25 ਮਾਰਚ 2025

4o ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਦੀ ਪੇਸ਼ਕਸ਼

ਇੱਕ ਨੇਟਿਵਲੀ ਮਲਟੀਮੋਡਲ ਮਾਡਲ ਨਾਲ ਲਾਭਕਾਰੀ ਅਤੇ ਕੀਮਤੀ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਨੂੰ ਖੋਲ੍ਹਣਾ, ਜੋ ਸ਼ੁੱਧ, ਸਹੀ ਅਤੇ ਫੋਟੋਰੀਅਲਿਸਟਿਕ ਆਉਟਪੁੱਟ ਦੇ ਸਕਦਾ ਹੈ.

ChatGPT ਵਿੱਚ ਅਜ਼ਮਾਓ

ਲੋਡ ਹੋ ਰਿਹਾ ਹੈ…

OpenAI ਵਿੱਚ, ਅਸੀਂ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਮੰਨਦੇ ਆਏ ਹਾਂ ਕਿ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਸਾਡੇ language models ਦੀ ਇੱਕ ਮੁੱਖ ਸਮਰੱਥਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ. ਇਸੇ ਲਈ ਅਸੀਂ ਆਪਣਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਅਗੇਤਰੀ ਇਮੇਜ ਜਨਰੇਟਰ GPT‑4o ਵਿੱਚ ਬਣਾਇਆ ਹੈ. ਨਤੀਜਾ—ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਜੋ ਸਿਰਫ਼ ਸੁੰਦਰ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਲਾਭਕਾਰੀ ਵੀ ਹੈ.

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}

ਲਾਭਕਾਰੀ ਇਮੇਜ ਜਨਰੇਸ਼ਨ

ਪਹਿਲੀਆਂ ਗੁਫ਼ਾ ਚਿੱਤਰਕਲਾਵਾਂ ਤੋਂ ਲੈ ਕੇ ਆਧੁਨਿਕ ਇਨਫੋਗ੍ਰਾਫਿਕਸ ਤੱਕ, ਮਨੁੱਖਾਂ ਨੇ ਦ੍ਰਿਸ਼ ਇਮੇਜਰੀ ਦਾ ਵਰਤੋਂ ਸੰਚਾਰ, ਮਨਾਉਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕੀਤਾ ਹੈ, ਸਿਰਫ਼ ਸਜਾਵਟ ਲਈ ਨਹੀਂ. ਅੱਜ ਦੇ ਜਨਰੇਟਿਵ ਮਾਡਲਜ਼ ਅਲੌਕਿਕ, ਸਾਹ ਰੋਕ ਦੇਣ ਵਾਲੇ ਦ੍ਰਿਸ਼ ਰਚ ਸਕਦੇ ਹਨ, ਪਰ ਲੋਕਾਂ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕਰਨ ਅਤੇ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਕਾਰਗੁਜ਼ਾਰ ਇਮੇਜਰੀ ਵਿੱਚ ਜੂਝਦੇ ਹਨ. ਲੋਗੋ ਤੋਂ ਡਾਇਗ੍ਰਾਮਾਂ ਤੱਕ, ਜਦੋਂ ਇਮੇਜਾਂ ਨੂੰ ਸਾਂਝੀ ਭਾਸ਼ਾ ਅਤੇ ਅਨੁਭਵ ਨਾਲ ਸੰਬੰਧਿਤ symbols ਨਾਲ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਸ਼ੁੱਧ ਅਰਥ ਪਹੁੰਚਾ ਸਕਦੀਆਂ ਹਨ.

