OpenAI 发布 ChatGPT Images 2.0：多语言支持、思考能力与精准控制（第 1/2 部分）

编辑：Panda、Youli

北京时间凌晨 3 点，直播准时开始，OpenAI 正式发布了 ChatGPT Images 2.0。

据介绍，「ChatGPT Images 2.0 是下一步进化：一个最先进的模型，能够处理复杂的视觉任务，并生成精确、可直接使用的视觉内容。」

似乎也正因为此，OpenAI 发布的官方博客内容还提供了两个版本（图像模式与经典模式），其中图像模式下的内容完全是由该模型生成的！

在博客中，OpenAI 表示：「图像是一种语言，而不是装饰。好的图像，就像好的句子一样，会进行选择、组织与呈现。它可以解释机制，营造氛围，验证想法，或构建论证。」

ChatGPT Images 2.0 模型在细致遵循指令方面实现了质的跃迁，能够准确放置与关联对象，并渲染高密度文本，同时支持多种宽高比生成。它在构图与视觉审美上的能力，使输出不再像「AI 生成」，而更像「有意设计」。

并且其在多语言环境下同样表现准确，并能利用扩展的视觉与世界知识为你补全细节，从而以更少提示词获得更智能的图像。

为应对最复杂的任务，Images 2.0 首次引入「思考能力」。在 ChatGPT 中选择 thinking 或 pro 模型时，Images 2.0 可以联网获取实时信息，从一个提示生成多张不同图像，并对自身输出进行复核。借助「思考」，模型能够承担从想法到图像之间更多的工作，尤其在准确性、时效性、一致性与视觉统一性至关重要时。

结合 OpenAI 推理模型的智能与对视觉世界的深刻理解，这一模型将图像生成从「渲染」提升为「策略性设计」，从工具进化为视觉系统，帮助人们将想法转化为可理解、可分享、可教学、可构建的成果。

该能力已从今日起向 ChatGPT、Codex 与 API 的所有用户开放。

更高的精度与控制力

Images 2.0 为图像创作带来了前所未有的具体性与还原度。它不仅能构思更复杂的图像，还能有效将其实现，能够严格遵循指令，保留关键细节，并渲染以往模型容易失真的精细元素：小文本、图标、UI 元素、高密度构图以及细微风格约束。在 API 中最高支持 2K 分辨率。结果不再是「差不多」，而是「可以直接使用」。

注意看，下面这张截图整体上其实是 Images 2.0 生成的！

更强的多语言能力

以往图像生成模型在英语及拉丁字母语言中表现更稳定，但在其他语言，尤其是复杂或密集文本时精度较低。

Images 2.0 突破了这一限制，在多语言理解上显著增强，尤其是在日语、韩语、中文、印地语与孟加拉语的文本渲染方面有明显提升。它不仅能正确生成非英语文本，还能保证语言表达自然流畅。

这不仅意味着翻译标签，而是让语言本身成为设计的一部分，从海报、说明图，到图解与漫画，都能实现视觉与语言的统一。这使模型具备更强的全球适用性，让用户能够在真实使用的语言环境中创作视觉内容。

在直播中，OpenAI 图像研究团队的成员陈博远展示了一个案例，他给出提示词：「Make a artistic marketing poster for a fictional OpenAI bakery. The poster should be in Japanese language.」

结果生成的海报完全符合提示词，且在细节上也能够做到精准。

「它非常擅长遵循非常详细的指令，所以如果你有非常具体的品牌语言、设计美学——所有那些对创意工作至关重要的东西——你都可以使用 ChatGPT 来创建和完善你的想法，从而得到你想要的结果。」陈博远说道。

更成熟的风格表达与真实感

Images 2.0 在多种视觉风格上的还原度显著提升。它更擅长捕捉照片的关键特征，包括那些增强真实感的微小瑕疵，同时也能稳定呈现电影感画面、像素艺术、漫画等多种视觉语言，在纹理、光影、构图与细节上更一致。

因此，模型输出更贴近指定风格，而非近似模仿。这对于游戏原型设计、分镜制作、营销创意，以及特定媒介或类型的资产创作尤为有价值。

灵活的宽高比

新模型在输出形式上更灵活，支持从 3:1 到 1:3 的多种宽高比，可直接适配横幅、演示文稿、海报、手机界面、书签及社交媒体图形等不同场景。你可以在提示中指定宽高比，或通过预设选项将已有图像重新生成至新的尺寸。

