Представляем генерацию изображений в 4o25.03.2025 11:05

В OpenAI мы всегда верили, что генерация изображений должна быть базовой функцией наших языковых моделей. Именно поэтому мы встроили наш самый передовой генератор изображений в GPT‑4o. Результат — генерация изображений, которые не просто красивы, но и полезны.

От первых наскальных рисунков до современных инфографик — люди использовали визуальные образы для общения, убеждения и анализа, а не просто для украшения. Современные генеративные модели способны создавать сюрреалистичные, захватывающие дух сцены, однако им сложно даются прикладные изображения, которые люди используют для обмена информацией и ее создания. От логотипов до диаграмм — изображения могут передавать точный смысл, если они дополнены символами, отсылающими к общему языку и опыту.

Генерация изображений в GPT‑4o превосходно справляется с точным рендерингом текста, четким следованием промптам и использованием встроенной базы знаний 4o и контекста чата, включая преобразование загруженных изображений или использование их в качестве визуального вдохновения. Эти возможности упрощают создание именно тех изображений, которые вы себе представляете, помогая эффективнее общаться с помощью визуальных средств и превращая генерацию изображений в практичный инструмент, обладающий точностью и мощью.

Мы обучили наши модели на совместном распределении онлайн-изображений и текста, научив их не просто тому, как изображения соотносятся с языком, но и как они соотносятся друг с другом. В сочетании с интенсивным пост-обучением это позволило получить модель с поразительной визуальной беглостью, способную создавать полезные, согласованные и контекстно-зависимые изображения.

Обучение на изображениях, отражающих огромное разнообразие визуальных стилей, позволяет модели создавать или преобразовывать изображения с высокой степенью убедительности.

Наша модель не идеальна. Нам известно о ряде ограничений, над устранением которых мы будем работать путем усовершенствования модели после ее первоначального запуска.

В соответствии с нашей спецификацией модели (Model Spec), мы стремимся максимизировать творческую свободу, поддерживая такие ценные варианты использования, как разработка игр, исторические исследования и образование, и при этом поддерживая строгие стандарты безопасности. В то же время по-прежнему крайне важно блокировать запросы, нарушающие эти стандарты. Ниже приведены результаты оценки дополнительных областей риска, в которых мы работаем над обеспечением безопасного контента высокой полезности и поддержкой более широкого творческого самовыражения пользователей.

Происхождение с помощью C2PA и внутренний обратимый поиск
Все сгенерированные изображения содержат метаданные C2PA⁠, которые идентифицируют изображение как созданное с помощью GPT‑4o, в целях обеспечения прозрачности. Мы также создали внутренний поисковый инструмент, который использует технические атрибуты созданных изображений, чтобы помочь проверить, создано ли содержимое нашей моделью.

Блокировка нежелательного контента
Мы продолжаем блокировать запросы на создание изображений, которые могут нарушать наши правила в отношении контента, такие как материалы с изображением сексуального насилия над детьми и сексуальные дипфейки. Когда в контексте фигурируют изображения реальных людей, у нас действуют более строгие ограничения в отношении того, какие изображения могут быть созданы, с особенно надежными средствами защиты от наготы и жестокого насилия. Как и при любом запуске, работа над безопасностью никогда не завершается, а представляет собой постоянную область инвестиций. По мере того как мы будем узнавать больше о реальном использовании этой модели, мы будем соответствующим образом корректировать нашу политику.

Подробнее о нашем подходе читайте в приложении к системной карте GPT‑4o⁠.

Использование рассуждений для обеспечения безопасности
Аналогично нашей работе по сознательному выравниванию (deliberative alignment)⁠, мы обучили LLM с возможностью логического рассуждения работать непосредственно на основе написанных человеком и понятных спецификаций безопасности. Мы использовали эту рассуждающую LLM во время разработки, чтобы помочь нам выявлять и устранять двусмысленности в наших правилах. Наряду с нашими мультимодальными достижениями и существующими методами безопасности, разработанными для ChatGPT и Sora, это позволяет нам модерировать⁠ как входной текст, так и выходные изображения в соответствии с нашими правилами.

Генерация изображений с помощью 4o становится доступна начиная с сегодняшнего дня для пользователей Plus, Pro, Team и Free в качестве генератора изображений по умолчанию в ChatGPT, а в ближайшее время доступ появится для Enterprise и Edu. Она также доступна для использования в Sora. Для тех, кто хранит в своем сердце особую любовь к DALL·E, к ней по-прежнему можно получить доступ через специальный DALL·E GPT.

Разработчики скоро смогут генерировать изображения с помощью GPT‑4o через API, при этом доступ будет открываться в течение ближайших нескольких недель.

Создание и настройка изображений так же просты, как общение с помощью GPT‑4o — просто опишите, что вам нужно, указав любые детали, такие как соотношение сторон, точные цвета с использованием шестнадцатеричных кодов (hex-кодов) или прозрачный фон. Поскольку эта модель создает более детализированные изображения, рендеринг картинок занимает больше времени, часто до одной минуты.