25 marca 2025

Przedstawiamy generowanie obrazu 4o

Wykorzystanie przydatnej i cennej funkcji generowania obrazów dzięki natywnie multimodalnemu modelowi zdolnemu do tworzenia precyzyjnych, dokładnych i fotorealistycznych wyników.

Wypróbuj w ChatGPT

Ładowanie…

Zespół OpenAI od dawna uważa, że generowanie obrazów powinno być podstawową funkcją naszych modeli językowych. Właśnie dlatego stworzyliśmy nasz najbardziej zaawansowany generator obrazów – GPT‑4o. Dzięki niemu użytkownicy mogą generować nie tylko piękne, lecz także przydatne obrazy.

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}

Przydatne generowanie obrazów

Począwszy od pierwszych malowideł naskalnych, a skończywszy na współczesnych infografikach – ludzie wykorzystują obrazy wizualne do komunikacji, przekonywania i analizowania, nie tylko do celów dekoracyjnych. Dzisiejsze modele generatywne potrafią tworzyć surrealistyczne, zapierające dech w piersiach sceny, ale mają trudności z obrazami, które ludzie wykorzystują do przekazywania i kreowania informacji. Różne obrazy – od logo po diagramy – mogą nieść precyzyjne znaczenie, gdy zostaną wzbogacone o symbole odnoszące się do wspólnego języka i doświadczeń.

Generowanie obrazów przez model GPT‑4o wyróżnia się dokładnym odwzorowaniem tekstu, precyzyjnym wykonywaniem poleceń oraz wykorzystaniem bazy wiedzy i kontekstu czatu charakterystycznych dla 4o – w tym przekształcaniem przesłanych obrazów lub wykorzystywaniem ich jako inspiracji wizualnej. Te możliwości ułatwiają tworzenie obrazów zgodnych z wyobrażeniami użytkownika, co pozwala na skuteczniejszą komunikację za pomocą elementów wizualnych i sprawia, że generowanie obrazów staje się praktycznym i skutecznym narzędziem o wysokiej precyzji.

Większe możliwości

Nasze modele zostały wytrenowane na podstawie wspólnej dystrybucji obrazów i tekstów online, w wyniku czego nauczyły się nie tylko tego, jak obrazy odnoszą się do języka, ale także tego, jak odnoszą się do siebie nawzajem. Dzięki przeprowadzeniu intensywnego treningu po wstępnym uczeniu uzyskany model charakteryzuje się zaskakującą płynnością wizualną oraz jest w stanie generować użyteczne, spójne i dostosowane do kontekstu obrazy.

Renderowanie tekstu

Obraz jest wart tysiąca słów, ale czasami dodanie kilku słów w odpowiednim miejscu może wzbogacić jego wymowę. Zdolność modelu 4o do łączenia precyzyjnych symboli z obrazami sprawia, że generowanie obrazów staje się cennym narzędziem komunikacji wizualnej.

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}

Generowanie wieloetapowe

Ponieważ generowanie obrazów jest teraz natywną funkcją GPT‑4o, obrazy można udoskonalać w naturalnej rozmowie. Moduł GPT‑4o może opierać się na obrazach i tekście w kontekście czatu, zapewniając spójność w każdym aspekcie. Jeśli na przykład projektujesz postać do gry wideo, jej wygląd pozostaje spójny w poszczególnych iteracjach podczas udoskonalania i eksperymentowania.

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

Wykonywanie instrukcji

Model GPT‑4o generuje obrazy zgodnie ze szczegółowymi poleceniami, zwracając uwagę na szczegóły. W przeciwieństwie do innych systemów, które mają trudności z tworzeniem 5–8 obiektów, GPT‑4o może poradzić sobie z nawet 10–20 różnymi obiektami. Ściślejsze powiązanie obiektów z ich cechami i relacjami pozwala na lepszą kontrolę.

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}

Nauka w kontekście

Model GPT‑4o jest w stanie analizować i uczyć się na podstawie obrazów przesłanych przez użytkowników, płynnie łącząc ich szczegóły z kontekstem w celu generowania obrazów.

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}

Wiedza o świecie

Natywna funkcja generowania obrazów umożliwia modelowi 4o powiązanie wiedzy między tekstem a obrazami, w wyniku czego powstaje model, który działa w sposób bardziej inteligentny i wydajny.

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

Fotorealizm i styl

Trening na obrazach odzwierciedlających szeroką gamę stylów umożliwia modelowi tworzenie lub przekształcanie obrazów w przekonujący sposób.

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.

Ograniczenia

Nasz model nie jest idealny. Jesteśmy świadomi wielu ograniczeń, które obecnie występują. Po wprowadzeniu modelu będziemy pracować nad ich usunięciem w ramach ciągłych ulepszeń.

Zauważyliśmy, że model GPT‑4o czasami zbyt mocno kadruje dłuższe obrazy, takie jak plakaty, zwłaszcza w dolnej części.

