推出 ChatGPT Images 2.0（第 2/2 段）

🧑‍🏫 這是 OpenAI 發表新一代圖像模型 ChatGPT Images 2.0 影片的後半段。重點不只是圖變漂亮，而是模型能先查資料、想清楚再畫，還能把中文、日文、印度語言等文字正確畫進圖裡。如果你常用 AI 做海報、社群圖或簡報素材，這段會直接影響你怎麼下指令。

• 10:57 幾週前團隊在 Llama Arena 以代號「Duct Tape」beta 測試此模型的 instant 版本，有網友推理出是 OpenAI，現在正式承認
  ↳ 正式推出前，團隊用代號「Duct Tape」（藏住身分的暫用名稱）把較快的 instant 版本放上 Llama Arena 試用。那是讓網友匿名比較 AI 模型的平台。有人猜出是 OpenAI，現在官方承認了。
• 10:57 示範 prompt：要求模型搜尋社群媒體對 Duct Tape 的反應並引用網友發言，畫面中出現來自 Threads、LinkedIn、Reddit 等的引言
  ↳ 他們下了一段 prompt（給 AI 的指令文字），要模型自己上網看大家怎麼評論 Duct Tape。圖裡真的出現 Threads、LinkedIn、Reddit 上網友說的話，代表它是先查資料再畫圖。
• 11:28 同一張圖裡還放了連到 chat.openai.com 的 QR code，現場實測可以掃描使用
  ↳ 同一張圖還放了一個 QR code，也就是手機掃了會開網頁的方形條碼，連到 ChatGPT。現場實際掃描可以用，代表模型畫出來的條碼是真的能讀，不是只長得像而已。
• 11:28 具備 thinking 的圖像生成能在一張圖裡完成複雜任務：web search、統整答案、放入 QR code
  ↳ image generation with thinking 指模型畫圖前會先思考規劃。所以它能在一張圖裡完成上網搜尋（web search）、整理重點、放進可用條碼這一串事，不只是照字面畫。
• 11:59 自然度（naturalness）大幅提升，輸出可以看起來就像自然拍攝的照片
  ↳ naturalness（自然度）指照片感夠不夠真。新模型畫出來的東西可以像隨手拍的照片，少了以往 AI 圖那種太光滑、太完美的假感。
• 12:29 在 prompt 加上 photorealistic 可觸發寫實效果，也可用 professional photography、shot on iPhone、disposable camera 等變化
  ↳ 想要寫實照片，就在指令加 photorealistic（照片級寫實）。也可以指定拍法，例如 professional photography（專業攝影）、shot on iPhone（手機拍）、disposable camera（拋棄式相機），質感會跟著變。
• 12:29 範例：假想回到 OpenAI 成立的 2015 年，但已經有 GPT Images 2，場景是一間講堂
  ↳ 示範題目是：假設回到 OpenAI 剛成立的 2015 年，當時就已經有這個圖像模型，畫一間正在上課的講堂。這是在測模型能不能處理一個帶想像情境的畫面。
• 12:59 模型能重現講堂的細微瑕疵、顆粒感與光線，投影片上的文字和模型自己想出的課程規劃也都很連貫
  ↳ 成果連講堂的小瑕疵、照片顆粒和光線都畫出來了。投影片上的字讀得通，課程內容是模型自己編的，前後也合理，代表它理解情境，不是隨便塞字。
• 12:59 長寬比更有彈性，可以做非常寬或非常高的圖，最高到 1x3 與 3x1
  ↳ aspect ratio 就是圖片的寬高比例。新模型可以做很扁或很長的圖，最多到寬是高的 3 倍，或高是寬的 3 倍，適合做橫幅、手機長圖這類版型。
• 13:29 示範團隊很喜歡的一個風格 prompt，產生很高的直式圖（脖子被拉得很長）；不方便當大頭貼時也能改成 1x1
  ↳ 團隊示範一個他們很愛的風格，畫成超高的直式圖，人物脖子被拉得很長，很有趣。要拿來當大頭貼不方便的話，可以改成 1x1 正方形。
• 14:00 結合長寬比與自然度：請模型生成登月的 360 度圖像，看起來就像 360 度全景照片
  ↳ 接著把可以做很寬的圖和寫實感結合，請模型畫一張登月的 360 度全景照片（panorama），就是可以四周環顧一圈的那種照片。
• 14:30 放進講者事先用程式快速寫好的全景檢視器，畫面前後一致，太陽與影子方向也正確
  ↳ 講者把圖放進自己用程式快速寫的全景檢視器，轉一圈看，前後畫面接得起來，太陽位置和影子方向也一致。代表模型有掌握空間和光線的邏輯。
• 15:04 Sam 表示圖像很美，但更驚人的是背後的智慧，這是和其他圖像生成服務最大的差異
  ↳ Sam 指的是 OpenAI 執行長 Sam Altman。他說圖很美，但真正厲害的是背後會理解、會推理的能力，他認為這是跟其他 AI 畫圖服務最大的不同。
• 15:04 Gabe 表示 photorealism 這個字會在模型裡觸發很有趣的效果，推薦大家試試看
  ↳ 主持人 Gabe 補充，在指令裡寫 photorealism（寫實主義）這個字，模型會出現很有意思的變化，建議大家自己試試看。
• 15:35 Boyuan（image and research 團隊成員）與 Nithanth（ChatGPT Images 團隊工程師）登場，介紹改良後的文字渲染能力
