推出 ChatGPT Images 2.0（第 1/2 段）

🧑‍🏫 這是 OpenAI 發表新一代圖像模型 Images 2.0 的影片（字幕誤寫成 Imagen），前半段介紹它的新能力，並現場示範雜誌封面、穿搭建議和多頁漫畫。重點是 AI 畫圖不再只是好玩，字寫得對、版面有設計，還能一次出好幾張、邊聊邊改，已經接近能直接拿來用的工具。

• 00:10 今天發表 Images 2.0（字幕轉寫為 Imagen 2.0）。影片比喻：Dali 是洞穴壁畫，Imagen 1 是古代藝術，2.0 則是文藝復興
  ↳ 今天發表的是 Images 2.0（字幕誤寫成 Imagen）。影片用藝術史比喻：早期的 DALL·E 像洞穴壁畫，第一代像古代藝術，這代則到了文藝復興，意思是畫得成熟多了。
• 00:10 官方稱它是目前最聰明的圖像生成模型，能產出複雜、精緻、production-ready 的視覺內容，文字準確、設計有結構
  ↳ production-ready 指做出來就能直接拿去用，不用再修。官方的意思是它不只畫得漂亮，字寫得對、版面有規劃，可以直接當成品交出去。
• 00:10 模型不只是生成，還會思考與研究，也能上網搜尋，用最準確的資訊來產生圖片
  ↳ 以前是你說什麼它就畫什麼；現在它會先想清楚，必要時上網查資料再畫。比如要畫真實存在的東西或最新資訊，比較不會亂編。
• 00:42 能做出解釋複雜系統的 infographic，也能產生附上證明、解出數學題的圖片
  ↳ infographic 是資訊圖表，用圖加文字把一件事講清楚，像流程圖、懶人包。它也能把一道數學題的解法和證明畫成一張圖。
• 00:42 新增多語言能力，可以在同一張圖裡使用多種語言
  ↳ 同一張圖裡可以放好幾種語言，例如中文標題配英文說明，或一張菜單同時有中、英、日文，而且每種字都寫得出來。
• 00:42 圖像生成首次能一次產出多張不同的圖片，例如排版完整、附寫實照片的整本雜誌，或全屋每個房間的裝修計畫
  ↳ 以前一次只能出一張圖；現在可以一次給一整組不同但相關的圖，例如一本雜誌的每一頁，或家裡每個房間各自的裝修示意圖。
• 01:12 也能做角色會重複出現、劇情會延續的漫畫
  ↳ 漫畫最難的地方是同一個角色每格都要長得一樣，故事也要接得上。這代模型能做到角色不走樣、劇情連貫。
• 01:12 支援 2K 解析度與多種 aspect ratio，細節非常細緻
  ↳ 2K 指圖片解析度比較高，放大看細節仍然清楚。aspect ratio 是圖片的長寬比例，例如方形、直式手機桌布或橫式簡報，都能選。
• 01:12 定位從「讓人讚嘆的圖」轉為「用來探索、發明、打造、實現想法的圖」
  ↳ 以前大家用 AI 畫圖多半是好玩、拍照分享；官方希望它現在變成工具，拿來想點子、做設計，把腦中的想法真的做出來。
• 01:51 一年多前 ChatGPT 推出圖片功能。這次的進步被形容為「一次從 GPT-3 跳到 GPT-5」
  ↳ ChatGPT 一年多前開始能畫圖。GPT-3、GPT-5 是 OpenAI 不同世代的語言模型，這個比喻是說這次進步幅度很大，像一口氣跳過一整代。
• 02:21 即日起可在 ChatGPT 與 API 使用
  ↳ 在 ChatGPT 裡就能直接用。API 是讓工程師把這個模型接進自己 App 或服務的管道，所以別家的產品也能呼叫它。
• 02:21 講者：Gabe（ChatGPT research lead），以及圖像生成團隊研究員 Kuan、Kenji、Alex
  ↳ 主講人是 ChatGPT 研究負責人 Gabe，另外三位 Kuan、Kenji、Alex 是負責圖像生成的研究員。
• 02:21 Gabe 說新圖片看起來「就像一般的圖」。看久了再回頭看舊模型的圖，會發現許多以前沒注意到的錯誤
  ↳ 新圖自然到不會讓人覺得是 AI 畫的。看習慣之後再回頭看舊模型的圖，反而會一眼看出很多以前沒察覺的毛病。
• 02:51 示範一：用四位講者前一天的合照生成雜誌封面
  ↳ 第一個示範：拿四位講者前一天拍的合照，請模型做成一張雜誌封面。
• 03:22 模型的廣度與深度都很大。它特別擅長設計，會刻意安排文字在畫面中的位置
  ↳ 廣度是什麼題材都能畫，深度是每種都做得到位。它特別懂設計，標題、副標要放在哪裡都經過安排，不是隨便塞進畫面。
• 03:52 以前圖像生成連一個字都很難不拼錯，現在錯字非常少見，連一個都很難找到
  ↳ 以前 AI 畫圖最常被笑的就是字亂拼，招牌上常是看不懂的怪字。現在錯字少到很難找出一個。