GPT‑4o ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਟੈਕਸਟ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਰੈਂਡਰ ਕਰਨ, ਪ੍ਰੌੰਪਟਾਂ ਦੀ ਸ਼ੁੱਧ ਪਾਲਣਾ ਕਰਨ, ਅਤੇ 4o ਦੇ ਮੂਲ ਗਿਆਨ ਅਧਾਰ ਅਤੇ ਚੈਟ ਸੰਦਰਭ ਦਾ ਲਾਭ ਲੈਣ ਵਿੱਚ ਉਤਕ੍ਰਿਸ਼ਟ ਹੈ, ਜਿਸ ਵਿੱਚ ਅਪਲੋਡ ਕੀਤੀਆਂ ਇਮੇਜਾਂ ਨੂੰ ਰੂਪਾਂਤਰਿਤ ਕਰਨਾ ਜਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ ਪ੍ਰੇਰਣਾ ਵਜੋਂ ਵਰਤਣਾ ਸ਼ਾਮਲ ਹੈ. ਇਹ ਸਮਰੱਥਾਵਾਂ ਤੁਹਾਡੇ ਮਨ ਵਿੱਚ ਜੋ ਸਹੀ ਇਮੇਜ ਹੈ ਉਹ ਬਣਾਉਣਾ ਆਸਾਨ ਕਰਦੀਆਂ ਹਨ, ਦ੍ਰਿਸ਼ਾਂ ਰਾਹੀਂ ਹੋਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੰਚਾਰ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਨੂੰ ਸ਼ੁੱਧਤਾ ਅਤੇ ਤਾਕਤ ਨਾਲ ਇੱਕ ਵਿਹਾਰਕ ਟੂਲ ਵੱਲ ਅੱਗੇ ਵਧਾਉਂਦੀਆਂ ਹਨ.

ਸੁਧਰੀਆਂ ਸਮਰੱਥਾਵਾਂ

ਅਸੀਂ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਆਨਲਾਈਨ ਇਮੇਜਾਂ ਅਤੇ ਟੈਕਸਟ ਦੀ ਸਾਂਝੀ ਵੰਡ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ, ਜਿਸ ਨਾਲ ਉਹ ਸਿਰਫ਼ ਇਹ ਨਹੀਂ ਸਿੱਖੇ ਕਿ ਇਮੇਜਾਂ ਭਾਸ਼ਾ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ, ਸਗੋਂ ਇਹ ਵੀ ਕਿ ਉਹ ਇੱਕ-ਦੂਜੇ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ. ਆਕਰਮਕ post-training ਨਾਲ ਮਿਲ ਕੇ, ਨਤੀਜੇ ਵਜੋਂ ਮਾਡਲ ਵਿੱਚ ਹੈਰਾਨ ਕਰ ਦੇਣ ਵਾਲੀ ਦ੍ਰਿਸ਼ਮਾਨ fluency ਆਈ, ਜੋ ਲਾਭਕਾਰੀ, ਇਕਸਾਰ ਅਤੇ ਸੰਦਰਭ-ਸਚੇਤ ਇਮੇਜਾਂ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੈ.

ਟੈਕਸਟ ਰੈਂਡਰਿੰਗ

ਇੱਕ ਤਸਵੀਰ ਹਜ਼ਾਰ ਸ਼ਬਦਾਂ ਦੇ ਬਰਾਬਰ ਹੁੰਦੀ ਹੈ, ਪਰ ਕਈ ਵਾਰ ਸਹੀ ਥਾਂ 'ਤੇ ਕੁਝ ਸ਼ਬਦ ਬਣਾਉਣਾ ਇਮੇਜ ਦੇ ਅਰਥ ਨੂੰ ਹੋਰ ਉੱਚਾ ਕਰ ਸਕਦਾ ਹੈ. 4o ਦੀ imagery ਨਾਲ ਸ਼ੁੱਧ symbols ਮਿਲਾਉਣ ਦੀ ਸਮਰੱਥਾ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਨੂੰ ਦ੍ਰਿਸ਼ ਸੰਚਾਰ ਲਈ ਇੱਕ ਟੂਲ ਬਣਾ ਦਿੰਦੀ ਹੈ.

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}

ਮਲਟੀ-ਟਰਨ ਜਨਰੇਸ਼ਨ

ਕਿਉਂਕਿ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਹੁਣ GPT‑4o ਵਿੱਚ ਨੇਟਿਵ ਹੈ, ਤੁਸੀਂ ਕੁਦਰਤੀ ਗੱਲਬਾਤ ਰਾਹੀਂ ਇਮੇਜਾਂ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹੋ. GPT‑4o ਚੈਟ ਸੰਦਰਭ ਵਿੱਚ ਇਮੇਜਾਂ ਅਤੇ ਟੈਕਸਟ ਉੱਤੇ ਆਧਾਰਿਤ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਾਰੇ ਦੌਰਾਨ ਇਕਸਾਰਤਾ ਬਣੀ ਰਹਿੰਦੀ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਵੀਡੀਓ ਗੇਮ ਕਿਰਦਾਰ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਜਿਵੇਂ-ਜਿਵੇਂ ਤੁਸੀਂ ਉਸ ਨੂੰ ਸੁਧਾਰਦੇ ਅਤੇ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹੋ, ਕਿਰਦਾਰ ਦੀ ਦਿੱਖ ਕਈ iterations ਵਿੱਚ ਸੰਗਤ ਰਹਿੰਦੀ ਹੈ.

