GPT-4o 图像生成架构被 "破解" 了！
最近一阵，"万物皆可吉卜力" 让 GPT-4o 的图像生成功能一炮而红，人们随之好奇：
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？
作为解答，北京大学、中山大学等多家科研机构共同推出 GPT-ImgEval，首次系统评估了 GPT-4o 在图像生成上的真实表现。
这份量化评估基准不仅囊括了生成质量 、编辑能力 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。
下面具体来看。
GPT-4o 架构揭秘：可能使用了扩散 + 自回归混合方案
GPT-ImgEval 团队尝试 **"反向破解"**GPT-4o 的图像生成架构。
研究团队在论文中提出了 4 种候选架构方案（见下图），尽管细节略有不同，但有一点是一致的：GPT-4o 很可能采用的是自回归主干 + 扩散头的混合结构。
通俗来说，它的工作流程可能是这样的：文本或指令→ 自回归模块理解语义 → 生成中间视觉 Token → 扩散模型将这些 Token 解码成图像。
当然，架构猜测不能仅靠想象。为此，研究团队设计了一套严谨的实证方法：
-
先选取一组统一的文本提示（prompt），分别使用自回归模型（VAR）和扩散模型（Diffusion）各自生成 1 万张图像作为对比样本；
-
利用这些图像训练一个二分类器，让它学会识别图像是 "AR 风格" 还是"Diffusion 风格"；
-
然后，用同样的 Prompt 交给 GPT-4o 生成图像，将这些图像输入该分类器进行识别。
也就是说，整个过程中，提示词保持完全一致，只看不同模型生成的图像 "长得像谁"，以此判断 GPT-4o 的生成方式更接近哪类结构。
结果很直接：GPT-4o 生成的图像几乎全部被识别为 "扩散风格"，这就从图像风格维度验证了 GPT-4o 的确可能用了扩散模型作为解码器。
除了对视觉解码器的分析，研究人员也深入探讨了视觉编码方式。他们指出，一些研究（如 UniTok）认为基于向量量化（VQ）的编码器可能会削弱模型的语义理解能力。
因此，作者认为如果采用了 pixel encoder，其大概率是连续（非 VQ）的而不是离散（VQ）的，并基于此提出了四种可能的完整架构示意图。
三大维度全面评估 GPT-4o 图像能力
GPT-ImgEval 聚焦三类核心任务，对 GPT-4o 进行了系统评估：
-
文本生成图像（GenEval）：通过对物体数量、颜色、位置、组合属性等细粒度维度进行测评，验证模型对文本的理解与图像的构造能力。
-
指令编辑图像（Reason-Edit）：模拟用户给出修改指令后，模型在保留图像语义基础上进行局部编辑的能力，如替换、删除、变色等。
-
基于世界知识的语义合成（WISE）：考察模型是否能将对世界常识、文化背景、科学原理等知识真正 "显性化" 为图像输出。
为了支持这一系统评估，研究团队开发了一套针对 GPT-4o 的自动化交互脚本，解决了当前该模型尚未开放图像生成 API 的现实问题。
这套脚本直接与 GPT-4o 网页界面交互，模拟真实用户行为：
-
自动输入提示词（Prompt）、点击提交
-
自动抓取生成图像并存储归档
-
每次请求会新开浏览器窗口，确保不同任务之间上下文不相互干扰
-
支持任务批量运行，可实现大规模、可重复的图像生成任务调度
最终，GPT-ImgEval 的整体工作流如下图所示：
在文本生成图像（GenEval）任务中，GPT-4o 取得了 0.84 的总得分，超越目前所有扩散类与自回归类图像生成模型。
尤其在以下几项中表现突出：数量控制（0.85）、颜色绑定（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：
而在图像编辑任务（Reason-Edit）中，GPT-4o 得分高达 0.929，领先第二名超过 0.35，说明其在指令理解和局部控制上表现极其稳定。
在知识合成（WISE）任务中，GPT-4o 同样大放异彩，多个子维度（生物、文化、物理等）得分均超过 0.9，总分 0.89，远高于当前开源模型（普遍在 0.4~0.5 之间）。
这说明 GPT-4o 具有强大的世界知识和推理能力，这应该是得益于 GPT-4o 这种统一多模态框架。
更多研究结论
GPT-4o vs Gemini 2.0 Flash：多轮编辑对比
研究团队还对 GPT-4o 与 Google 的 Gemini 2.0 Flash 进行了多轮图像编辑对比。
