25. März 2025

Jetzt neu: 4o-Bildgenerierung

Nützliche und wertvolle Bildgenerierung mit einem nativ multimodalen Modell, das präzise, genaue und fotorealistische Ergebnisse liefert.

In ChatGPT ausprobieren

Laden …

Bei OpenAI sind wir schon lange der Meinung, dass die Bildgenerierung eines der Hauptfeatures unserer Sprachmodelle sein sollte. Aus diesem Grund haben wir unsere bisher fortschrittlichste Bildgenerierung in GPT‑4o eingebaut. Das Ergebnis ist nicht nur ästhetisch anspruchsvoll, sondern auch nützlich.

A wide image taken with a phone of a glass whiteboard, in a room overlooking the Bay Bridge. The field of view shows a woman writing, sporting a tshirt wiith a large OpenAI logo. The handwriting looks natural and a bit messy, and we see the photographer's reflection.

The text reads:

(left)
"Transfer between Modalities:

Suppose we directly model
p(text, pixels, sound) [equation]
with one big autoregressive transformer.

Pros:
* image generation augmented with vast world knowledge
* next-level text rendering
* native in-context learning
* unified post-training stack

Cons:
* varying bit-rate across modalities
* compute not adaptive"

(Right)
"Fixes:
* model compressed representations
* compose autoregressive prior with a powerful decoder"

On the bottom right of the board, she draws a diagram:
"tokens -> [transformer] -> [diffusion] -> pixels"

^{Best of 8}

selfie view of the photographer, as she turns around to high five him

^{Best of 8}

Nützliche Bildgenerierung

Von den ersten Höhlenmalereien bis zu modernen Infografiken haben Menschen visuelle Darstellungen nicht nur zur Dekoration genutzt, sondern auch um zu kommunizieren, zu überzeugen und zu analysieren. Die heutigen generativen Modelle können surreale, atemberaubende Szenen erschaffen, stoßen jedoch auf Schwierigkeiten, wenn es um zweckdienliche Grafiken geht, mit denen Informationen geteilt und erschaffen werden. Von Logos bis zu Diagrammen können Bilder eine präzise Bedeutung vermitteln, wenn sie mit Symbolen der gemeinsamen Sprache und Erfahrungen ergänzt werden.

Die genaue Darstellung von Texten, das präzise Befolgen von Prompts und die Nutzung des gesamten Wissens und des Chat-Kontexts sind auszeichnende Merkmale der Bildgenerierung mit GPT‑4o. Ebenso können hochgeladene Bilder umgewandelt oder als visuelle Inspiration verwendet werden. Mit diesen Funktionen wird es leichter, genau das Bild in deiner Vorstellung zu erschaffen, um mit visuellen Inhalten effektiver zu kommunizieren. Die Bildgenerierung ist somit ein praktisches, präzises und mächtiges Werkzeug.

Verbesserte Fähigkeiten

Wir haben unsere Modelle an der gemeinsamen Platzierung von Bildern und Texten im Web trainiert, sodass sie nicht nur die Beziehung zwischen Bild und Sprache lernen, sondern auch die Beziehung zwischen den Bildern untereinander. Kombiniert mit aggressivem Nachtraining zeigt das resultierende Modell eine überraschende visuelle Kompetenz und ist in der Lage, Bilder zu generieren, die nützlich, konsistent und kontextorientiert sind.

Textdarstellung

Ein Bild sagt mehr als tausend Worte, aber manchmal ist es noch besser, einige Worte an der richtigen Stelle zu generieren. 4o vermischt präzise Symbole mit Bildern und Grafiken, womit die Bildgenerierung zu einem Werkzeug für visuelle Kommunikation wird.

Create a photorealistic image of two witches in their 20s (one ash balayage, one with long wavy auburn hair) reading a street sign.

Context:
a city street in a random street in Williamsburg, NY with a pole covered entirely by numerous detailed street signs (e.g., street sweeping hours, parking permits required, vehicle classifications, towing rules), including few ridiculous signs at the middle: (paraphrase it to make these legitimate street signs)"Broom Parking for Witches Not Permitted in Zone C" and "Magic Carpet Loading and Unloading Only (15-Minute Limit)" and "Reindeer Parking by Permit Only (Dec 24–25)
Violators will be placed on Naughty List." The signpost is on the right of a street. Do not repeat signs. Signs must be realistic.

Characters:
one witch is holding a broom and the other has a rolled-up magic carpet. They are in the foreground, back slightly turned towards the camera and head slightly tilted as they scrutinize the signs.

