距離OpenAI正式發(fā)布GPT-4o生圖功能（2025年3月25日），已經(jīng)過去兩周多了。這段時間里，“ChatGPT-4o顛覆了AI圖像生成的邏輯”這句話大家應(yīng)該都聽膩了。但說實(shí)話，因?yàn)閰^(qū)域限制、付費(fèi)制這些門檻，真正能上手用一用的朋友可能并不太多。

不過，在GPT-4o生圖功能上線后的第一周，見實(shí)就組織了一場深度體驗(yàn)分享直播。邀請到了銘文鼎成科技創(chuàng)始人陳一銘，他直接拿出了23個不同行業(yè)、不同場景的具體案例，分享了使用心得和優(yōu)化技巧。

從這些案例來看，GPT-4o生成的電商產(chǎn)品主圖已經(jīng)達(dá)到了商用品質(zhì)，基礎(chǔ)場景下基本不用再改了，但要是涉及到精細(xì)細(xì)節(jié)，那還是得人工調(diào)整一番。

具體來說，GPT-4o在以下幾個方向表現(xiàn)較好：產(chǎn)品方向，比如模特背景替換、指定元素替換；渲染方向，比如圖片上色、空間渲染、風(fēng)格化等。

但GPT-4o在以下方面表現(xiàn)一般：連續(xù)性的主體一致性、精細(xì)化輸出、場景細(xì)節(jié)識別等，這些方面還是有一些不完美的地方。

以下是對這場直播的回顧（第一人稱），如下，enjoy：

陳一銘，銘文鼎成科技創(chuàng)始人

先說說“ChatGPT-4o是怎么顛覆傳統(tǒng)AI圖像生成邏輯的？”

以前我們要是想用AI生圖，得先學(xué)各種AI工具，研究素材排版、結(jié)構(gòu)，設(shè)計工作流，還得反復(fù)調(diào)整節(jié)點(diǎn)參數(shù)。現(xiàn)在用GPT-4o，只需要用簡單的自然語言，把素材丟給它，告訴它你想要的效果，它就能直接生成。

繼續(xù)看看GPT-4o的基礎(chǔ)生圖能力。

我們準(zhǔn)備好一套兒童衣服，然后輸入自然語言：“讓一個10歲的小男孩，站在校園里，穿著這身衣服。”大概一分鐘左右，GPT-4o就能生成。

假設(shè)我們需要換一個模特，也不用重新提交復(fù)雜的生圖指令，依然可以用自然語言搞定。比如“換一個同齡的女生，重新穿上這身衣服”，它就能滿足需求。以前我們做電商服裝，成本較高，但現(xiàn)在用GPT-4o，成本大大降低了。

所以，GPT-4o主要兩個方面的能力：一是理解自然語言，二是可以進(jìn)行上下文結(jié)合理解。

現(xiàn)在有一套裝備，包括上裝、下裝、手表和帽子。我們用自然語言指定地域和膚色，結(jié)合四張圖完成穿搭。雖然GPT-4o生成了結(jié)果，但下身的短褲并沒有精準(zhǔn)識別，其他方面識別得還不錯。

我們再換一個長褲試試，用一位亞洲女模特，膚色有調(diào)整，結(jié)合四張圖完成穿搭。這次效果好一些，不過牛仔褲顏色稍微有差別。

我們繼續(xù)給出服裝，用自然語言讓GPT-4o生成一個匹配的模特，它就能直接生成。現(xiàn)在模特在辦公室場景，我們用自然語言把場景換成餐廳，它就能替換對應(yīng)的穿搭，不需要拆分圖片，只要把衣服丟給GPT-4o就行。

可能有人會問，在穿搭時部分服裝識別錯誤，該如何修改呢？

首先，你可以重新上傳這張圖并強(qiáng)調(diào)重點(diǎn)。比如剛才提到的褲子沒有識別出來，你可以精準(zhǔn)地告訴它，重新上傳這張褲子的圖片，并說明現(xiàn)在需要把褲子參照圖二進(jìn)行替換，可以試一下。基本上，GPT-4o能夠做出來的，一兩次就能成功。

如果它做不到，你反復(fù)嘗試十次、二十次，也是沒用的。GPT-4o并不是抽卡邏輯，它沒有我們之前做生圖時的那種“抽卡”概念。它能做一兩次就出來的，就能做；做不了的，再多試也沒用。

接下來我們來看看GPT-4o精細(xì)化處理方面的能力。

可以看到這里有個耳機(jī)，我們先用這個耳機(jī)生成一個歐美面孔的女生，運(yùn)動風(fēng)的模特，它直接就能生成。從這個案例可以看出，它對整體產(chǎn)品的識別相對還是可以的。