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

ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ

GPT‑4o ਦੀ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਵੇਰਵੇਦਾਰ ਪ੍ਰੌੰਪਟਾਂ ਦੀ ਬਾਰੀਕੀ ਨਾਲ ਪਾਲਣਾ ਕਰਦੀ ਹੈ. ਜਿੱਥੇ ਹੋਰ ਸਿਸਟਮ ~5-8 ਆਬਜੈਕਟਾਂ ਨਾਲ ਜੂਝਦੇ ਹਨ, ਉੱਥੇ GPT‑4o 10-20 ਤੱਕ ਵੱਖ-ਵੱਖ ਆਬਜੈਕਟ ਸੰਭਾਲ ਸਕਦਾ ਹੈ. ਆਬਜੈਕਟਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਗੁਣਾਂ ਅਤੇ ਸੰਬੰਧਾਂ ਨਾਲ ਹੋਰ ਮਜ਼ਬੂਤ binding ਬਿਹਤਰ ਕੰਟਰੋਲ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ.

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}

ਇਨ-ਕਾਂਟੈਕਸਟ ਲਰਨਿੰਗ

GPT‑4o ਵਰਤੋਂਕਾਰਾਂ ਦੁਆਰਾ ਅਪਲੋਡ ਕੀਤੀਆਂ ਇਮੇਜਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਉਨ੍ਹਾਂ ਤੋਂ ਸਿੱਖ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਨੂੰ ਦਿਸ਼ਾ ਦੇਣ ਲਈ ਉਨ੍ਹਾਂ ਦੇ ਵੇਰਵੇ ਆਪਣੇ ਸੰਦਰਭ ਵਿੱਚ ਬਿਨਾ ਰੁਕਾਵਟ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹੈ.

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}

ਵਿਸ਼ਵ ਗਿਆਨ

ਨੇਟਿਵ ਇਮੇਜ ਜਨਰੇਸ਼ਨ 4o ਨੂੰ ਟੈਕਸਟ ਅਤੇ ਇਮੇਜਾਂ ਵਿਚਕਾਰ ਆਪਣਾ ਗਿਆਨ ਜੋੜਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਬਣਦਾ ਹੈ ਜੋ ਹੋਰ ਸਮਝਦਾਰ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ.

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

ਫੋਟੋਰੀਅਲਿਜ਼ਮ ਅਤੇ ਸਟਾਈਲ

ਬਹੁਤ ਵੱਖ-ਵੱਖ ਇਮੇਜ ਸਟਾਈਲਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀਆਂ ਇਮੇਜਾਂ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਮਾਡਲ ਨੂੰ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਇਮੇਜਾਂ ਬਣਾਉਣ ਜਾਂ ਰੂਪਾਂਤਰਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ.

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.

ਸੀਮਾਵਾਂ

ਸਾਡਾ ਮਾਡਲ ਸੰਪੂਰਨ ਨਹੀਂ ਹੈ. ਸਾਨੂੰ ਇਸ ਵੇਲੇ ਕਈ ਸੀਮਾਵਾਂ ਬਾਰੇ ਪਤਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਸ਼ੁਰੂਆਤੀ launch ਤੋਂ ਬਾਅਦ ਮਾਡਲ ਸੁਧਾਰਾਂ ਰਾਹੀਂ ਹੱਲ ਕਰਨ ਲਈ ਕੰਮ ਕਰਾਂਗੇ.

ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ GPT‑4o ਕਦੇ-ਕਦੇ ਲੰਬੀਆਂ ਇਮੇਜਾਂ, ਜਿਵੇਂ ਪੋਸਟਰ, ਨੂੰ ਬਹੁਤ ਤੰਗ ਤਰੀਕੇ ਨਾਲ crop ਕਰ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਹੇਠਲੇ ਹਿੱਸੇ ਨੇੜੇ.