Composition from background to foreground:
streets + parked cars + buildings -> street sign -> witches. Characters must be closest to the camera taking the shot

^{Best of ~8}

Mehrzügige Generierung

Da die Bildgenerierung jetzt nativ in GPT‑4o integriert ist, können Bilder in natürlichen Gesprächen verbessert werden. GPT‑4o kann Bilder und Text im Chat-Kontext als Basis verwenden, um durchgehend für Konsistenz zu sorgen. Zum Beispiel bleibt das Erscheinungsbild eines Videospielcharakters über mehrere Iterationen mit Optimierungen und Experimenten hinweg stimmig.

Give this cat a detective hat and a monocle

^{Best of 1}

turn this into a triple A video games made with a 4k game engine and add some User interface as overlay from a mystery RPG where we can see a health bar and a minimap at the top as well as spells at the bottom with consistent and iconography

^{Best of 1}

update to a landscape image 16:9 ratio, add more spells in the UI, and unzoom the visual so that we see the cat in a third person view walking through a steampunk manhattan creating beautiful contrast and lighting like in the best triple A game, with cool-toned colors

^{Best of 2}

create the interface when the player opens the menu and we see the cat's character profile with his equipment and another page showing active quests (and it should make sense in relationship with the universe worldbuilding we are describing in the image)

^{Best of 8}

credit creator: Manuel Sainsily

Befolgen von Anweisungen

Die Bildgenerierung von GPT‑4o folgt detaillierten Prompts mit besonderer Aufmerksamkeit für Details. Während andere Systeme ab etwa 5–8 Objekten zu kämpfen haben, kann GPT‑4o bis zu 10–20 verschiedene Objekte verarbeiten. Die engere Bindung von Objekten an ihre Merkmale und Beziehungen ermöglicht eine bessere Kontrolle.

A square image containing a 4 row by 4 column grid containing 16 objects on a white background. Go from left to right, top to bottom. Here's the list:
1. a blue star
2. red triangle
3. green square
4. pink circle
5. orange hourglass
6. purple infinity sign
7. black and white polka dot bowtie
8. tiedye "42"
9. an orange cat wearing a black baseball cap
10. a map with a treasure chest
11. a pair of googly eyes
12. a thumbs up emoji
13. a pair of scissors
14. a blue and white giraffe
15. the word "OpenAI" written in cursive
16. a rainbow-colored lightning bolt

^{Best of 5}

Lernen im Kontext

GPT‑4o kann von Benutzern hochgeladene Bilder analysieren und aus ihnen lernen – Details werden nahtlos in den Kontext integriert, um die Bildgenerierung zu unterstützen.

draw a design for a vehicle with triangular wheels, using these images as reference.
label the front wheel, the back wheel, and at the of the diagram say (in small caps)
TRIANGLE WHEELED VEHICLE. English Patent. 2025. OPENAI.

^{Best of ~16}

now put this in a photo taken in new york city.

^{Best of ~16}

Umfassendes Weltwissen

Die native Bildgenerierung ermöglicht es 4o, sein Wissen zu Texten und Bildern zu verbinden, was zu einem Modell führt, das intelligenter und effizienter erscheint.

Code Example (Three.js)

