Preskočiť na hlavný obsah
OpenAI

25. marca 2025

ProduktVydanie

Predstavujeme generovanie obrázkov s modelom 4o

Uvoľnenie užitočného a hodnotného generovania obrázkov s natívne multimodálnym modelom schopným precíznych, presných a fotorealistických výstupov.

This post introduced 4o image generation.

Načítava sa…

V spoločnosti OpenAI sme už dlho presvedčení, že generovanie obrázkov by malo byť primárnou schopnosťou našich jazykových modelov. Preto sme do modelu GPT‑4o zabudovali náš doteraz najpokročilejší generátor obrázkov. Výsledkom je generovanie obrázkov, ktoré nie sú len krásne, ale aj užitočné.

Užitočné generovanie obrázkov

Od prvých jaskynných malieb až po moderné infografiky ľudia používajú vizuálne obrazy na komunikáciu, presviedčanie a analýzu – nielen na zdobenie. Dnešné generatívne modely dokážu vyčarovať surrealistické, dychvyrážajúce scény, ale trápia sa s bežnými obrazmi, ktoré ľudia používajú na zdieľanie a vytváranie informácií. Od log až po diagramy môžu obrazy vyjadrovať presný význam, keď sú doplnené o symboly, ktoré odkazujú na spoločný jazyk a skúsenosti.

Generovanie obrázkov s modelom GPT‑4o vyniká presným vykresľovaním textu, presným dodržiavaním príkazov a využívaním inherentnej znalostnej základne a kontextu četov cez 4o – vrátane transformácie nahraných obrázkov alebo ich použitia ako vizuálnej inšpirácie. Vďaka týmto funkciám je ľahšie vytvoriť presne taký obrázok, aký si predstavujete, pomáhajú vám efektívnejšie komunikovať prostredníctvom vizuálov a posúvajú generovanie obrázkov na úroveň praktického nástroja s precíznosťou a výkonom.

Vylepšené schopnosti

Naše modely sme trénovali na spoločnej distribúcii online obrázkov a textu, pričom sme sa učili nielen to, ako obrázky súvisia s jazykom, ale aj to, ako súvisia medzi sebou. V kombinácii s agresívnym následným tréningom má výsledný model prekvapivú vizuálnu plynulosť a dokáže generovať obrázky, ktoré sú užitočné, konzistentné a kontextovo uvedomelé.

Vykresľovanie textu

Obrázok má hodnotu tisíc slov, ale niekedy môže vygenerovanie niekoľkých slov na správnom mieste význam obrázka pozdvihnúť. Schopnosť modelu 4o kombinovať presné symboly s obrazmi premieňa generovanie obrázkov na nástroj vizuálnej komunikácie.

Generovanie viacerých krokov

Keďže generovanie obrázkov je teraz natívne pre GPT‑4o, môžete obrázky vylepšiť prostredníctvom prirodzenej konverzácie. GPT‑4o dokáže v kontexte četu stavať na obrázkoch a texte, čím zabezpečuje konzistenciu v rámci celého procesu. Ak napríklad navrhujete postavu z videohry, vzhľad postavy zostane konzistentný vo viacerých iteráciách, keď ich vylepšujete a experimentujete.

Dodržiavanie pokynov

Generovanie obrázkov s modelom GPT‑4o sa riadi podrobnými príkazmi s dôrazom na detaily. Zatiaľ čo iné systémy majú problém s ~5 – 8 objektmi, GPT‑4o dokáže spracovať až 10 – 20 rôznych objektov. Pevnejšie prepojenie objektov s ich vlastnosťami a vzťahmi umožňuje lepšiu kontrolu.

Učenie v kontexte

GPT‑4o dokáže analyzovať a učiť sa z obrázkov nahraných používateľmi, pričom bez problémov integruje ich detaily do svojho kontextu s cieľom ovplyvniť generovanie obrázkov.

Znalosti sveta

Natívne generovanie obrázkov umožňuje modelu 4o prepojiť svoje znalosti medzi textom a obrázkami, čo vedie k modelu, ktorý pôsobí inteligentnejšie a efektívnejšie.

Fotorealizmus a štýl

Tréning na obrázkoch, ktoré odrážajú širokú škálu štýlov, umožňuje modelu presvedčivo vytvárať alebo transformovať obrázky.