Bezpieczeństwo

Zgodnie ze specyfikacją naszego modelu dążymy do zapewnienia jak największej swobody twórczej poprzez wspieranie wartościowych zastosowań, takich jak tworzenie gier, badania historyczne i edukacja, przy jednoczesnym zachowaniu wysokich standardów bezpieczeństwa. Jednocześnie nadal tak samo ważne jest blokowanie żądań, które naruszają te standardy. Poniżej przedstawiono oceny dodatkowych obszarów ryzyka, nad którymi pracujemy, aby zapewnić bezpieczne, użyteczne treści i umożliwić użytkownikom większą swobodę twórczą.

Śledzenie pochodzenia za pomocą C2PA oraz wewnętrzne odwracalne wyszukiwanie
Wszystkie wygenerowane obrazy zawierają metadane C2PA⁠, które identyfikują obraz jako utworzony przez GPT‑4o, aby zapewnić przejrzystość. Stworzyliśmy również wewnętrzne narzędzie wyszukiwania, które wykorzystuje atrybuty techniczne generacji, aby umożliwić sprawdzenie, czy dane treści powstały przy użyciu naszego modelu.

Blokowanie niewłaściwych treści
Nieustannie blokujemy żądania dotyczące generowanych obrazów, które mogą naruszać nasze zasady dotyczące treści, takie jak materiały przedstawiające wykorzystywanie seksualne dzieci i deepfake’i o charakterze seksualnym. W przypadku obrazów przedstawiających prawdziwe osoby w określonym kontekście, obowiązują nas zaostrzone ograniczenia dotyczące rodzaju tworzonych obrazów, ze szczególnym uwzględnieniem nagości i przemocy. Tak jak w przypadku każdego wdrożenia bezpieczeństwo nigdy nie jest kwestią zamkniętą – stanowi raczej obszar wymagający ciągłych inwestycji. Wraz z poszerzaniem naszej wiedzy na temat rzeczywistego wykorzystania tego modelu będziemy wprowadzać odpowiednie zmiany w naszych zasadach.

Więcej informacji na temat naszego podejścia do generowania obrazów można znaleźć w naszym dodatku do karty systemu GPT‑4o.⁠.

Wykorzystanie rozumowania do zapewnienia bezpieczeństwa
Podobnie jak w przypadku naszego dostosowania opartego na rozumowaniu⁠ wytrenowaliśmy model LLM do pracy bezpośrednio na podstawie specyfikacji bezpieczeństwa napisanych przez ludzi, które mogą przez nich być interpretowane. Podczas rozwoju wykorzystaliśmy to rozumowanie LLM, aby identyfikować i wyeliminować niejasności w naszych zasadach. W połączeniu z naszymi multimodalnymi osiągnięciami i istniejącymi technikami bezpieczeństwa opracowanymi dla ChatGPT i Sora umożliwia nam to moderowanie⁠ zarówno wprowadzanego tekstu, jak i generowanych obrazów zgodnie z naszymi zasadami.

Dostęp i dostępność

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)

Nagranie transmisji na żywo

Autor

OpenAI

Przywództwo

Gabriel Goh: Generowanie obrazów

Jackie Shannon: Produkt ChatGPT

Mengchao Zhong, Wayne Chang: Inżynieria ChatGPT

Rohan Sahai: Produkt i inżynieria Sora

Brendan Quinn, Tomer Kaftan: Wyciąganie wniosków

Prafulla Dhariwal: Organizacja multimodalna

Badania

Badania podstawowe

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

Badania podstawowe

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

Współautorzy badań

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

Zachowanie modelu

Laurentia Romaniuk

Organizacja multimodalna

Andrew Gibiansky, Yang Lu

Dane

Liderzy ds. danych

Gildas Chabot, James Park Lennon

Dane

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

Moderatorzy

Hazel Byrne, Jennifer Luckenbill, Mariano López

Doradcy ds. danych dotyczących ludzi

Long Ouyang

Skalowanie

Liderzy ds. wnioskowania

Brendan Quinn, Tomer Kaftan

Wnioskowanie

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

Stosowane

Lider ds. produktu ChatGPT

Jackie Shannon

Liderzy ds. inżynierii ChatGPT

Mengchao Zhong, Wayne Chang

Kierownik ds. projektowania produktów

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

Liderzy ds. produktu Sora

Rohan Sahai, Wesam Manassra

Produkt i inżynieria Sora

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

Bezpieczeństwo

Lider ds. bezpieczeństwa

Somay Jain

Bezpieczeństwo

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

Strategia

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 i komunikacja

Liderzy ds. komunikacji i marketingu

Minnia Feng, Natalie Summers, Taya Christianson

Komunikacja

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

Projektowanie i kreatywność

Liderzy

Kendra Rimbach, Veit Moeller

Projekt

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

Podziękowania specjalne

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