下面展示了两个非常规宽高比的示例：

更强的现实世界理解

Images 2.0 引入了截至 2025 年 12 月的知识，使生成结果在相关性与语境准确性上更进一步。这对于说明图、教育图形与可视化总结尤为关键，因为在这些场景中，正确性与清晰度与美观同样重要。

其智能能力还体现在端到端任务处理上：整合信息、撰写内容，并以清晰结构、合理留白与良好视觉流进行排版。

视觉思考伙伴

在 ChatGPT 中启用 thinking 模型后，系统会在后台进行更深入的理解与执行。它可以联网检索信息，将上传材料转化为清晰的视觉说明，并在生成前对图像结构进行推理。

在这种模式下，Images 2.0 更像一个视觉思考伙伴，帮助你将初步概念推进为完整成品，大幅降低工作量。

它还支持一次生成多张不同图像，这在 ChatGPT 图像生成中尚属首次。这使得诸如多页漫画、整屋设计方案、系列海报或多语言多尺寸社交素材等工作流变得高效可行。

你无需逐张生成再手动拼接，只需一次请求，即可获得最多八张在角色与元素上保持一致、且具有连续性的输出。

在 Codex 中使用图像生成

Images 能力被整合进 Codex，使视觉创作、迭代与交付在同一工作空间内完成，拓展了其在设计、营销、产品、销售及学习等领域的应用。

例如，你可以快速生成多种 UI 方向与原型，比较方案，并将最佳设计直接转化为产品或网页体验，无需离开 Codex。通过 ChatGPT 订阅即可使用，无需额外 API 密钥。

通过 API 将图像能力嵌入产品

开发者与企业可通过 gpt-image-2 API 将这些能力集成进自身产品，在现有工作流中加入高质量图像生成与编辑能力。

凭借更强的文本渲染、多语言生成、指令遵循能力，以及更多输出格式与宽高比支持，API 更易于构建真实业务场景中的图像工作流，例如本地化广告、信息图、说明图、教育内容、设计工具、创意平台及网页生成产品。

局限性

OpenAI 也在博客中提到了该模型的局限性：尽管 Images 2.0 是重要进步，但仍不完美。对于需要完整物理世界建模的任务（如折纸教程、魔方等复杂结构），以及隐藏面、倾斜面或反向表面的精确细节，模型仍可能表现不足。

极高密度或重复性细节（如细沙）也可能带来挑战。标签与图示在涉及精确箭头或部件标注时，仍建议人工校对。

这些都是未来改进的重要方向。

在 API 中，超过 2K 的输出目前仍处于测试阶段，可能出现不稳定情况。

定价与可用性

自即日起，ChatGPT Images 2.0 已向所有 ChatGPT 及 Codex 用户开放。具备“思考”能力的高级输出功能，面向 ChatGPT Plus、Pro 与 Business 用户提供。

gpt-image-2 模型已同步在 API 中上线，价格根据图像质量与分辨率有所差异。

OpenAI 官网也已上线大量案例展示，感兴趣的读者可自行前往查看。

我们亦进行了一些简单测试。例如，让模型生成一张中国高考数学试卷第 2 页，效果尚可：

实测过程中，我们观察到 ChatGPT Images 2.0 在生成一张图片时通常经历多个步骤：创建 → 打草稿 → 生成初稿 → 搭建场景 → 打磨细节 → 收尾 → 最后润色 → 最后微调。

接下来，我们进一步测试：要求生成一张《将进酒》繁体中文草书书法作品，宽高比 3:1，内容为李白《将进酒》全文，落款为“ChatGPT Images 2.0”：

不过，模型并未生成完整内容，且字体明显不是草书。

最后，我们尝试生成一页“闪电五连鞭”功夫招式图解说明：

效果颇为有趣。

整体体验下来，我们认为 ChatGPT Images 2.0 在能力上明显优于目前的 Nano Banana 2。接下来，且看谷歌如何应对。

你试过 ChatGPT Images 2.0 了吗？感觉如何？

关注“鲸栖”小程序，掌握最新AI资讯