• 04:22 能生成一整段文字、一整頁文字，甚至完整的雜誌版面，幾乎不出錯，小字也處理得很好
  ↳ 不只是短短一個標題，一整段、一整頁文字，甚至整本雜誌的排版都能做，連很小的字也清楚正確。
• 04:22 這次推出兩個版本：instant 版與 thinking 版
  ↳ 這次有兩個版本：instant 版是直接快速出圖；thinking 版會先想過再畫，適合比較複雜的需求。
• 04:52 thinking 版要切換 thinking mode 才能使用，開放給付費使用者。它會在生成前先思考、寫出好的 prompt，也能上網搜尋
  ↳ thinking mode 要自己切換開啟，只開放給付費使用者。prompt 就是你給 AI 的指令；它會先幫你把指令想清楚、寫得更好，也能上網查資料再畫。
• 05:22 示範二：去年曾把自拍轉成其他風格，今年用單一 prompt 就能生成一整部漫畫，例如三頁
  ↳ 去年大家玩的是把自拍換成某種畫風；今年只要一句指令，就能生出好幾頁的漫畫，例如三頁。
• 05:22 必須選擇 thinking mode 才能一次產生多張圖片。目前只開放付費使用者
  ↳ 想一次出好幾張圖（像多頁漫畫、整本雜誌），一定要開 thinking mode，目前只有付費使用者能用。
• 05:52 instant mode 從今天起開放所有人使用，視覺智慧比先前模型好很多。Kuan 稱它是第一個真正對日常生活有用的圖像模型
  ↳ instant mode 今天起開放所有人使用。它看懂圖和畫對圖的能力都比舊版強很多，Kuan 認為這是第一個在日常生活中真的用得上的圖像模型。
• 06:23 示範三：Kuan 上傳自己的人像照，請模型為暑假推薦八套夏季穿搭
  ↳ 第三個示範：Kuan 上傳自己的照片，請模型依本人的樣子推薦八套暑假穿的夏季穿搭。
• 06:23 這類任務需要兩種視覺智慧：visual understanding（看懂照片中的人）與 visual generation（把規劃好的版面變成條理清楚的圖）
  ↳ 這需要兩種能力。visual understanding 是看懂照片裡的人長什麼樣子；visual generation 是把規劃好的內容畫成清楚好讀的圖。
• 06:53 團隊表示這兩方面都有大幅進步，所以能把這類任務處理得很好。模型產出了八套穿搭
  ↳ 團隊說這兩種能力這次都進步很多，所以「先看懂、再規劃、再畫出來」這類任務能做得好。結果真的給出了八套穿搭。
• 07:24 Kuan 選了偏極簡的第一套，接著追問：放大這套，給一張主視覺、幾個不同角度，再加上服裝細節
  ↳ Kuan 挑了第一套偏極簡的，接著追問：把這套放大，給一張主視覺（最主要的展示圖）、幾個不同角度，再補上服裝細節。
• 08:25 第一張圖中每件單品都標上對應文字（例如 sneakers、fitted tee），人物也很像本人，顯示模型能同時處理大量圖像與文字
  ↳ 圖裡每件衣服旁都標了名稱，例如 sneakers（球鞋）、fitted tee（合身 T 恤），人物也很像本人。這表示它能同時把大量圖片和文字處理正確。
• 08:56 追問後的結果呈現 Kuan 穿上這套、從多個角度看的樣子，像在店裡試穿一樣
  ↳ 追問後產出的圖，就像 Kuan 真的穿上這套，在店裡試衣鏡前前後後轉著看一樣。
• 08:56 重點：新模型不再只是「給 prompt 回一張圖」，而是可以互動對話、用易懂圖片回應的 AI
  ↳ 以前是給一句指令、拿一張圖就結束；現在可以像聊天一樣接著問、請它修改，它也會用一看就懂的圖片回答你。
• 09:26 thinking mode 讓模型在最終輸出前先思考。適合複雜的 prompt、需要網路搜尋、多張圖要彼此一致，或需要先檢查成果的情況
  ↳ thinking mode 會先想好再交圖。適合這幾種情況：要求很複雜、需要上網查資料、好幾張圖要彼此一致，或希望它先檢查一遍再給你。
• 09:56 回顧 Gabe 和 Sam 的自拍漫畫：第一頁的人物像他們本人
  ↳ 回頭看 Gabe 和 Sam 的自拍漫畫：第一頁裡的人物，長得就像他們本人。
• 10:27 後續頁面的人物仍然像 Gabe 和 Sam，畫風延續第一頁，第一到第三頁的故事也保持一致
  ↳ 到了第二、三頁，人物還是像 Gabe 和 Sam，畫風跟第一頁一樣，三頁的故事也前後接得上。

根據影片，能一次生成多張圖片的 thinking mode 開放給哪些使用者？