不過，它有一個問題。現(xiàn)在我們假設(shè)讓這張圖重新生成，你會發(fā)現(xiàn)一個小問題：耳機(jī)的細(xì)節(jié)丟失了，這說明它的主體一致性沒有保持好。

測試中我有嘗試讓它精準(zhǔn)修改，比如耳機(jī)兩側(cè)的金屬標(biāo)志需要修改，同時我們上傳一個圖片作為參考。但是，當(dāng)我們繼續(xù)修改后，基于一致性的修改依然不盡如人意。

所以這里出現(xiàn)了兩個問題：一是GPT-4o的連續(xù)生圖使得它的主體一致性保持不夠穩(wěn)定；二是它對非常精細(xì)化的調(diào)整，還沒有那么完善。

接下來看一個椅子的案例。我們先找到一個椅子，然后用自然語言告訴它，“把這把椅子放在一個溫馨的房間里，并突出椅子的質(zhì)感”。按照正常的邏輯，我們是需要專門去找場景，把場景放進(jìn)去拍攝的，但現(xiàn)在不需要了，直接用自然語言就可以搞定。

繼續(xù)，我們現(xiàn)在需要在椅子上“加模特”，讓他坐在這里，整體呈現(xiàn)出來。同樣，直接就出現(xiàn)了。

那么，能不能讓它生成在指定的場景里？大家可以看下圖的左下角，現(xiàn)在有一間房間的圖片，我們告訴它要把這把椅子放進(jìn)這個房間里。大家可以看一下下圖中最右側(cè)，整個效果就出來了。也就是說，GPT-4o對這種大輪廓的圖形、大輪廓的產(chǎn)品，支持程度都非常好，基本上一次性成功率都很高。

我們再看下一個案例，是一個衣柜的三視圖，基本全部由線條構(gòu)成。現(xiàn)在我們告訴GPT-4o，“根據(jù)圖片中的柜子三視圖，生成一個柜子，材質(zhì)為胡桃木”。中間這個圖是GPT-4o基于左側(cè)三視圖生成的，大家可以詳細(xì)對比一下它的結(jié)構(gòu)，參照左側(cè)的三視圖。一眼就能看出，基本沒有什么誤差。

現(xiàn)在假設(shè)這個實(shí)物圖比較單調(diào)，我們再來試試，告訴GPT-4o“把柜子放在一個書房，上面有書和插花”。基本上也沒有什么誤差。

假設(shè)你是做家居或者類似邏輯的工作，這套工作流是可以直接復(fù)用的。

那反向操作可不可以？假設(shè)我們現(xiàn)在有一把椅子，告訴GPT-4o“參考圖片中的風(fēng)格，生成太師椅的三視圖”，它也是可以直接出來的。所以說，現(xiàn)在假設(shè)你在做一些家居方向的產(chǎn)品，用GPT-4o的話，基本上對工作的提效程度是很高的。

接下來我們嘗試用GPT-4o做局部重繪。

正常情況下，我們用其他生圖模型做局部重繪時，需要做標(biāo)記。但現(xiàn)在我們用自然語言讓GPT-4o做局部重繪基本上用自然語言全部可以搞定。

我們上傳兩張圖，第一張是騎著白色摩托車的，第二張是綠色摩托車。我們用自然語言告訴GPT-4o：“把圖一騎的車換成圖二的摩托車”。我們可以看到生成的結(jié)果，比如耐克的鞋子得到了保留，車的花紋（黑色花紋）也得到了保留，車子最下方的英文“Kawasaki”也得到了保留。

現(xiàn)在我們聚焦到電商領(lǐng)域。

假設(shè)我們有一條項(xiàng)鏈，是金黃色，上面還有一個“小閃電”的吊墜。這個圖很模糊，并不是高清圖。我現(xiàn)在用自然語言說：“為這條項(xiàng)鏈生成一個拍攝場景，場景風(fēng)格與項(xiàng)鏈契合，近距離特寫。”大家可以看效果，整個背景全部按照我們的要求生成了金黃色，搭配了沙粒感的質(zhì)感。假設(shè)我們用它來做電商圖，這種圖基本上是可以直接使用的。

假設(shè)我們再做一個有趣的小動作。現(xiàn)在我說：“把項(xiàng)鏈形狀換成愛心”，可以看到，它依然可以按照我們的邏輯去做對。GPT-4o的生成邏輯并不是很僵硬地按照指令生成，而是先理解再生成。它明白我們的自然語言想目的，所以它進(jìn)行了準(zhǔn)確的更換，而不是把其他地方換成那種小愛心的圓環(huán)。

