GPT-4o 图像生成架构被"破解"了！百事可撸

最近一阵，，东谈主们随之有趣：

4o 图像生成的架构底层逻辑到底是什么？GPT-4o 究竟强在哪？存在哪些短板？

看成解答，北京大学、中山大学等多家科研机构共同推出GPT-ImgEval，初度系统评估了 GPT-4o 在图像生成上的委果发达。

这份量化评估基准不仅囊括了生成质地、剪辑才气和知识推理，还尝试揭示GPT-4o 背后的可能架构，还磋议了它生成图像的可检测性问题。

底下具体来看。

GPT-4o 架构揭秘：可能使用了扩散 + 自追思羼杂决策

GPT-ImgEval 团队尝试"反向破解"GPT-4o 的图像生成架构。

参谋团队在论文中提倡了 4 种候选架构决策（见下图），尽管细约莫有不同，但有小数是一致的：GPT-4o 很可能遴荐的是自追思骨干 + 扩散头的羼杂结构。

泛泛来说，它的责任过程可能是这么的：文本或指示→ 自追思模块透露语义 → 生成中间视觉 Token → 扩散模子将这些 Token 解码成图像。

天然，架构测度不成仅靠想象。为此，参谋团队遐想了一套严谨的实证面孔：

先录取一组调理的文本教唆（prompt），分离使用自追思模子（VAR）和扩散模子（Diffusion）各自生成 1 万张图像看成对比样本；

诳骗这些图像老师一个二分类器，让它学会识别图像是" AR 作风"一经" Diffusion 作风"；

然后，用相同的 Prompt 交给 GPT-4o 生成图像，将这些图像输入该分类器进行识别。

也即是说，通盘过程中，教唆词保持统调理致，只看不同模子生成的图像"长得像谁"，以此判断 GPT-4o 的生成方式更接近哪类结构。

完毕很凯旋：GPT-4o 生成的图像简直一齐被识别为"扩散作风"，这就从图像作风维度考据了 GPT-4o 的确可能用了扩散模子看成解码器。

除了对视觉解码器的分析，参谋东谈主员也深刻磋议了视觉编码方式。他们指出，一些参谋（如 UniTok）觉得基于向量量化（VQ）的编码器可能会松开模子的语义透露才气。

因此，作家觉得若是遴荐了 pixel encoder，其大要率是一语气（非 VQ）的而不是糟蹋（VQ）的，并基于此提倡了四种可能的完满架构表示图。

三大维度全面评估 GPT-4o 图像才气

GPT-ImgEval 聚焦三类中枢任务，对 GPT-4o 进行了系统评估：

文本生成图像（GenEval）：通过对物体数目、姿色、位置、组合属性等细粒度维度进行测评，考据模子对文本的透露与图像的构造才气。

指示剪辑图像（Reason-Edit）：模拟用户给出修改指示后，模子在保留图像语义基础上进行局部剪辑的才气，如替换、删除、变色等。

基于天下知识的语义合成（WISE）：磨练模子是否能将对天下学问、文化布景、科学旨趣等知识真确"显性化"为图像输出。

为了撑持这一系统评估，参谋团队开采了一套针对 GPT-4o 的自动化交互剧本，惩处了现时该模子尚未通达图像生成 API 的实际问题。

这套剧本凯旋与 GPT-4o 网页界面交互，模拟委果用户行径：

自动输入教唆词（Prompt）、点击提交

自动合手取生成图像并存储存档

每次恳求会新开浏览器窗口，确保不同任务之间落魄文不相互侵略

撑持任务批量启动，可达成大鸿沟、可交流的图像生成任务调养

最终百事可撸，GPT-ImgEval 的举座责任流如下图所示：

在文本生成图像（GenEval）任务中，GPT-4o 赢得了0.84 的总得分，高出现在总共扩散类与自追思类图像生成模子。

尤其在以下几项中发达隆起：数目戒指（0.85）、姿色绑定（0.92）、空间位置（0.75）、属性组合（0.61）。

下图是一些 GPT-4o 使用 GenEval 基准中的 prompt 生图的具体例子：

而在图像剪辑任务（Reason-Edit）中，GPT-4o 得分高达0.929，最初第二名最初 0.35，施展其在指示透露和局部戒指上发达极其矫捷。

在知识合成（WISE）任务中，GPT-4o 相同大放异彩，多个子维度（生物、文化、物理等）得分均最初 0.9，总分 0.89，远高于现时开源模子（大批在 0.4~0.5 之间）。

这施展 GPT-4o 具有重大的天下知识和推理才气，这应该是收货于 GPT-4o 这种调理多模态框架。

更多参谋论断 GPT-4o vs Gemini 2.0 Flash：多轮剪辑对比

参谋团队还对 GPT-4o 与 Google 的 Gemini 2.0 Flash 进行了多轮图像剪辑对比。

除了性能与架构机制，GPT-4o 在本色的使用体验中也展现出了刚劲的竞争力。参谋团队对其与 Google 最新发布的 Gemini 2.0 Flash 进行了多轮剪辑任务的实测对比。