HTML

1<!DOCTYPE html>
2<html lang="en">
3  <head>
4    <meta charset="UTF-8" />
5    <title>OpenAI Banner</title>
6    <style>
7      body { margin: 0; overflow: hidden; }
8      canvas { display: block; }
9    </style>
10  </head>
11  <body>
12    <script type="module">
13      import * as THREE from 'https://cdn.jsdelivr.net/npm/three@0.160.0/build/three.module.js';
14      import { OrbitControls } from 'https://cdn.jsdelivr.net/npm/three@0.160.0/examples/jsm/controls/OrbitControls.js';
15      import { FontLoader } from 'https://cdn.jsdelivr.net/npm/three@0.160.0/examples/jsm/loaders/FontLoader.js';
16      import { TextGeometry } from 'https://cdn.jsdelivr.net/npm/three@0.160.0/examples/jsm/geometries/TextGeometry.js';
17
18      const scene = new THREE.Scene();
19      const camera = new THREE.PerspectiveCamera(45, window.innerWidth / window.innerHeight, 0.1, 1000);
20      const renderer = new THREE.WebGLRenderer({ antialias: true });
21      renderer.setSize(window.innerWidth, window.innerHeight);
22      document.body.appendChild(renderer.domElement);
23
24      // Lighting
25      const light = new THREE.AmbientLight(0xffffff, 1);
26      scene.add(light);
27
28      const dirLight = new THREE.DirectionalLight(0xffffff, 1);
29      dirLight.position.set(0, 5, 10);
30      scene.add(dirLight);
31
32      // Camera position
33      camera.position.z = 20;
34
35      // Controls
36      const controls = new OrbitControls(camera, renderer.domElement);
37
38      // Banner background
39      const bannerGeometry = new THREE.PlaneGeometry(20, 10);
40      const bannerMaterial = new THREE.MeshStandardMaterial({ color: 0x1a1a1a });
41      const banner = new THREE.Mesh(bannerGeometry, bannerMaterial);
42      scene.add(banner);
43
44      // OpenAI Logo texture (placeholder)
45      const loader = new THREE.TextureLoader();
46      loader.load('https://upload.wikimedia.org/wikipedia/commons/4/4d/OpenAI_Logo.svg', texture => {
47        const logoGeometry = new THREE.PlaneGeometry(4, 4);
48        const logoMaterial = new THREE.MeshBasicMaterial({ map: texture, transparent: true });
49        const logo = new THREE.Mesh(logoGeometry, logoMaterial);
50        logo.position.set(-5, 0, 0.1); // Slightly in front of the banner
51        scene.add(logo);
52      });
53
54      // Load font and add text
55      const fontLoader = new FontLoader();
56      fontLoader.load('https://threejs.org/examples/fonts/helvetiker_regular.typeface.json', font => {
57        const textGeometry = new TextGeometry("I am 4-o", {
58          font: font,
59          size: 1,
60          height: 0.2,
61          curveSegments: 12,
62          bevelEnabled: true,
63          bevelThickness: 0.02,
64          bevelSize: 0.02,
65          bevelOffset: 0,
66          bevelSegments: 5
67        });
68
69        textGeometry.center();
70
71        const textMaterial = new THREE.MeshStandardMaterial({ color: 0x00ffcc });
72        const textMesh = new THREE.Mesh(textGeometry, textMaterial);
73        textMesh.position.set(5, -0.5, 0.1); // Opposite side of logo
74        scene.add(textMesh);
75      });
76
77      // Resize handler
78      window.addEventListener('resize', () => {
79        camera.aspect = window.innerWidth / window.innerHeight;
80        camera.updateProjectionMatrix();
81        renderer.setSize(window.innerWidth, window.innerHeight);
82      });
83
84      // Render loop
85      function animate() {
86        requestAnimationFrame(animate);
87        controls.update();
88        renderer.render(scene, camera);
89      }
90
91      animate();
92    </script>
93  </body>
94</html>

make an image of what this means to you

Photorealismus und Stil

Dank des Trainings mit Bildmaterial, das eine große Vielfalt an visuellen Stilen widerspiegelt, kann das Modell Bilder mit überzeugenden Resultaten erstellen oder transformieren.

A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.
A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.
A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.

A cat looking into a puddle of water on a street, but its reflection is that of a tiger, and both reflections are realistically distorted by ripples in the water — A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.
A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.
A candid paparazzi-style photo of Karl Marx hurriedly walking through the parking lot of the Mall of America, glancing over his shoulder with a startled expression as he tries to avoid being photographed. He’s clutching multiple glossy shopping bags filled with luxury goods. His coat flutters behind him in the wind, and one of the bags is swinging as if he’s mid-stride. Blurred background with cars and a glowing mall entrance to emphasize motion. Flash glare from the camera partially overexposes the image, giving it a chaotic, tabloid feel.

Einschränkungen

Unser Modell ist nicht perfekt. Wir sind uns momentan mehrerer Einschränkungen bewusst, die wir nach dem Start durch Verbesserungen des Modells beheben werden.

Wir haben bemerkt, dass GPT‑4o manchmal längere Bilder, wie Poster, zu stark zuschneidet, besonders am unteren Rand.

Sicherheit

Im Einklang mit unserer Modellspezifikation wollen wir die kreative Freiheit maximieren, indem wir nützliche Anwendungsfälle wie Spieleentwicklung, historische Erkundung und Bildung unterstützen, während wir gleichzeitig hohe Sicherheitsstandards einhalten. Ebenfalls ist es nach wie vor von größter Bedeutung, Anfragen zu blockieren, die gegen diese Standards verstoßen. Nachfolgend sind Bewertungen zusätzlicher Risikobereiche aufgeführt, in denen wir daran arbeiten, sichere, hochgradig nützliche Inhalte zu aktivieren und den Benutzern zu ermöglichen, sich umfassender kreativ ausdrücken zu können.

