很多网友猜想 GPT-4o 的图像生成采用了「自回归 + 扩散」的范式。比如 CMU 博士生 Sangyun Lee 在该功能发布后不久就发推猜想 GPT-4o 会先生成视觉 token，再由扩散模型将其解码到像素空间。而且他认为，GPT-4o ...

观察各种测试案例，可以发现 GPT-4o 能够实现多种神奇的功能或特性，包括主体关系控制、多视图生成、精准轮廓的风格迁移、知识理解能力、多轮对话编辑能力、多元素的一致稳定性控制、复杂文字嵌入和排版等。

就在刚刚，港中文的一位博士生Jie Liu破解了GPT-4o不一般的前端生图秘密：实际上，它很大可能是原生自回归（AR）生成的，甚至我们可以手动改图。 无独有偶，CMU博士Sangyun Lee也推测出，GPT-4o的图像生成原理，应该大致如下： ...

而现在，不论是家庭合照、个人头像，还是经典影视作品、社会标志事件，或者更多有梗的Meme照片，都被吉卜力风格重写。

鲸哥也用4o生成了自己的头像，大家看看是不是还挺好玩。要知道此前AI头像生成是小红薯上非常赚钱的副业赛道。现在门槛被打没了，你只需要一句话就可以生成（记得这是3D迪士尼风格即可）。

近日，关于GPT-4o文生图模型的惊人能力引发了广泛关注。这不仅因为它能精准还原细节，还能将复杂元素完美融合，重新定义了创意边界。通过多场景实测，我们发现GPT-4o的非自回归架构确实颠覆了传统设计流程。

北京时间 3 月 26 日凌晨，谷歌发布了号称最强推理模型的 Gemini Pro 2.5，而在谷歌之前，OpenAI 率先开了场直播，发布了 GPT-4o image ...

在医疗领域，GPT-4o 展示了令人惊讶的潜力。虽然它现阶段不能代替医师进行自主诊断，但可以将 X 光片等医疗影像转化为更容易理解的可视化效果。这也印证了具备优秀推理能力、图像解析能力以及语义理解能力的 LLM 几乎必然进入医疗领域的判断。

近日，一款名为 ComfyUI-C opilot 的创新工具引发了人工智能生成内容领域的广泛关注。这款工具通过将自然语言处理与 ComfyUI 的节点式工作流相结合，赋予用户如同 GPT-4o 般的图像生成与编辑能力。它的出现不仅大幅降低了使用门槛，还为新手和专业用户提供了一个高效、智能的创作平台，标志着 AI 图像生成技术向更人性化、自动化的方向迈出了重要一步。

自OpenAI发布GPT-4o原生图像生成功能以来，全球社交媒体迅速被“吉卜力风格”的AI生成图像刷屏。用户仅需上传图片并输入自然语言指令，即可将普通照片转化为日本动画大师宫崎骏作品般的艺术画面。马斯克、特朗普等名人形象，甚至《指环王》经典场景均被二 ...

大语言模型圈子有一句话，叫做「未来提出问题比得到答案更重要」，GPT-4o 的绘画风格也是同理，吉卜力风格只是大家偶然发现并迅速破圈的一个例子，能否制作出更多的风格化内容，取决于用户自身的艺术素养和表达能力。 GPT-4o 的一个优势和改进在于，门槛大大降低。很多类似的画风，Stable Diffusion 可以炼 LoRA，Midjourney ...

无独有偶，CMU的博士Sangyun Lee也对GPT-4o的图像生成原理提出了自己的见解。他认为，GPT-4o首先生成视觉token，然后通过一种类似于Rolling ...