GPT-4o 撑持完满的多轮对话式剪辑过程，落魄文一致性强

Gemini 反应速率更快，但每轮需重新上传图像，短少一语气性

在一语气修改、复杂指示透露、图像语义保持方面，GPT-4o 发达出更高的矫捷性

从举座趋势来看，两者在剪辑轮数加多后均出现一致性下落，但 GPT-4o 下落更缓，保持更稳。

GPT-4o 与 Gemini 2.0 Flash 多轮剪辑一致性对比如下图所示：

这一双比完毕也进一步考据了：交融大模子语义透露才气的图像生成系统，在交互式创作任务中，正在展现出压倒性上风。

GPT-4o 仍存五大问题，图像量化评估并非无解

参谋团队总结出 GPT-4o 现时的五个常见生成难点：

无法严格保持原图尺寸与边框比例，巧合会自动裁切或缩放

强制锐化，即使用户条目生成迂缓图，也会被模子"优化"成高清

剪辑偏暖、全图色调变化，即使只修改小部分，可能全图色调甚而是全局都会被一定进度修改

复杂场景失真，多东谈主或东谈主 - 物体交互场景易出现姿态不天然或结构紊乱

非英文文本撑持较弱，如汉文标识常出错，难以在复杂布景准确生成

这些问题不仅影响使用体验，也教唆咱们—— GPT-4o 仍在追求"天然感"与"精确戒指"之间寻找均衡。

这些图像能被检测出来吗？

除了感知层面的不雅察和评估，参谋团队进一步念念考一个关节问题：GPT-4o 生成的图像，是否的确不错"以伪乱真"？

为此，参谋者使用多个主流图像取证模子，对 GPT-4o 生成的图像进行了系统性评估。

完毕表露，包括 Effort、FakeVLM 在内的多种检测器，对 GPT-4o 图像的识别准确率大批最初 95%，最高接近 99.6%。

不单是停留在数值层面，参谋团队还对量化评估见效的原因进行了机制层面的归因分析：

GPT-4o 可能在图像生成过程中引入了超分辨率模块，通过上采样插值导致赫然伪影

模子有过度锐化与细节增强倾向，视觉后果虽然"精采"，却留住了被取证模子捕捉的印迹

在用户未条目修改时，仍可能出现尺寸、色调的隐性变化，糟蹋了图像一致性

GPT-4o 生成图像色调大批偏暖，举座作风趋同，易被量化评估模子开采"作风识别模式"

可量化评估，并非瑕玷，而是 AIGC 安全遐想的基线才气

参谋团队觉得，是否可量化评估，不应成为筹划生成模子才气强弱的圭臬，而应被视为评估其可控性与安全性的进犯诡计。

在将来的 AIGC 系统遐想中，"传神"虽然进犯，但"可识别"、"可跟踪"相同不可或缺。GPT-4o 生成图像中的伪影、色调偏好等特征，也恰是鼓动生成量化评估参谋的进犯冲破口。

这也恰是 GPT-ImgEval 的互异化亮点之一：不仅作念量化评估，更从安全机制的角度进行深刻会诊和前瞻探索。

GPT-4o 很强，但"末端"远未到来

GPT-ImgEval 不仅考据了 GPT-4o 在图像生成上的上风，更指出了它仍需冲破的短板。尤其是在可控性、多语种处理、局部剪辑矫捷性等方面，仍有不少提高空间。

GPT-ImgEval 不仅系统性考据了 GPT-4o 在图像生成、图像剪辑与知识合成三大任务中的最初发达，更进一步揭示了其架构特征、失败模式与安全领域。

该参谋不仅在评测维度上达成了阴事粗浅、量化精确，也从架构判别、剪辑可控性、多轮透露才气和伪影检测等多个层面，对 GPT-4o 进行了时刻全景式会诊。

参谋团队觉得，该责任的进犯意旨在于：

1、提供系统化多模态评估范式：初度从"生成 - 剪辑 - 推理"全过程起程，开采详细图像才气测试框架；

2、鼓动闭源模子的"可讲授评测"参谋：在无法打听模子细节的前提下，开采架构测度和行径归因机制；

3、强调通用多轮剪辑场景的实用价值：用用户视角考据语义透露一致性与细节保真性，为交互遐想落地提供参考；

4、补皆图像生成安全性参谋缺口：通过可检测性实证，发现图像中的上采样 / 超分伪影、色调特征，鼓动 AIGC 取证时刻演进。

更多细节宥恕查阅原论文。

一键三连「点赞」「转发」「留神心」

宥恕在批驳区留住你的方针！

—  完  —

学术投稿请于责任日发邮件到：

ai@qbitai.com

标题注明【投稿】，告诉咱们：

你是谁，从哪来，投稿内容‍

附上论文 / 格式主页一语气，以及相关方式哦

咱们会（尽量）实时复兴你

� � 点亮星标 � �

科技前沿进展逐日见百事可撸