ਸੁਰੱਖਿਆ

ਸਾਡੇ ਮਾਡਲ ਸਪੈਕ ਦੇ ਅਨੁਸਾਰ, ਅਸੀਂ ਗੇਮ ਡਿਵੈਲਪਮੈਂਟ, ਇਤਿਹਾਸਕ ਖੋਜ ਅਤੇ ਸਿੱਖਿਆ ਵਰਗੇ ਕੀਮਤੀ use cases ਨੂੰ ਸਮਰਥਨ ਦੇ ਕੇ ਰਚਨਾਤਮਕ ਆਜ਼ਾਦੀ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦਾ ਲਕਸ਼ ਰੱਖਦੇ ਹਾਂ, ਨਾਲ ਹੀ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਮਿਆਰ ਕਾਇਮ ਰੱਖਦੇ ਹਾਂ. ਇਸੇ ਸਮੇਂ, ਉਹ ਬੇਨਤੀਆਂ ਰੋਕਣਾ ਜੋ ਇਨ੍ਹਾਂ ਮਿਆਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦੀਆਂ ਹਨ, ਪਹਿਲਾਂ ਜਿੰਨਾ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ. ਹੇਠਾਂ ਵਾਧੂ ਖਤਰੇ ਵਾਲੇ ਖੇਤਰਾਂ ਦੇ ਮੁਲਾਂਕਣ ਹਨ ਜਿੱਥੇ ਅਸੀਂ ਸੁਰੱਖਿਅਤ, ਉੱਚ-ਉਪਯੋਗਤਾ ਸਮੱਗਰੀ ਯੋਗ ਬਣਾਉਣ ਅਤੇ ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਹੋਰ ਵਿਆਪਕ ਰਚਨਾਤਮਕ ਅਭਿਵਿਅੰਜਨਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ.

C2PA ਅਤੇ ਅੰਦਰੂਨੀ reversible search ਰਾਹੀਂ provenance
ਸਾਰੀਆਂ ਜਨਰੇਟ ਕੀਤੀਆਂ ਇਮੇਜਾਂ C2PA⁠ metadata ਨਾਲ ਆਉਂਦੀਆਂ ਹਨ, ਜੋ ਇਹ ਦਰਸਾਉਣਗੀਆਂ ਕਿ ਇਮੇਜ GPT‑4o ਤੋਂ ਆਈ ਹੈ, ਤਾਂ ਜੋ ਪਾਰਦਰਸ਼ਤਾ ਮਿਲੇ. ਅਸੀਂ ਇੱਕ ਅੰਦਰੂਨੀ search tool ਵੀ ਬਣਾਇਆ ਹੈ ਜੋ generations ਦੇ technical attributes ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਜਾਂਚਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਸਮੱਗਰੀ ਸਾਡੇ ਮਾਡਲ ਤੋਂ ਆਈ ਸੀ ਜਾਂ ਨਹੀਂ.

ਖਰਾਬ ਚੀਜ਼ਾਂ ਨੂੰ ਰੋਕਣਾ
ਅਸੀਂ ਅਜਿਹੀਆਂ ਜਨਰੇਟ ਕੀਤੀਆਂ ਇਮੇਜਾਂ ਲਈ ਬੇਨਤੀਆਂ ਨੂੰ ਰੋਕਣਾ ਜਾਰੀ ਰੱਖਦੇ ਹਾਂ ਜੋ ਸਾਡੀਆਂ content policies ਦੀ ਉਲੰਘਣਾ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਿਵੇਂ child sexual abuse materials ਅਤੇ sexual deepfakes. ਜਦੋਂ ਸੰਦਰਭ ਵਿੱਚ ਅਸਲੀ ਲੋਕਾਂ ਦੀਆਂ ਇਮੇਜਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਅਸੀਂ ਇਸ ਗੱਲ ਬਾਰੇ ਵਧੀਆਂ ਪਾਬੰਦੀਆਂ ਲਗਾਂਦੇ ਹਾਂ ਕਿ ਕਿਹੜੀ ਕਿਸਮ ਦੀ imagery ਬਣਾਈ ਜਾ ਸਕਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ nudity ਅਤੇ graphic violence ਦੇ ਆਲੇ ਦੁਆਲੇ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਨਾਲ. ਕਿਸੇ ਵੀ launch ਵਾਂਗ, ਸੁਰੱਖਿਆ ਕਦੇ ਪੂਰੀ ਨਹੀਂ ਹੁੰਦੀ ਅਤੇ ਇਹ ਨਿਵੇਸ਼ ਦਾ ਲਗਾਤਾਰ ਖੇਤਰ ਹੈ. ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਇਸ ਮਾਡਲ ਦੇ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਇਸਤੇਮਾਲ ਬਾਰੇ ਹੋਰ ਸਿੱਖਦੇ ਹਾਂ, ਅਸੀਂ ਆਪਣੀਆਂ policies ਨੂੰ ਉਸ ਅਨੁਸਾਰ ਢਾਲਾਂਗੇ.

