过去，人们很容易区分人类制作的图像和AI生成的图像——仅仅两年前，使用图像模型生成墨西哥餐厅菜单时，常常会出现诸如“enchuita”、“churiros”、“burrto”和“margartas”等不存在的菜名。
如今，当我让全新的ChatGPT Images 2.0模型生成墨西哥餐厅菜单时，它能直接生成一份可以在餐厅使用的菜单，顾客几乎察觉不到异常。（不过，13.50美元的酸橘汁腌鱼价格可能会让人怀疑鱼的质量。）
作为对比，以下是两年前我用DALL-E 3生成的结果（当时ChatGPT还不支持生成图像）：
历史上，AI图像生成器在拼写方面表现不佳，因为它们通常采用扩散模型，通过从噪声中重建图像来工作。
Lesan AI的创始人兼CEO Asmelash Teka Hadgu在2024年接受采访时表示：“扩散模型是在重建给定的输入，我们可以假设图像上的文字只占极小一部分，因此图像生成器主要学习覆盖更多像素的模式。”
研究人员随后探索了其他图像生成机制，比如自回归模型，这类模型通过预测图像应有的样子，运作方式更类似于大型语言模型（LLM）。
不过，OpenAI在本周的新闻发布会上拒绝透露ChatGPT Images 2.0背后的具体模型类型。
公司解释称，新模型具备“思考能力”，能够进行网络搜索、根据一个提示生成多张图像，并对生成内容进行多次核查。这使得Images 2.0能够生成不同尺寸的营销素材以及多格漫画。
OpenAI还表示，Images 2.0对非拉丁文字（如日语、韩语、印地语和孟加拉语）的渲染理解更强。该模型的知识截止于2025年12月，这可能影响其对涉及近期新闻的提示的生成准确性。
OpenAI在新闻稿中指出：“Images 2.0在图像创作上带来了前所未有的细节和真实感。它不仅能构思更复杂的图像，还能有效实现这些构想，能够遵循指令，保留请求的细节，呈现常常令图像模型崩溃的细微元素：小文字、图标、用户界面元素、密集构图和细微的风格限制，最高支持2K分辨率。”
这些能力意味着图像生成速度不如直接向ChatGPT提问那么快，但生成复杂内容如多格漫画仍只需几分钟。
所有ChatGPT和Codex用户将于周二开始使用Images 2.0，付费用户可以生成更高级的输出。OpenAI还将开放gpt-image-2 API，价格将根据输出的质量和分辨率而定。
