GPT-4o 图像生成架构被"破解"了！

最近一阵，，东谈主们随之意思意思：

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？

动作解答，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 在图像生成上的确切发达。

这份量化评估基准不仅囊括了生成质地、裁剪武艺和知识推理，还尝试揭示GPT-4o 背后的可能架构，还探讨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 + 自总结混杂决议

GPT-ImgEval 团队尝试"反向破解"GPT-4o 的图像生成架构。

有筹商团队在论文中提倡了 4 种候选架构决议（见下图），尽管细大致有不同，但有少许是一致的：GPT-4o 很可能汲取的是自总结骨干 + 扩散头的混杂结构。

粗拙来说，它的责任经由可能是这么的：文本或指示→ 自总结模块知晓语义 → 生成中间视觉 Token → 扩散模子将这些 Token 解码成图像。

天然，架构忖度不成仅靠遐想。为此，有筹商团队盘算推算了一套严谨的实证步履：

先考中一组和谐的文本教唆（prompt），划分使用自总结模子（VAR）和扩散模子（Diffusion）各自生成 1 万张图像动作对比样本；

诓骗这些图像教养一个二分类器，让它学会识别图像是" AR 作风"仍是" 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。

也等于说，通盘过程中，教唆词保持充足一致，只看不同模子生成的图像"长得像谁"，以此判断 GPT-4o 的生成面孔更接近哪类结构。

收尾很平直：GPT-4o 生成的图像简直一谈被识别为"扩散作风"，这就从图像作风维度考证了 GPT-4o 的确可能用了扩散模子动作解码器。

除了对视觉解码器的分析，有筹商东谈主员也深切探讨了视觉编码面孔。他们指出，一些有筹商（如 UniTok）合计基于向量量化（VQ）的编码器可能会收缩模子的语义知晓武艺。

因此，作家合计若是汲取了 pixel encoder，其简略率是一语气（非 VQ）的而不是闹翻（VQ）的，并基于此提倡了四种可能的好意思满架构暗示图。

三大维度全面评估 GPT-4o 图像武艺

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、热枕、位置、组合属性等细粒度维度进行测评，考证模子对文本的知晓与图像的构造武艺。

指示裁剪图像（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裁剪的武艺，如替换、删除、变色等。

基于天下知识的语义合成（WISE）：检会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。

为了救济这一系统评估，有筹商团队设备了一套针对 GPT-4o 的自动化交互剧本，科罚了面前该模子尚未通达图像生成 API 的实际问题。

这套剧本平直与 GPT-4o 网页界面交互，模拟确切用户行为：

自动输入教唆词（Prompt）、点击提交

自动持取生成图像并存储存档

每次恳求会新开浏览器窗口，确保不同任务之间坎坷文不互联系扰

救济任务批量运转，可竣事大范围、可重叠的图像生成任务诊治

最终，GPT-ImgEval 的全体责任流如下图所示：

在文本生成图像（GenEval）任务中，GPT-4o 得到了0.84 的总得分，越过当今扫数扩散类与自总结类图像生成模子。

尤其在以下几项中发达隆起：数目收尾（0.85）、热枕绑定（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：

而在图像裁剪任务（Reason-Edit）中，GPT-4o 得分高达0.929，最初第二名跳动 0.35，评释其在指示知晓和局部收尾上发达极其分解。

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）得分均跳动 0.9，总分 0.89，远高于面前开源模子（大量在 0.4~0.5 之间）。

这评释 GPT-4o 具有宏大的天下知识和推理武艺，这应该是收获于 GPT-4o 这种和谐多模态框架。

更多磋辩论断 GPT-4o vs Gemini 2.0 Flash：多轮裁剪对比

有筹商团队还对 GPT-4o 与 Google 的 Gemini 2.0 Flash 进行了多轮图像裁剪对比。

除了性能与架构机制，GPT-4o 在实质的使用体验中也展现出了强盛的竞争力。有筹商团队对其与 Google 最新发布的 Gemini 2.0 Flash 进行了多轮裁剪任务的实测对比。