ਸਾਡੇ ਰਵੱਈਏ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, ਇਮੇਜ ਜਨਰੇਸ਼ਨ GPT‑4o ਸਿਸਟਮ ਕਾਰਡ ਲਈ ਐਡੈਂਡਮ⁠ ਵੇਖੋ.

ਸੁਰੱਖਿਆ ਨੂੰ ਤਾਕਤ ਦੇਣ ਲਈ ਰੀਜ਼ਨਿੰਗ ਦੀ ਵਰਤੋਂ
ਸਾਡੇ ਸੋਚ-ਵਿਚਾਰ ਆਧਾਰਿਤ ਅਲਾਈਨਮੈਂਟ⁠ ਕੰਮ ਦੀ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਲਿਖੀਆਂ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਸੁਰੱਖਿਆ specifications ਤੋਂ ਸਿੱਧਾ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ reasoning LLM ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਹੈ. ਅਸੀਂ ਵਿਕਾਸ ਦੌਰਾਨ ਇਸ reasoning LLM ਦੀ ਵਰਤੋਂ ਸਾਡੀਆਂ policies ਵਿੱਚ ਅਸਪਸ਼ਟਤਾਵਾਂ ਦੀ ਪਛਾਣ ਅਤੇ ਹੱਲ ਕਰਨ ਲਈ ਕੀਤੀ. ਸਾਡੀਆਂ multimodal ਤਰੱਕੀਆਂ ਅਤੇ ChatGPT ਅਤੇ Sora ਲਈ ਵਿਕਸਿਤ ਮੌਜੂਦਾ ਸੁਰੱਖਿਆ ਤਕਨੀਕਾਂ ਨਾਲ ਮਿਲ ਕੇ, ਇਹ ਸਾਨੂੰ ਸਾਡੀਆਂ policies ਦੇ ਮੁਕਾਬਲੇ input text ਅਤੇ output images ਦੋਵਾਂ ਨੂੰ moderate⁠ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ.

ਪਹੁੰਚ ਅਤੇ ਉਪਲਬਧਤਾ

4o ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਅੱਜ ਤੋਂ Plus, Pro, Team ਅਤੇ Free ਵਰਤੋਂਕਾਰਾਂ ਲਈ ChatGPT ਵਿੱਚ ਡਿਫੌਲਟ ਇਮੇਜ ਜਨਰੇਟਰ ਵਜੋਂ ਰੋਲ ਆਉਟ ਹੋ ਰਹੀ ਹੈ, ਅਤੇ Enterprise ਅਤੇ Edu ਲਈ ਪਹੁੰਚ ਜਲਦੀ ਆ ਰਹੀ ਹੈ. ਇਹ Sora ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਵੀ ਉਪਲਬਧ ਹੈ. ਜਿਨ੍ਹਾਂ ਦੇ ਦਿਲ ਵਿੱਚ DALL·E ਲਈ ਖਾਸ ਜਗ੍ਹਾ ਹੈ, ਉਹ ਇਸਨੂੰ ਹਾਲੇ ਵੀ ਇਕ ਸਮਰਪਿਤ DALL·E GPT ਰਾਹੀਂ ਐਕਸੈਸ ਕਰ ਸਕਦੇ ਹਨ.

ਡਿਵੈਲਪਰ ਜਲਦੀ ਹੀ API ਰਾਹੀਂ GPT‑4o ਨਾਲ ਇਮੇਜ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣਗੇ, ਜਿਸਦੀ ਪਹੁੰਚ ਅਗਲੇ ਕੁਝ ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਰੋਲ ਆਉਟ ਹੋਵੇਗੀ.

