GPT-Image-2 ：随意做出可作为“证据”的图片，强到让人恐慌

+242。

这是 4 月 21 日 GPT-Image-2 在 Image Arena Text-to-Image 排行榜上领先第二名的 Elo 分差。Arena 官方用了一个词：clean sweep ——全榜第一，没有例外。

OpenAI 在这天正式发布了 GPT-Image-2。面向所有 ChatGPT 用户，API 预计 5 月初跟进。核心参数：最高 4096 × 4096 分辨率，生成速度比前代快一倍，文字渲染准确率从前代的 90-95% 跳到约 99%。定价每百万 token $8-$30，折合单张图片 $0.006-$0.211。

模型分两种模式。Instant 是快出图，所有人可用；Thinking 模式集成推理和网页搜索，单次最多生成 8 张风格一致的图片——但锁在 Plus 及以上付费层级。

只看参数，这像一次常规迭代。但 Arena 创始人 @ml_angelopoulos 看完 Arena 榜单后说了一句话："literally broke the chart ——有史以来最大的差距。"

差距背后是一个积攒了三年的问题终于被正面回应了。AI 图像生成最大的笑话，一直是文字。

DALL-E 3 拼不对复杂单词，Midjourney 把招牌写成乱码，Stable Diffusion 在海报上输出鬼画符。文字渲染是生图模型的 " 手指问题 " ——不是不重要，而是一做就露馅。99% 的准确率如果成立，AI 生成的海报、菜单、UI 截图、品牌物料第一次可以跳过人工修正，直接交付。

生图模型的能力边界，正在从 " 视觉 " 扩展到 " 信息 "。

1. 案例：它到底能做什么

发布当天，社区反应几乎是即时的。

文字渲染是发布当天被验证最多的能力。VentureBeat 的 Carl Franzen 让模型生成阿兹特克、玛雅和印加三大帝国版图的历史地图，附完整图例。地图准确、图例完全可读，他用的词是 "seemingly flawlessly"。

TechCrunch 的 Amanda Silberling 让模型生成一份墨西哥餐厅菜单——两年前 DALL-E 3 拼不对 "enchilada"，这次的输出 " 可以直接放进餐厅使用，客人不会察觉任何异样 "。

Thumio 创始人 @corbin_braun 连发几串 thread，做了更直觉的对比：把 Google Pro 3 和 GPT Image 2 的缩略图生成结果并排放出来。他的结论一个词："insane。" 同一天他还连发数条帖，称这是 "YouTube thumbnail endgame"。

文字之外，角色一致性是另一个被反复提到的点。OpenAI 演示了从一张自拍生成三页漫画的工作流，角色在多页间保持一致。美妆博主 @jameygannon 把这个能力拉进了商业场景：一条 prompt 生成一整套品牌 kit —— logo、配色、排版、多页应用。

值得注意的是，这些测试全部发生在发布后几小时内，来自不同人、不同场景、不同诉求。没有人在精心挑选最佳输出。

2. 技术拆解：为什么这次不一样

架构重写。 GPT-Image-2 不再基于 GPT-4o 的图像 pipeline。研究负责人 Boyuan Chen 将其定义为 "GPT for images" ——一个从头设计的独立系统。社区测试者在 4 月初 Arena 泄露阶段（模型以 maskingtape-alpha、gaffertape-alpha、packingtape-alpha 三个代号出现）就注意到变化：从两阶段生成转向单次推理。

用一个类比：过去的模型是 " 先听懂你说什么，再动手画 "，中间有一次信息压缩；GPT-Image-2 是 " 边理解边画 "，语言理解和图像生成在同一过程中完成。所以文字渲染终于准了——生成每个像素时，模型仍然 " 知道 " 自己在写什么字。

Thinking 模式。 开启后，模型在落笔前先规划构图，生成后检查输出，发现错误还会迭代修正。anti gamble 创始人 @damianplayer 的拆解："reasoning mid-generation —— plans the composition, checks its own output。" 推理集成还让模型可以在生成过程中调用网页搜索、将文档转化为视觉图表、在 8 张图片间维持角色一致性。

世界知识的飞跃。 训练数据明显偏向真实世界的视觉素材：UI 截图、店面招牌、界面布局。当你要求生成 " 普通工程师的屏幕 "，它输出的是可信的显示器画面，不是关键词拼贴。@Yuchenj_UW 试用后的判断很直接："It is really good. OpenAI is finally leading the image gen again。"

架构决定了它能 " 读懂 " 文字，Thinking 让它能 " 检查 " 文字，世界知识让它知道文字应该 " 长什么样 "。三层能力叠在一起，文字渲染从短板变成了长板。

3. 人类必须严肃对待这样的以假乱真能力

StartupFortune 在发布日给了一个定位：从 "creative novelty" 到 "production infrastructure"。品牌 mockup、广告设计、信息图表，过去因为文字不可靠而必须人工介入的场景，开始变成一条 prompt 可以交付的工作流。

不过 StartupFortune 自己也加了一句谨慎的提醒："benchmark performance and production performance often diverge。"99% 是实验室数字，真实世界的多语言、多字体、多排版场景能不能 hold 住，5 月 API 开放后才会有答案。

我们更关心的是另一个问题。

Jake Handy 在发布日的 Substack 技术拆解中写了当天最尖锐的一段：让 GPT-Image-2 成为最好生产力工具的那组能力——精确的文字渲染、可信的 UI 布局、真实世界的视觉词汇——恰好也是制造虚假信息的完美工具集。

假 UI 截图、假 Bloomberg 终端、假法庭文件、假 Slack 对话，"every one of those is dense text laid over a known visual vocabulary, which is the exact workload OpenAI optimized for。"（" 这些中的每一个都是在已知视觉词汇之上叠加的密集文本，而这正是 OpenAI 所优化的工作负载。）

这个观察之所以刺眼，是因为它不是在说模型有什么 " 副作用 "，它在说模型最被赞美的那个能力——把文字精确地嵌入可信的视觉场景——本身就是双刃的。

过去的生图模型因为文字太烂，反而天然带有一层 " 防伪标记 "：一眼就能看出是 AI 做的。GPT-Image-2 把这层天然屏障拆掉了。

OpenAI 的应对是 C2PA 元数据水印和溯源分类器。image-2 lauch 的直播中，产品负责人 Adele Li 在发布会上自己承认，元数据 "is not a silver bullet" ——截图、裁剪、平台压缩，任何一步都让水印失效。

Jake Handy 给出的定性我们认为是准确的："The model is an excellent problem。"

AI 图像生成确实进入了 " 文字时代 "。但文字可信这件事，在人类的媒介史上，从来就不只是一个技术问题。

这也许才是那个 " 强到不应该公开发布 " 的模型，今天之后，每个人都有了随意生成曾经都会被认作事实证据的图片，信息的判断变得前所未有的难，这个强到离谱的模型会在未来很长一段时间给人们带来恐慌，我们会看到因此而产生的各种冲突和讨论，人类必须一起严肃应对这种以假乱真的能力了。