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
Generate a candid, Polaroid-style photograph of four diverse friends in their early 20s at a gritty dive bar. The lighting features a very harsh, direct flash, creating sharp shadows and giving the photo a very overexposed, vintage instant-camera feel. Colors should be slightly muted, evoking nostalgic, early-2000s party vibes. The aesthetic is casually emo. No border or logos or signs. There's an interesting looking wall behind them with some light graffiti. Quality of the image should be very sharp and detailed (very little grain). The energy should be silly and chaotic. They're either playfully grimacing, smiling, or pretending to look tough. One of them should have their friend in a silly, playful headlock. Their mouths are closed.
Generate a photorealistic image of farmer's market in toronto on a saturday in summer 2006, it's a beautiful late june day, people are shopping and eating sandwiches. in focus should be a young asian girl wearing denim overalls and sipping on a strawberry banana smoothie - rest can be blurred. the photo should be reminiscent of that a digital camera from 2006 would take, with a timestamp like a printed photo would have. aspect ratio should be 3:2
blurry old analog film photograph, picture of parked car on side street, quiet night. credit creator: [Roope Rainisto](https://www.instagram.com/never_ever_never_land/?igsh=MXh3N3EyOWdoMmNubg%3D%3D#)
Create image super-realistic picture of these 4 creatures playing poker on a picnic blanket, zoomed out, in dolores park. photorealistic. The tabby long haired cat is holding a hand; right next to it are 2 tall vertical black chips (with stripes) as it has been raking in the dough.  Tabby's pupils are large and cute, and ii looking down and scrutinizing its cards, focused. Derpy black cat went all in. Two dogs are peering over cat's shoulder to see their cards. All cards are face down and of the same back color except for an exposed three of diamonds. small stack of poker chips are in front of each creature, but black cat went all in. the two dogs folded. All chips are from the same set and all cards have same color. photorealistic, shot on iphone, raw format.
Best of 1 | Generate an portrait ad on a solid pastel background.

In solid white san serif text, "ChatGPT image generation" in the top left, about a third of the way down.

In solid white san serif text, "Form follows function", in the bottom right, about a third of the way up.

In the background, put a photo of a really sleek, modern sculpture. It should gradually transition from a wireframe sketch on the left to the fully photorealistic version on the right. 

At the very bottom, in medium-small text, say "This entire poster was generated by ChatGPT image generation."
A lone astronaut floats inside a vast space station, painting swirling galaxies onto a massive canvas that hangs weightlessly in the air. Their paintbrush leaves behind trails of cosmic dust, and their suit is stained with nebula-colored hues. Their helmet is off, revealing eyes filled with the reflection of distant planets. Outside the glass window, a black hole looms, twisting light into mesmerizing patterns.
Realistic photograph of a horse galloping from right to left across a vast, calm ocean surface, accurately depicting splashes, reflections, and subtle ripple patterns beneath their hooves. Exaggerate horse movements but everything else should be still, quiet to show contrast with the horse's strength. clean composition, cinematographic. A wide, panoramic composition showcasing a distant horizon. Atmospheric perspective creating depth. zoomed out so the horse appears minuscule compared to vast ocean.

horse is right at the horizon where ocean meets sky. use rule of thirds to position horse. size of horse is 1% size of entire image because camera is so far away from subject. camera view is super close to the ground/ocean like a worm's eye view. horse is galloping right where ocean meets the sky
A realistic underwater scene with dolphins swimming through the windows of an abandoned subway car, with bubbles and detailed water flow accurately simulated.
Photo of a fruit bowl consisting of real fruits mixed with miniature planets (Jupiter, Saturn, Mars, Earth), maintaining realistic reflections, lighting, and shadows consistent with original photo, clean composition, authentic textures, crisp detailed rendering

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.

Obmedzenia

Náš model nie je dokonalý. Momentálne si uvedomujeme viacero obmedzení, ktoré sa budeme snažiť riešiť vylepšeniami modelu po prvotnom spustení.