ਇਮੇਜ ਬਣਾਉਣਾ ਅਤੇ ਕਸਟਮਾਈਜ਼ ਕਰਨਾ GPT‑4o ਨਾਲ ਚੈਟ ਕਰਨ ਜਿੰਨਾ ਆਸਾਨ ਹੈ - ਸਿਰਫ਼ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦਾ ਹੈ ਉਹ ਵੇਰਵਾ ਦਿਓ, ਜਿਸ ਵਿੱਚ aspect ratio, hex codes ਨਾਲ exact colors, ਜਾਂ transparent background ਵਰਗੀਆਂ ਖਾਸ ਜਾਣਕਾਰੀਆਂ ਸ਼ਾਮਲ ਹਨ. ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਹੋਰ ਵਧੇਰੇ ਵੇਰਵੇਦਾਰ ਤਸਵੀਰਾਂ ਬਣਾਉਂਦਾ ਹੈ, ਇਮੇਜ render ਹੋਣ ਵਿੱਚ ਵੱਧ ਸਮਾਂ ਲੈਂਦੀਆਂ ਹਨ, ਅਕਸਰ ਇੱਕ ਮਿੰਟ ਤੱਕ.

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)

ਲਾਈਵਸਟ੍ਰੀਮ ਰੀਪਲੇ

ਲੇਖਕ

OpenAI

ਲੀਡਰਸ਼ਿਪ

Gabriel Goh: ਇਮੇਜ ਜਨਰੇਸ਼ਨ

Jackie Shannon: ChatGPT ਪ੍ਰੋਡਕਟ

Mengchao Zhong, Wayne Chang: ChatGPT ਇੰਜੀਨੀਅਰਿੰਗ

Rohan Sahai: Sora ਪ੍ਰੋਡਕਟ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ

Brendan Quinn, Tomer Kaftan: ਇਨਫਰੈਂਸ

Prafulla Dhariwal: ਮਲਟੀਮੋਡਲ ਆਰਗੇਨਾਈਜ਼ੇਸ਼ਨ

ਰਿਸਰਚ

ਬੁਨਿਆਦੀ ਰਿਸਰਚ

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

ਕੋਰ ਰਿਸਰਚ

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

ਰਿਸਰਚ ਯੋਗਦਾਨਕਾਰੀ

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

ਮਾਡਲ ਵਿਹਾਰ

Laurentia Romaniuk

ਮਲਟੀਮੋਡਲ ਆਰਗੇਨਾਈਜ਼ੇਸ਼ਨ

Andrew Gibiansky, Yang Lu

ਡਾਟਾ

ਡਾਟਾ ਲੀਡਜ਼

Gildas Chabot, James Park Lennon

ਡਾਟਾ

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

ਮੋਡਰੇਟਰ

Hazel Byrne, Jennifer Luckenbill, Mariano López

ਹਿਊਮਨ ਡਾਟਾ ਐਡਵਾਈਜ਼ਰਜ਼

Long Ouyang

ਸਕੇਲਿੰਗ

ਇਨਫਰੈਂਸ ਲੀਡਜ਼

Brendan Quinn, Tomer Kaftan

ਇਨਫਰੈਂਸ

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

ਐਪਲਾਈਡ

ChatGPT ਪ੍ਰੋਡਕਟ ਲੀਡ

Jackie Shannon

ChatGPT ਇੰਜੀਨੀਅਰਿੰਗ ਲੀਡਜ਼

Mengchao Zhong, Wayne Chang

ਪ੍ਰੋਡਕਟ ਡਿਜ਼ਾਈਨ ਲੀਡ

Matt Chan

ਡਾਟਾ ਸਾਇੰਸ

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 ਪ੍ਰੋਡਕਟ ਲੀਡਜ਼

Rohan Sahai, Wesam Manassra

Sora ਪ੍ਰੋਡਕਟ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ

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

ਸੁਰੱਖਿਆ

ਸੁਰੱਖਿਆ ਲੀਡ

Somay Jain

ਸੁਰੱਖਿਆ

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

ਰਣਨੀਤੀ

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

ਮਾਰਕੀਟਿੰਗ ਅਤੇ ਕਮਿਊਨਿਕੇਸ਼ਨਜ਼

ਕਮਿਊਨਿਕੇਸ਼ਨਜ਼ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਲੀਡਜ਼

Minnia Feng, Natalie Summers, Taya Christianson

ਕਮਿਊਨਿਕੇਸ਼ਨਜ਼

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

ਡਿਜ਼ਾਈਨ ਅਤੇ ਕ੍ਰੀਏਟਿਵ

ਲੀਡਜ਼

Kendra Rimbach, Veit Moeller

ਡਿਜ਼ਾਈਨ

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

ਖਾਸ ਧੰਨਵਾਦ

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