Herkunftsnachweise mit C2PA und interne reversible Suche
Alle generierten Bilder enthalten C2PA-Metadaten, mit denen GPT‑4o als Herkunft gekennzeichnet wird, um Transparenz zu gewährleisten. Wir haben auch ein internes Suchwerkzeug entwickelt, das technische Merkmale von Generierungen nutzt, um zu verifizieren, ob Inhalte von unserem Modell stammen.

Blockierung von schädlichen Inhalten
Wir blockieren weiterhin Anfragen für generierte Bilder, die möglicherweise gegen unsere Inhaltsrichtlinien verstoßen, wie z. B. Inhalte zum sexuellen Missbrauch von Kindern und sexuelle Deepfakes. Wenn Bilder von echten Menschen im Kontext stehen, haben wir strengere Einschränkungen bezüglich der Art von Bildern, die erstellt werden können, mit besonders robusten Schutzmaßnahmen für Nacktheit und grafische Gewalt. Wie bei jeder Produktveröffentlichung ist der Sicherheitsaspekt nie ein abgeschlossenes Thema, sondern vielmehr ein Bereich, in den fortlaufend investiert wird. Während wir mehr über die tatsächliche Nutzung dieses Modells erfahren, werden wir unsere Richtlinien entsprechend anpassen.

Weitere Informationen über unseren Ansatz gibt es im Nachtrag zur GPT‑4o-Systemkarte⁠ zur Bildgenerierung.

Reasoning zur Förderung der Sicherheit nutzen
Ähnlich wie bei unserer Arbeit an deliberativem Alignment⁠ haben wir ein Reasoning-LLM trainiert, das direkt mit von Menschen verfassten und nachvollziehbaren Sicherheitsvorgaben arbeitet. Wir haben dieses Reasoning-LLM während der Entwicklung verwendet, um uns bei der Identifizierung und Behebung von Unklarheiten in unseren Richtlinien zu unterstützen. Zusammen mit unseren multimodalen Fortschritten und den bestehenden Sicherheitstechniken, die für ChatGPT und Sora entwickelt wurden, können wir sowohl Eingabetext als auch Ausgabebilder gemäß unseren Richtlinien moderieren⁠.

Zugang und Verfügbarkeit

4o image generation rolls out starting today to Plus, Pro, Team, and Free users as the default image generator in ChatGPT, with access coming soon to Enterprise and Edu. It’s also available to use in Sora. For those who hold a special place in their hearts for DALL·E, it can still be accessed through a dedicated DALL·E GPT.

Developers will soon be able to generate images with GPT‑4o via the API, with access rolling out in the next few weeks.

Creating and customizing images is as simple as chatting using GPT‑4o - just describe what you need, including any specifics like aspect ratio, exact colors using hex codes, or a transparent background. Because this model creates more detailed pictures, images take longer to render, often up to one minute.

credit creator: [Alex Duffy](https://every.to/@AlxAi)
credit creator: [Alex Duffy](https://every.to/@AlxAi)
credit creator: [Alex Duffy](https://every.to/@AlxAi)

credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#) — credit creator: [Alex Duffy](https://every.to/@AlxAi)
credit creator: [Alex Duffy](https://every.to/@AlxAi)
credit creator: [Alex Duffy](https://every.to/@AlxAi)

Livestream-Wiedergabe

Autor

OpenAI

Führung

Gabriel Goh: Image Generation

Jackie Shannon: ChatGPT Product

Mengchao Zhong, Wayne Chang: ChatGPT Engineering

Rohan Sahai: Sora Product and Engineering

Brendan Quinn, Tomer Kaftan: Inference

Prafulla Dhariwal: Multimodal Organization

Forschung

Foundational Research

Allan Jabri, David Medina, Gabriel Goh, Kenji Hata, Lu Liu, Prafulla Dhariwal

Core Research

Aditya Ramesh, Alex Nichol, Casey Chu, Cheng Lu, Dian Ang Yap, Heewoo Jun, James Betker, Jianfeng Wang, Long Ouyang, Li Jing, Wesam Manassra

Research Contributors

Aiden Low, Brandon McKinzie, Charlie Nash, Huiwen Chang, Ishaan Gulrajani, Jamie Kiros, Ji Lin, Kshitij Gupta, Yang Song