可見，在電商方向，GPT-4o的支持程度已經(jīng)很高，效率和邏輯都超過了傳統(tǒng)AI生圖工作流。

我們再看一個護(hù)膚品實(shí)拍產(chǎn)品的案例。我們說：“把這個化妝品，放在一個場景中，實(shí)拍特寫，環(huán)境需要符合產(chǎn)品的質(zhì)感。”出來的效果背景是黑色的，和玻璃的磨砂感完美結(jié)合在一起。

假設(shè)我們還需要讓它生成一個更好的圖片，說：“把這個化妝品放在一堆黑曜石中拍攝，近距離特寫，黑曜石在海水之中。”我們可以看到，GPT-4o的支持度已經(jīng)非常高了。

剛才我們主要看了GPT-4o在圖像生成方面的表現(xiàn)，接下來咱們換個角度，看看它的渲染能力到底如何。

先從調(diào)色能力說起。我們手頭有一張寫真的照片，里面的模特也是AI生成的。這張照片的光線感有點(diǎn)平淡，不夠生動。于是，我們對GPT-4o說：“調(diào)整光線，讓陽光灑在臉上，再讓一只蝴蝶落在肩膀上。”結(jié)果GPT-4o真的按照我們的要求，把光線調(diào)整成了陽光打在臉上的效果，畫面一下子就有了生機(jī)。不過，它也有個讓人頭疼的問題——模特的面孔變了。我們用同一個主體做了兩次調(diào)整，每次面孔都不一樣，一致性保持得不太好。

再來看看GPT-4o的上色能力。給一張黑白圖片上色，這事兒其實(shí)挺簡單的，很多模型都能做到。不過，GPT-4o的表現(xiàn)還是值得一看。

我還嘗試了一個挺有意思的項(xiàng)目——老照片修復(fù)。

我們給GPT-4o下指令：“修復(fù)這張老照片，讓它變得更清晰，并還原它的顏色，為它增加顏色。”修復(fù)后的效果讓人眼前一亮。GPT-4o不僅能識別照片當(dāng)時的衣服風(fēng)格、顏色和質(zhì)感，還能還原出符合那個時代的風(fēng)格。它不會給你那種大紅大綠大紫的鮮艷效果，而是恰到好處地還原了老照片的韻味。這可真是大模型生圖能力的一大優(yōu)勢，和其他模型比起來，高下立見。

接下來我們繼續(xù)看一些比較輕松的案例。

現(xiàn)在很多人都喜歡把自己的頭像換成各種風(fēng)格，比如奧特曼風(fēng)格。GPT-4o在這方面可是一把好手，能一鍵生成各種風(fēng)格的頭像，涂鴉風(fēng)格、朋克風(fēng)格、像素風(fēng)格……基本上都能輕松搞定。

再來看看一些具體的商業(yè)場景。

我有個朋友做全屋定制家裝，他問我能不能用GPT-4o對毛坯房的照片進(jìn)行改變。結(jié)果還真可以！GPT-4o有一定的空間識別感知能力，我們說“對這間屋子進(jìn)行裝修，我需要一個魚缸”，它就能把魚缸放在客廳中間，而不是像傳統(tǒng)邏輯那樣，把魚缸莫名其妙地放在某個角落。

再看一個更精準(zhǔn)的。我們有一個已經(jīng)渲染好的圖，想做一個精準(zhǔn)調(diào)控。比如，“屋頂上需要增加吊扇，然后樓梯上墻面，紅框位置需要掛一幅油畫（梵高的向日葵）”。結(jié)果大家可以看到，GPT-4o生成的效果完全按照我們的需求來。

做全屋定制或者其他專業(yè)項(xiàng)目的時候，完全可以借鑒GPT-4o的能力，它能幫你省下不少時間和精力。

再比如做表情包。下圖左邊是我們公司的卡通IP形象，我們想讓它模仿哪吒的表情做一批表情包。以前這得請專業(yè)設(shè)計師來定制，費(fèi)時又費(fèi)力。現(xiàn)在用GPT-4o，基本可以一鍵搞定。右側(cè)生成的表情包和中間的原圖效果幾乎一致。

對于創(chuàng)業(yè)者來說，GPT-4o更是個好幫手。比如我們有一個logo，想對它進(jìn)行優(yōu)化。我們可以做一個對比，比如把文字前面的圖標(biāo)修改成3D風(fēng)格，把主色調(diào)換成橙色。要是我們不想按照指定的顏色調(diào)整，還可以給GPT-4o一個色卡，讓它根據(jù)色卡進(jìn)行調(diào)控，它也能輕松做到。