GPT-4o 救济好意思满的多轮对话式裁剪经由，坎坷文一致性强

Gemini 反应速率更快，但每轮需重新上传图像，零落一语气性

在一语气修改、复杂指示知晓、图像语义保持方面，GPT-4o 发达出更高的分解性

从全体趋势来看，两者在裁剪轮数增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 多轮裁剪一致性对比如下图所示：

这一双比收尾也进一步考证了：会通大模子语义知晓武艺的图像生成系统，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

有筹商团队总结出 GPT-4o 面前的五个常见生成难点：

无法严格保持原图尺寸与边框比例，随契机自动裁切或缩放

强制锐化，即使用户条目生成隐隐图，也会被模子"优化"成高清

裁剪偏暖、全图色调变化，即使只修改小部分，可能全图色调以致是全局都会被一定进程修改

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混乱

非英文文本救济较弱，如中语瑰丽常出错，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"精确收尾"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，有筹商团队进一步念念考一个缺陷问题：GPT-4o 生成的图像，是否简直不错"以伪乱真"？

为此，有筹商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。

收尾清楚，包括 Effort、FakeVLM 在内的多种检测器，对 GPT-4o 图像的识别准确率大量跳动 95%，最高接近 99.6%。

不单是停留在数值层面，有筹商团队还对量化评估奏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显然伪影

模子有过度锐化与细节增强倾向，视觉效力虽然"紧密"，却留住了被取证模子捕捉的踪迹

在用户未条目修改时，仍可能出现尺寸、色调的隐性变化，轻松了图像一致性

GPT-4o 生成图像色调大量偏暖，全体作风趋同，易被量化评估模子设立"作风识别模式"

可量化评估，并非瑕玷，而是 AIGC 安全盘算推算的基线武艺

有筹商团队合计，是否可量化评估，不应成为谋略生成模子武艺强弱的圭臬，而应被视为评估其可控性与安全性的蹙迫有筹商。

在异日的 AIGC 系统盘算推算中，"传神"天然蹙迫，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，也恰是鞭策生成量化评估有筹商的蹙迫破裂口。

这也恰是 GPT-ImgEval 的相反化亮点之一：不仅作念量化评估，更从安全机制的角度进行深切会诊和前瞻探索。

GPT-4o 很强，但"结尾"远未到来

GPT-ImgEval 不仅考证了 GPT-4o 在图像生成上的上风，更指出了它仍需破裂的短板。尤其是在可控性、多语种处理、局部裁剪分解性等方面，仍有不少提高空间。

GPT-ImgEval 不仅系统性考证了 GPT-4o 在图像生成、图像裁剪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、失败模式与安全鸿沟。

该有筹商不仅在评测维度上竣事了隐私平时、量化精确，也从架构判别、裁剪可控性、多轮知晓武艺和伪影检测等多个层面，对 GPT-4o 进行了技巧全景式会诊。

有筹商团队合计，该责任的蹙迫意旨在于：

1、提供系统化多模态评估范式：初度从"生成 - 裁剪 - 推理"全经由动身，设立笼统图像武艺测试框架；

2、鞭策闭源模子的"可讲授评测"有筹商：在无法拜谒模子细节的前提下，设立架构忖度和行为归因机制；

3、强调通用多轮裁剪场景的实用价值：用用户视角考证语义知晓一致性与细节保真性，为交互盘算推算落地提供参考；

4、补都图像生成安全性有筹商缺口：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，鞭策 AIGC 取证技巧演进。

更多细节接待查阅原论文。

一键三连「点赞」「转发」「防御心」

接待在评述区留住你的主义！

—  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 / 面孔主页联络，以及相关面孔哦

咱们会（尽量）实时回应你

� � 点亮星标 � �

科技前沿进展逐日见欧洲杯体育