Model Behavior

Laurentia Romaniuk

Multimodal Organization

Andrew Gibiansky, Yang Lu

Daten

Data Leads

Gildas Chabot, James Park Lennon

Data

Arshi Bhatnagar, Dragos Oprica, Rohan Kshirsagar, Spencer Papay, Szi-chieh Yu, Wesam Manassra, Yilei Qian

Moderators

Hazel Byrne, Jennifer Luckenbill, Mariano López

Human Data Advisors

Long Ouyang

Skalierung

Inference Leads

Brendan Quinn, Tomer Kaftan

Inference

Alyssa Huang, Jacob Menick, Nick Stathas, Ruslan Vasilev, Stanley Hsieh

Applied

ChatGPT Product Lead

Jackie Shannon

ChatGPT Engineering Leads

Mengchao Zhong, Wayne Chang

Product Design Lead

Matt Chan

Data Science

Xiaolin Hao

ChatGPT

Andrew Sima, Annie Cheng, Benjamin Goh, Boyang Niu, Dian Ang Yap, Duc Tran, Edede Oiwoh, Eric Zhang, Ethan Chang, Jeffrey Dunham, Jay Chen, Kan Wu, Karen Li, Kelly Stirman, Mengyuan Xu, Michelle Qin, Ola Okelola, Pedro Aguilar, Rocky Smith, Rohit Ramchandani, Sara Culver, Sean Fitzgerald, Vlad Fomenko, Wanning Jiang, Wesam Manassra, Xiaolin Hao, Yilei Qian

Sora

Sora Product Leads

Rohan Sahai, Wesam Manassra

Sora Product and Engineering

Boyang Niu, David Schnurr, Gilman Tolle, Joe Taylor, Joey Flynn, Mike Starr, Rajeev Nayak, Rohan Sahai, Wesam Manassra

Sicherheit

Safety Lead

Somay Jain

Sicherheit

Alex Beutel, Andrea Vallone, Botao Hao, Brendan Quinn, Cameron Raymond, Chong Zhang, David Robinson, Eric Wallace, Filippo Raso, Huiwen Chang, Ian Kivlichan, Irina Kofman, Keren Gu-Lemberg, Kristen Ying, Madelaine Boyd, Meghan Shah, Michael Lampe, Owen Campbell-Moore, Rohan Sahai, Rodrigo Riaza Perez, Sam Toizer, Sandhini Agarwal, Troy Peterson

Strategy

Adam Cohen, Adam Wells, Ally Bennett, Ashley Pantuliano, Carolina Paz, Claudia Fischer, Declan Grabb, Gaby Sacramone-Lutz, Lauren Jonas, Ryan Beiermeister, Shiao Lee, Tom Stasi, Tyce Walters, Ziad Reslan, Zoe Stoll

Marketing & Kommunikation

Comms and Marketing Leads

Minnia Feng, Natalie Summers, Taya Christianson

Comms

Alex Baker-Whitcomb, Ashley Tyra, Bailey Richardson, Gaby Raila, Marselus Cayton, Scott Ethersmith, Souki Mansoor

Design und Kreativarbeit

Leads

Kendra Rimbach, Veit Moeller

Design

Adam Brandon, Adam Koppel, Angela Baek, Cary Hudson, Dana Palmie, Freddie Sulit, Jeffrey Sabin Matsumoto, Leyan Lo, Matt Nichols, Thomas Degry, Vanessa Antonia Schefke, Yara Khakbaz

Besonderer Dank

Aditya Ramesh, Aidan Clark, Alex Beutel, Ben Newhouse, Ben Rossen, Che Chang, Greg Brockman, Hannah Wong, Ishaan Singal, Jason Kwon, Jiacheng Feng, Jiahui Yu, Joanne Jang, Johannes Heidecke, Kevin Weil, Mark Chen, Mia Glaese, Nick Turley, Raul Puri, Reiichiro Nakano, Rui Shu, Sam Altman, Shuchao Bi, Vinnie Monaco

Jetzt neu: 4o-Bildgenerierung

Nützliche Bildgenerierung

Verbesserte Fähigkeiten

Textdarstellung

Mehrzügige Generierung

Befolgen von Anweisungen

Lernen im Kontext

Umfassendes Weltwissen

HTML

Photorealismus und Stil

Einschränkungen

Sicherheit

Zugang und Verfügbarkeit

Livestream-Wiedergabe

Autor

Führung

Forschung

Daten

Skalierung

Applied

Sora

Sicherheit

Strategy

Marketing &amp; Kommunikation

Design und Kreativarbeit

Besonderer Dank

Marketing & Kommunikation