作者：：：林克

4月22日，，前几天还在灰测的GPT-image-2正式公测，，其现实使用成效引发了AI圈的热议。！！
！

和之前的图像天生的最关键变动是：：：字更分了然、、、海报更像设计稿了、、、UI截图终于能用。！！
！Ｕ庖踩猛枷裉焐Ｐ推鹜繁坏背沙霾ぞ呃椿嵘塘恕！！
！

先看看生功成效：：：

颗粒度更高的成效背后，，其实一条技术蹊径在拐弯。！！
！

从前几年主流步骤来自扩散模型diffusion的思路。！！
！Ｋ钠舫痰愫芷铀：：：若是一张清澈图片能够一步步加噪声造成雪花，，那么反过来，，从雪花一步步去噪，，就有机遇还原出一张图。！！
！

因而模型被训练去做一件事，，在分歧噪声阶段判断“下一步应该往哪儿收敛”。！！
！

这套步骤在视觉上很成功。！！
！Ｋ美胬砺叫涠钠鞑，，好比光影、、、纹理、、、人物细节。！！
！５幸桓鱿招┤撇煌馊サ慕峁剐韵薅：：：天生险些是“整体产生”的，，没有挨次概念。！！
！

从噪声到图像的过程中，，所有元素一路浮现出来。！！
！Ｈ宋、、、布景、、、装璜、、、文字，，都在统一个收敛轨道里被“涂抹”出来。！！
！ＤＰ兔挥小跋刃吹谝桓鲎、、、再写第二个字”的能力，，由于在它的世界里，，并不存在“字符”这种离散单元。！！
！

这就是早期模型为什么在文字上集体失灵。！！
！Ｋ吹健癏ELLO”，，学到的是几种常见的笔画组合；天生时，，会在某个区域给出一块“像文字的纹理”。！！
！Ｖ劣谧帜赴ご、、、拼写规定、、、句子长度，，这些约束不在它的表白系统里。！！
！

好多团队试图用更无数据、、、更高分辨率去添补，，但成效有限，，由于在陆续系统去仿照离散结构，，总会在关键地位犯错。！！
！

GPT-image-2这一代模型的变动，，刚好产生在这个断点上。！！
！

它首先把图像换了一种暗示方式。！！
！Ｍü泳醴执势鱰okenizer，，图像被拆成一系列离散单元，，类似文本里的token。！！
！Ｕ庋焕，，图像就造成能够逐步天生的序列。！！
！

一旦进入序列空间，，说话模型那套成熟的步骤就能够直接接入。！！
！Ｌ焐叹陀辛税ご，，能够“早年到后写出来”。！！
！０ご、、、长度、、、高低文约束，，都能够在这个过程中被显式节制。！！
！

更关键的一步，，是引入了靠近“agent”的训练思路。！！
！

Agent特点是先理解工作，，再形成打算，，最后执行。！！
！PT-image-2的天生链路里，，说话模型承担了类似“规划器”的角色。！！
！Ｋ崞揪菔淙，，把需要拆解成结构，，例如哪里是标题，，写什么内容，，大体占据什么地位，，是否必要多行排版。！！
！Ｕ飧龉潭杂没Р凰郊，，但在模型内部形成了一个隐式的布局草图。！！
！

接下来，，视觉部门在这个草图约束下去实现渲染。！！
！Ｎ淖殖晌桓霰惶崆敖缢岛玫闹副辍！！
！Ｗ址陌ご魏湍谌萦伤祷澳Ｐ途龆，，视觉模型掌管把它们以相宜的形状出现出来。！！
！

从工程角度看，，这是一条“规划—执行”链路被内嵌进模型自身，，像agent一样有步骤、、、有结构、、、有中央决策。！！
！

这种结构对文字的影响是立竿见影的。！！
！Ｓ捎谖淖中灾示褪且恢智吭际男蛄泄ぷ，，而说话模型正好擅利益理序列。！！
！５绷秸叨云胫，，“写对字”不再依赖命运，，而成为一个能够被不变优化的指标。！！
！

这也是为什么GPT-image-2在海报、、、UI、、、电商图这些场景阐发凸起。！！
！Ｕ庑┏【暗哪训阋幌蛟诮峁购驮际，，而不是纯视觉。！！
！Ｖ挥薪峁贡惶崆八，，后续渲染的自由度反而更容易节制。！！
！

国内模型目前大多处在两条蹊径的接壤处。！！
！

豆包图像已经起头引入说话模型参加天生决策，，在中文短文本和单一排版上有显著改善。！！
！Ｕ庾⒚鳌肮婊恪闭谛纬，，但在长文本和复杂布局上仍有颠簸，，意味着离散暗示和视觉渲染之间的对齐还不够稳。！！
！

快手的Kolors在视觉阐发上极度凸起，，风格和质感靠近行业第一梯队，，但文字更多还是在视觉阶段被赔偿，，不足前置约束，，一旦文本变长就容易失控。！！
！

阿里千问和百度的优势在于数据和场景，，尤其电商与搜索生态，，具备构建大规模结构化数据的前提。！！
！５壳巴枷裉焐廊灰涣絮杈，，说话模型尚未成为天生链路的主题节制者。！！
！

从步骤论上看，，差距集中在三点：：：图像是否被离散化为可序列处置的单元，，说话模型是否进入天生主链路，，以及是否成立了带布局与文本标注的数据系统。！！
！Ｕ馊咭坏┞蛲，，文字问题根基会随之隐没。！！
！

这条蹊径和文本模型的发展方向也在逐步重合。！！
！Ｏ馛laude之所以被好多开发者用于现实工作，，主题原因是由于它在执行复杂工作时更不变。！！
！

长高低文处置、、、结构化输出、、、步骤齐全，，这些能力让它更像一个能够交付了局的系统。！！
！PT系列从对话走向工具的过程，，性质也是在强化这种“实现工作”的能力。！！
！

图像天生正在经历类似的阶段。！！
！４印疤焐徽藕每吹耐肌，，走向“实现一个带视觉约束的工作”。！！
！

当说话模型、、、离散暗示和类似agent的规划机制叠加在一路，，图像就不再只是视觉了局，，而成为表白和执行的一种新载体。！！
！