除了性能与架构机制，GPT-4o 在实际的使用体验中也展现出了强劲的竞争力。研究团队对其与 Google 最新发布的 Gemini 2.0 Flash 进行了多轮编辑任务的实测对比。
-
GPT-4o 支持完整的多轮对话式编辑流程，上下文一致性强
-
Gemini 响应速度更快，但每轮需重新上传图像，缺乏连续性
-
在连续修改、复杂指令理解、图像语义保持方面，GPT-4o 表现出更高的稳定性
从整体趋势来看，两者在编辑轮数增加后均出现一致性下降，但 GPT-4o 下降更缓，保持更稳。
GPT-4o 与 Gemini 2.0 Flash 多轮编辑一致性对比如下图所示：
这一对比结果也进一步验证了：融合大模型语义理解能力的图像生成系统，在交互式创作任务中，正在展现出压倒性优势。
GPT-4o 仍存五大问题，图像量化评估并非无解
研究团队总结出 GPT-4o 当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，有时会自动裁切或缩放
-
强制锐化，即使用户要求生成模糊图，也会被模型 "优化" 成高清
-
编辑偏暖、全图色调变化，即使只修改小部分，可能全图色调甚至是全局都会被一定程度修改
-
复杂场景失真，多人或人 - 物体交互场景易出现姿态不自然或结构错乱
-
非英文文本支持较弱，如中文标识常出错，难以在复杂背景准确生成
这些问题不仅影响使用体验，也提示我们------GPT-4o 仍在追求 "自然感" 与"精确控制"之间寻找平衡。
这些图像能被检测出来吗？
除了感知层面的观察和评估，研究团队进一步思考一个关键问题：GPT-4o 生成的图像，是否真的可以 "以假乱真"？
为此，研究者使用多个主流图像取证模型，对 GPT-4o 生成的图像进行了系统性评估。
结果显示，包括 Effort、FakeVLM 在内的多种检测器，对 GPT-4o 图像的识别准确率普遍超过 95%，最高接近 99.6%。
不仅仅停留在数值层面，研究团队还对量化评估成功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明显伪影
-
模型有过度锐化与细节增强倾向，视觉效果虽然 "精致"，却留下了被取证模型捕捉的痕迹
-
在用户未要求修改时，仍可能出现尺寸、色彩的隐性变化，破坏了图像一致性
-
GPT-4o 生成图像色调普遍偏暖，整体风格趋同，易被量化评估模型建立 "风格识别模式"
可量化评估，并非弱点，而是 AIGC 安全设计的基线能力
研究团队认为，是否可量化评估，不应成为衡量生成模型能力强弱的标准，而应被视为评估其可控性与安全性的重要指标。
在未来的 AIGC 系统设计中，"逼真"固然重要，但 "可识别"、"可追踪" 同样不可或缺。GPT-4o 生成图像中的伪影、色彩偏好等特征，也正是推动生成量化评估研究的重要突破口。
这也正是 GPT-ImgEval 的差异化亮点之一：不仅做量化评估，更从安全机制的角度进行深入诊断和前瞻探索。
GPT-4o 很强，但 "终局" 远未到来
GPT-ImgEval 不仅验证了 GPT-4o 在图像生成上的优势，更指出了它仍需突破的短板。尤其是在可控性、多语种处理、局部编辑稳定性等方面，仍有不少提升空间。
GPT-ImgEval 不仅系统性验证了 GPT-4o 在图像生成、图像编辑与知识合成三大任务中的领先表现，更进一步揭示了其架构特征、失败模式与安全边界。
该研究不仅在评测维度上实现了覆盖广泛、量化精准，也从架构判别、编辑可控性、多轮理解能力和伪影检测等多个层面，对 GPT-4o 进行了技术全景式诊断。
研究团队认为，该工作的重要意义在于：
1、提供系统化多模态评估范式：首次从 "生成 - 编辑 - 推理" 全流程出发，建立综合图像能力测试框架；
2、推动闭源模型的 "可解释评测" 研究：在无法访问模型细节的前提下，建立架构猜测和行为归因机制；
3、强调通用多轮编辑场景的实用价值：用用户视角验证语义理解一致性与细节保真性，为交互设计落地提供参考；
4、补齐图像生成安全性研究缺口：通过可检测性实证，发现图像中的上采样 / 超分伪影、色彩特征，推动 AIGC 取证技术演进。
更多细节欢迎查阅原论文。
论文地址：
arxiv.org/pdf/2406.19...
代码链接：
github.com/PicoTrex/GP...
数据集下载：
huggingface.co/datasets/Ye...
欢迎在评论区留下你的想法！
--- 完 ---