Bezpečnosť

V súlade s našou špecifikáciou modelu sa snažíme maximalizovať tvorivú slobodu podporovaním cenných prípadov použitia, ako je vývoj hier, historický prieskum a vzdelávanie – pričom zachovávame prísne bezpečnostné štandardy. Zároveň je rovnako dôležité ako kedykoľvek predtým blokovať žiadosti, ktoré porušujú tieto normy. Nižšie uvádzame hodnotenia ďalších rizikových oblastí, v ktorých pracujeme na povolení bezpečného a mimoriadne užitočného obsahu a podpore širšieho kreatívneho vyjadrenia pre používateľov.

Pôvod prostredníctvom C2PA a interného reverzibilného vyhľadávania
Všetky vygenerované obrázky obsahujú metaúdaje C2PA, ktoré identifikujú, že obrázok pochádza z modelu GPT‑4o, aby sa zabezpečila transparentnosť. Taktiež sme vytvorili interný vyhľadávací nástroj, ktorý využíva technické atribúty generácií s cieľom overiť, či obsah pochádza z nášho modelu.

Blokovanie nevhodného obsahu
Ďalej blokujeme žiadosti o generovanie obrázkov, ktoré môžu porušovať naše pravidlá pre obsah, ako sú materiály týkajúce sa sexuálneho zneužívania detí a sexuálne deepfakes. Keď sú obrázky skutočných ľudí v kontexte, máme prísnejšie obmedzenia týkajúce sa toho, aký druh obrázkov je možné vytvoriť, s obzvlášť robustnými ochrannými opatreniami pre nahotu a grafické násilie. Rovnako ako pri každom uvedení na trh, bezpečnosť nikdy nie je úplná a je skôr oblasťou nepretržitých investícií. Ako sa dozvieme viac o reálnom používaní tohto modelu, príslušným spôsobom upravíme zásady.

Viac informácií o našom prístupe nájdete v dodatku ku karte systému GPT‑4o o generovaní obrázkov.

Používanie myslenia na podporu bezpečnosti
Podobne ako pri našej práci na deliberatívnom zosúladení sme vycvičili LLM na myslenie, aby pracoval priamo na základe človekom napísaných a interpretovateľných bezpečnostných špecifikácií. Tento LLM na myslenie sme použili počas vývoja, aby nám pomohol identifikovať a riešiť nejasnosti v našich zásadách. Spolu s našimi multimodálnymi vylepšeniami a existujúcimi bezpečnostnými technikami vyvinutými pre nástroje ChatGPT a Sora nám to umožňuje moderovať vstupný text aj výstupné obrázky v súlade s našimi zásadami.

Prístup a dostupnosť

Generovanie obrázkov s modelom 4o sa od dnešného dňa zavádza pre používateľov taríf Plus, Pro, Team a Free ako predvolený generátor obrázkov v nástroji ChatGPT, pričom prístup pre používateľov Enterprise a Edu bude čoskoro k dispozícii. Je tiež k dispozícii na použitie v nástroji Sora. Pre tých, ktorí majú vo svojich srdciach vyhradené špeciálne miesto pre DALL·E, je stále možné k nemu pristupovať prostredníctvom vyhradeného modelu DALL·E GPT.

Vývojári budú čoskoro môcť generovať obrázky pomocou modelu GPT‑4o prostredníctvom rozhrania API, pričom prístup sa začne zavádzať v najbližších týždňoch.

Vytvoriť a prispôsobiť obrázky je také jednoduché ako čet pomocou GPT‑4o – stačí opísať, čo potrebujete, vrátane špecifík, ako je pomer strán, presné farby pomocou hexadecimálnych kódov alebo priehľadné pozadie. Keďže tento model vytvára detailnejšie obrázky, ich vykresľovanie trvá dlhšie, často až jednu minútu.