不過，GPT-4o也不是萬能的。

我們再看看漫畫生成。現(xiàn)在這種需求很常見。不過，GPT-4o在邏輯性方面表現(xiàn)得并不像大家想象的那么強(qiáng)。雖然它在視覺層面表現(xiàn)不錯，但一旦涉及邏輯性，可能就不夠準(zhǔn)確了。

我們還嘗試用GPT-4o做小紅書封面。我們可以做一些簡單的圖，但會發(fā)現(xiàn)它的字體都是比較簡單的。現(xiàn)階段一旦涉及復(fù)雜字體，就會出現(xiàn)問題。

我想分享一個自己的感受。GPT-4o的生成邏輯并不是簡單地調(diào)用圖像模型，而是先理解再生成。這意味著它生成的圖并不是原圖。

我之前看到一個短視頻，說GPT-4o可以用于手術(shù)輔助畫線之類的功能，我覺得這有點(diǎn)夸張。雖然不能完全否定，但大家在看到這類內(nèi)容時還是要理性一些。

GPT-4o主要理解三個方向：一是主體識別，比如原來是汽車，現(xiàn)在還是汽車；原來是飛機(jī)，現(xiàn)在還是飛機(jī)；原來是寵物，現(xiàn)在還是寵物。二是相對位置，比如原來主體在中間，新圖片中它依然在中間。三是大致的顏色和環(huán)境，新圖會遵循這些邏輯。

我們還做了一個實(shí)驗(yàn)，把官網(wǎng)的圖片放到電腦樣機(jī)里，按照PS的邏輯，這是一個非常簡單的操作，但GPT-4o卻無法完成。這說明GPT-4o的生成邏輯是先理解再生成，而不是簡單地貼圖合成。

我們嘗試把圖片換成更簡單的，結(jié)果發(fā)現(xiàn)支持度反而提高了。這說明GPT-4o在處理復(fù)雜、精細(xì)或涉及大量中文內(nèi)容時，會顯得有些吃力。

我們再做一個很細(xì)致的案例，可以完美地佐證這個觀點(diǎn)。

這里有一個停車場，停車場里大概有三種顏色的車——黑色、紅色和白色。最下面一排，前面是黑色的。現(xiàn)在我提個要求，“將圖片中的紅色汽車，用綠色框標(biāo)記出來，并顯示位置”。

我們可以看到，生成的圖片看起來確實(shí)像那么回事，有了綠色標(biāo)記，但新圖片已經(jīng)完全不一樣了。這說明GPT-4o的生圖并不是原圖，而是完全重新合成的新圖。

所以，有時候我們看到一些結(jié)論，比如GPT-4o可以在圖上畫線、做標(biāo)記、識別各種目標(biāo)，因?yàn)樯傻膱D片已經(jīng)不是原圖了，大家還是要理性對待這類結(jié)論。

最后給大家分享一個比較有趣的測試。

我們知道GPT-4o是有頻率限制的，連續(xù)測試后，它會提示你“三分鐘后”“五分鐘后”“十分鐘后再重新測試”。有一次我測試時，它提示我18分鐘后才能生成新的圖像。我告訴它，我已經(jīng)等了60分鐘（雖然我實(shí)際只等了幾分鐘）。結(jié)果它就幫我生成了。這可能只是我實(shí)驗(yàn)中的一個有趣發(fā)現(xiàn)，不知道是否具有普遍性。

我猜測，因?yàn)樗且粋€大模型，本身具有推理和邏輯能力，所以我誤導(dǎo)它說我等了60分鐘，讓它判定等待操作已經(jīng)完成。這是我實(shí)際測試的截圖，它原本讓我等18分鐘，但我告訴它我已經(jīng)等了60分鐘（實(shí)際并沒有），它就開始幫我生成了。

最最后，見實(shí)需要提醒的是，以上測試僅截止到分享日。就在此刻GPT-4o的中文能力已經(jīng)相對發(fā)布時有了明顯的提升，AI的能力時刻在快速進(jìn)步，作為AI從業(yè)者需要時刻關(guān)注新變化，適應(yīng)新能力。（本次測試中用到的所有圖片，都僅供測試學(xué)習(xí)使用，請勿商用。）

就如陳一銘在見實(shí)會員群里所感嘆的：“以前早上一睜眼，可以想哪些事可以領(lǐng)先去做。現(xiàn)在早上一睜眼，先看有沒有更新，看看自己有沒有落后。”?

來源 | 見實(shí)（ID：jianshishijie）

作者 | 見實(shí) ; 編輯 | 呼呼大睡

內(nèi)容僅代表作者獨(dú)立觀點(diǎn)，不代表早讀課立場