截圖。

提示詞：生成一位溫柔的東方女性，電影級質感。

提示詞：愛玩 3D 打印機的釣魚佬。

接下來小編用了一段較長篇幅的提示詞，考察長指令中多個物體的精確位置關系、數量描述、狀態細節（半滿、折角、刀刃朝向）、光影一致性以及密集小字渲染能力。

提示詞：生成一張寫實風格的廚房中島臺俯視照片。臺面上從左至右依次放置：一杯半滿的橙汁（玻璃杯，杯口有一片橙子）、一本攤開的精裝食譜（翻開在第 42 頁，頁面左上角有折角）、一副銀色金屬邊框老花鏡（左鏡腿壓在食譜上）、一把帶木柄的廚師刀（刀刃朝右，刀尖下墊著一片羅勒葉）、一個白色陶瓷小碟（內有三顆帶殼核桃，其中一顆裂開露出果仁）。所有物體的投影方向必須一致為右下方，光影來自左上方窗戶。畫面中所有文字（食譜內容、物品標簽等）必須清晰可讀。

通過 3:1 的極端寬幅要求測試模型對非標畫幅比的構圖適應能力，同時 2K 分辨率檢驗高保真細節輸出（如海玻璃的半透明質感、遠處帆船輪廓）。效果如下：

提示詞：生成一幅 3:1 超寬畫幅的寫實風景攝影作品。畫面左側三分之一是雨后的黑色沙灘，沙灘上散落著幾片半透明的海玻璃；右側三分之二是灰藍色的海面與天空，海天交界處有一艘孤零零的白色帆船，帆布微微鼓起。構圖上需要有一條從左下角海玻璃延伸至右側帆船的隱形勢力線。輸出分辨率為 2K。畫面中不要出現任何文字或人造建筑物。

為了考察模型單次提示下生成 8 張風格、角色高度統一且敘事連貫的圖像序列的能力，驗證模型對“批量直出”與跨圖角色一致性的控制力，小編給出了下面一段提示詞，生成效果如下：

提示詞：一次性生成 8 張圖像，排列在一張橫向長卷中。主角是一只穿著偵探風衣的橘色虎斑貓，它在 8 個連續場景中破案：1. 在雨夜巷口發現線索；2. 用放大鏡檢查腳��；3. 追蹤到一座老宅門前；4. 透過窗戶窺視屋內；5. 跳上窗臺潛入；6. 在書桌抽屜找到關鍵文件；7. 與一只戴領結的白貓對峙；8. 叼著文件走出大門，身后警燈閃爍。所有場景中橘貓的風衣、體型、面部花紋保持一致，畫面整體色調統一為復古偵探片風格。

除了測試了連續生成 8 張圖、長指令理解、2K 高清畫質能力外，小編還對模型的多語言能力進行了測試。在單一真實場景中同時渲染日、中、韓、泰四門非拉丁文字，并要求文字載體（黑板粉筆字、標簽插牌）與場景質感統一，檢驗多語言文字的拼寫正確性與設計融入度。生成效果如下：

提示詞：生成一張日本昭和風喫茶店內的場景照片。墻上掛著一塊黑板手寫菜單，菜單上用粉筆分別以日文、中文（繁體）、韓文、泰文書寫四種飲品名稱：“炭燒咖啡”、“焦糖布丁奶茶”、“蜂蜜柚子茶”、“泰式冰奶茶”，每種文字旁標注價格符號（￥、?、?、￥）。吧臺上放著對應的四杯飲品，飲品的標簽插牌上用對應的語言文字注明品名。所有文字必須拼寫規范、風格融入場景，無亂碼或錯字。

ChatGPT Image 2 的亮相，憑借更強的多模態生成、實時交互與端側輕量化能力，對行業格局形成明顯沖擊。模型在圖像保真、一致性編輯上直接對標谷歌 Banana，速度與細節控制上的表現與 Banana 難分伯仲。

而剛發布不久的 Claude Design 也遭遇正面挑戰，從對話式設計、原型快速生成到多格式導出，全方位正面硬剛。

OpenAI 新模型的出現，直接攪動 AI 設計與多模態賽道格局，谷歌和 Anthropic 更要加快腳步了！

https://openai.com/index/introducing-chatgpt-images-2-0/

https://www.inc.com/ben-sherry/openais-new-image-generation-model-could-be-your-next-creative-director/91334078

直播推薦

Q:Lab 龍蝦季 Vol.2「碼農場景篇」——當瑣碎小需求遇上 AI！ArkClaw / BoClaw / CoPaw 同步接單，實測誰能快速搭建自動化流程：從 GitHub 抓取、翻譯、生成中文專題頁到同步產品中心，一站式完成需求閉環。

4 月 23 日 19:00-20:30 直播實測，碼上預約~