credit creator: [Alex Duffy](https://every.to/@AlxAi)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: [August Kamp](https://www.instagram.com/august.kamp/?igsh=MTRpeG9xd3F2MzEyeg#)
credit creator: Cassandra Ansara
credit creator: [Isa](https://www.instagram.com/isabelitavirtual/?igsh=ZHdoYjFwYzV6dzFi#)
credit creator: [Isa](https://www.instagram.com/isabelitavirtual/?igsh=ZHdoYjFwYzV6dzFi#)
credit creator: Les Morgan
credit creator: Les Morgan
credit creator: [Derya Unatmaz](https://x.com/deryatr_)
credit creator: [Derya Unatmaz](https://x.com/deryatr_)
credit creator: [Derya Unatmaz](https://x.com/deryatr_)
credit creator: [Elene Chekurishvili](https://www.instagram.com/th_ene_ighbor/?igsh=eDh2Z2kyOGhnaXA0#)
credit creator: [Elene Chekurishvili](https://www.instagram.com/th_ene_ighbor/?igsh=eDh2Z2kyOGhnaXA0#)
credit creator: [Elene Chekurishvili](https://www.instagram.com/th_ene_ighbor/?igsh=eDh2Z2kyOGhnaXA0#)
credit creator: [Elene Chekurishvili](https://www.instagram.com/th_ene_ighbor/?igsh=eDh2Z2kyOGhnaXA0#)
credit creator: [Elene Chekurishvili](https://www.instagram.com/th_ene_ighbor/?igsh=eDh2Z2kyOGhnaXA0#)
credit creator: [Eugenio Marongiu](https://www.instagram.com/katsukokoiso.ai/?igsh=YTduZnNjZ2RhdTM3#)
credit creator: [Eugenio Marongiu](https://www.instagram.com/katsukokoiso.ai/?igsh=YTduZnNjZ2RhdTM3#)
credit creator: Jesse Kramme
credit creator: Jesse Kramme
credit creator: Matthew Dear
credit creator: [Minh Do](https://www.instagram.com/minhsmind/?igsh=MTFscDRqZ3JiZHVveA%3D%3D#)
credit creator: [Niceaunties](https://www.instagram.com/niceaunties/?igsh=Nm1jZmV4YTF6MTQ%3D#)
credit creator: Eskcanta
credit creator: Eskcanta
credit creator: [Roope Rainisto](https://www.instagram.com/never_ever_never_land/?igsh=MXh3N3EyOWdoMmNubg%3D%3D#)
credit creator: [Roope Rainisto](https://www.instagram.com/never_ever_never_land/?igsh=MXh3N3EyOWdoMmNubg%3D%3D#)
credit creator: [Roope Rainisto](https://www.instagram.com/never_ever_never_land/?igsh=MXh3N3EyOWdoMmNubg%3D%3D#)
credit creator: Shane Copenhagen
credit creator: Will Maberry
credit creator: Manuel Sainsily
credit creator: Manuel Sainsily
credit creator: Manuel Sainsily
credit creator: Manuel Sainsily
credit creator: Manuel Sainsily

credit creator: Alex Duffy

Záznam z priameho prenosu

Autor

OpenAI

Vedenie

Gabriel Goh: Generovanie obrázkov

Jackie Shannon: Produkt ChatGPT

Mengchao Zhong, Wayne Chang: Inžinierstvo ChatGPT

Rohan Sahai: Produkty a inžinierstvo Sora

Brendan Quinn, Tomer Kaftan: Inferencia

Prafulla Dhariwal: Multimodálna organizácia

Vyhľadávanie

Základný výskum

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

Hlavný výskum

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

Prispievatelia do výskumu

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

Správanie modelu

Laurentia Romaniuk

Multimodálna organizácia

Andrew Gibiansky, Yang Lu

Údaje

Vedúci pre údaje

Gildas Chabot, James Park Lennon

Údaje

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

Moderátori

Hazel Byrne, Jennifer Luckenbill, Mariano López

Poradcovia pre ľudské údaje

Long Ouyang

Škálovanie

Vedúci inferencie

Brendan Quinn, Tomer Kaftan

Inferencia

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

Použité

Vedúci produktu ChatGPT

Jackie Shannon

Vedúci inžinierstva ChatGPT

Mengchao Zhong, Wayne Chang

Vedúci produktového dizajnu

Matt Chan

Dátová veda

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

Vedúci produktu Sora

Rohan Sahai, Wesam Manassra

Produkt a inžinierstvo Sora

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

Bezpečnosť

Bezpečnostný vedúci

Somay Jain

Bezpečnosť

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

Stratégia

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 a komunikácia

Vedúci komunikácie a marketingu

Minnia Feng, Natalie Summers, Taya Christianson

Komunikácia

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

Dizajn a kreatíva

Vedúci

Kendra Rimbach, Veit Moeller

Dizajn

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

Špeciálne poďakovanie

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