  ↳ 接著換兩位成員上台：研究團隊的 Boyuan 和 ChatGPT 圖像團隊的工程師 Nithanth。他們要介紹 text rendering，也就是把文字正確畫進圖裡的能力。
• 15:35 OpenAI 位於舊金山、以英文工作，但希望全世界的人都能享受生成圖像的樂趣，因此新模型大幅改進各語言、各文化的文字生成
  ↳ OpenAI 在舊金山、平常用英文工作，但使用者遍布全世界，所以這次特別加強各種語言和文化的文字。過去 AI 圖裡的非英文字常常亂掉或變成假字。
• 16:07 範例一：生成以世界各種語言為主題的 typography 藝術海報，包含很多語言
  ↳ 第一個例子是 typography 海報。typography 指以文字排版和字型為主角的設計，這張海報以世界各種語言為主題，一次放進很多種文字。
• 16:37 範例二：虛構在日本開一家 OpenAI Bakery，製作日文海報
  ↳ 第二個例子是虛構「OpenAI 在日本開了一家麵包店」，請模型做日文宣傳海報，測試它在日文情境下的文字和設計能力。
• 16:37 進步最多的是亞洲語言，如 Hindi、中文、韓文、日文，因為這些語言有上千個字元，不像英文只有 26 個字母
  ↳ 進步最多的是印地語（Hindi）、中文、韓文、日文這些亞洲語言。英文只有 26 個字母，這些語言的字卻有上千個，筆畫又複雜，對模型難很多。
• 17:09 以前模型很難記住這些字元，現在只要下 prompt 就能生成整頁這些語言的文字而不出錯
  ↳ 以前模型記不住這麼多字形，常寫出缺筆畫或不存在的字。現在下一次指令，就能產出一整頁這些語言的文字，而且不會出錯。
• 17:09 typography 海報刻意做成真實雜誌的照片樣式，看起來寫實，字也正確，例如中文「ni hao」、英文 hello、法文 bonjour
  ↳ 那張文字海報被刻意做成雜誌實拍照的樣子，看起來很真，上面的字也都對，例如中文的「你好」、英文 hello、法文 bonjour。
• 17:40 OpenAI Bakery 日文海報甚至把 logo 做進麵包裡，漢字與平假名都正確，放大也看得到細節
  ↳ 日文麵包店海報甚至把 logo 做進麵包造型裡。kanji（漢字）和 hiragana（平假名，日文的表音字母）都寫對了，放大看細節也清楚。
• 18:11 用實驗性的 4K API 生成一堆米的圖，其中只有一粒米上寫著 GPT Image 2，展示模型能做到多細
  ↳ 他們用還在實驗階段的 4K API 生成一張滿是米粒的高解析度圖。API 是給工程師把模型接進自家程式用的介面。圖中只有一粒米上寫著 GPT Image 2，展示它細節能做到多小。
• 18:42 新模型現在已開放所有使用者試用；用 app 的話要更新到最新版，看到歡迎畫面就代表可以使用了
  ↳ 新模型已開放所有使用者使用。手機 app 要先更新到最新版，打開後看到介紹新功能的歡迎畫面，就代表你已經可以用了。
• 18:42 日常範例：請模型用 Hindi 寫一份食譜
  ↳ 接著示範比較生活化的用法：請模型用印地語寫一份食譜，並做成圖。
• 19:13 新模型更懂也更會渲染多種語言，包括 Hindi、Telugu、Kannada、Tamil、Marathi 等印度語言，文字越密集，差異越明顯
  ↳ 新模型更懂、也更能正確寫出多種印度語言，例如 Hindi、Telugu、Kannada、Tamil、Marathi。圖上字越多越密，跟舊模型的差距就越明顯。
• 19:47 結果模型選了 aloo paratha，乍看之下文字沒有錯誤
  ↳ 模型自己挑了 aloo paratha，一種包馬鈴薯餡的印度煎餅。現場初步看過，上面的文字沒有錯。
• 19:47 app 新增多種 preset styles，選擇 create images 就能看到，其中有些特別能發揮新模型的能力
  ↳ app 新增 preset styles，就是預先設定好的畫風選項。點 create images（建立圖像）就看得到，其中幾種特別能展現新模型的強項。
• 20:17 拍下 OpenAI Bakery 海報的照片，請模型設計 logo，預計會產出 16 到 20 個 logo 點子
  ↳ 他們把剛才那張麵包店海報拍照上傳，請模型幫忙設計 logo，預期會一次給出 16 到 20 個不同的 logo 點子。
• 20:17 這只是簡單的 prompt；模型很擅長遵循非常詳細的指示
  ↳ 這次只用了很簡單的一句指令。其實模型很會照著又長又細的要求做，你寫得越清楚，結果越貼近你要的。
• 20:47 若有特定的品牌語言、設計美學等創作需求，可以在 ChatGPT 裡反覆迭代、修改，得到想要的結果
  ↳ 如果你有固定的品牌風格或美感要求，可以在 ChatGPT 裡一來一往修改，例如「顏色再柔和一點」「字換圓體」，慢慢調到滿意為止。
• 20:47 產出多款彩色 logo，團隊選了一款結合 OpenAI logo 與麵包的設計
  ↳ 模型產出好幾款彩色 logo，團隊最後挑了一款把 OpenAI 標誌和麵包結合在一起的設計。
• 21:18 此功能今天起已在 ChatGPT 與 API 上線
  ↳ 這個功能從發表當天起，已經在 ChatGPT 和 API 上都可以使用。

根據影片，新模型可以生成的極端長寬比最多到多少？