ChatGPT Images 2.0：能联网、会写字的图像生成

产品更新

OpenAI 发布 ChatGPT Images 2.0，底层模型升级为 GPT Image 2，新增网页检索与思考能力，文本渲染准确度大幅提升，中文支持也被官方重点提及。

OpenAI 在 4 月 21 日正式推出 ChatGPT Images 2.0，底层模型从 gpt-image-1.5 升级到 GPT Image 2。这次更新的核心卖点有两个：图像生成器现在能联网检索信息，以及文本渲染能力有了质的飞跃。

简单说，以前你让 ChatGPT 画一张带文字的海报，它大概率会把字写歪、写错、多一笔少一划。现在 2.0 版本在文字渲染上的表现，用 TechCrunch 的话说是「surprisingly good」——这个评价从一向挑剔的科技媒体嘴里说出来，分量不轻。

联网检索：图像生成的范式变化

这是 Images 2.0 最值得关注的能力。

过去所有主流图像生成模型——Midjourney、Stable Diffusion、DALL·E——本质上都是「闭卷考试」。模型只能基于训练数据里见过的东西来生成图像，你让它画 2026 年 4 月的新闻事件，它只能瞎编。

Images 2.0 打破了这个限制。当你选择带思考能力（thinking）的模型时，ChatGPT 的图像生成器可以先去网上搜索相关信息，再基于检索结果来创作图像。

举个实际场景：你让它「画一张今天 NBA 季后赛比分的信息图」，它会先检索实时比分数据，然后生成一张数据准确的图表。这在以前是不可能的——你只能自己查好数据，再一字一句喂给模型。

这意味着图像生成从「纯创意工具」向「信息可视化工具」迈了一大步。对开发者来说，这打开了一类全新的应用场景：实时数据的可视化生成、基于最新信息的营销素材制作、动态内容的自动化生产。

不过需要注意，联网检索能力目前仅限于 ChatGPT Plus、Pro、Business 和 Enterprise 订阅用户，且需要手动选择带 thinking 的模型。免费用户暂时用不上。

ChatGPT Images 2.0 生成的带有实时信息的图像示例，展示联网检索后生成的信息图

文本渲染：AI 绘图的老大难问题终于有解了

AI 生成图像里的文字一直是个「照妖镜」——一眼就能看出是不是 AI 画的。字母多一笔少一划、中文缺胳膊少腿，这些问题从 DALL·E 2 时代就存在，到 Midjourney v6 也没完全解决。

GPT Image 2 在这方面的进步是肉眼可见的。从社区反馈来看，英文文本的渲染准确率已经相当高，生成带有完整句子的海报、Logo、UI 界面截图都不再是问题。

中文呢？这是个更有意思的话题。

OpenAI 在官方博客里专门强调了中文支持，这在以往的产品更新中并不常见。官方甚至上线了中文版的介绍页面，措辞是「正在努力修复中」。社区用户的实测结论是：中文渲染比之前好了不少，但还没到完美的程度。

开发者社区里已经有人找到了一个巧妙的 workaround：先用 GPT Image 2 生成图像，再用 nanobanana 2 模型做后处理，专门修复中文文字。据 Linux.do 论坛用户反馈，这套组合拳能大幅提升中文文字的准确性，同时还能把分辨率从 1K 拉到 4K。当然，这个方案也有副作用——可能导致整体色调偏粉，且修正率达不到 100%。

这说明什么？中文文本渲染仍然是所有图像生成模型的硬骨头，但 GPT Image 2 至少把基线拉高了一截。

指令遵循与细节保持

除了联网和文字这两个大亮点，Images 2.0 在基础能力上也有明显提升：

  • 指令遵循更精准：复杂的多条件 prompt 不再容易「丢指令」。比如你说「一只橘猫坐在蓝色沙发上，背景是落地窗，窗外下雨」，以前模型可能会漏掉下雨这个细节，现在的遵循度高了很多。
  • 细节一致性：在多轮编辑中，面部特征、服装细节等关键元素能保持一致。这对需要生成系列图片的场景（比如漫画、产品展示）非常关键。
  • 单 prompt 多图生成：一次对话就能生成多张风格一致的图像，不用反复调整。
  • 生成速度提升约 4 倍：迭代效率大幅提高，这对需要反复调整的创意工作流来说是实打实的体验改善。

API 层面：gpt-image-2 模型上线

对开发者来说，更重要的是 API 的更新。新模型在 API 中以 gpt-image-2 的名称提供，继承了 ChatGPT Images 2.0 的所有能力改进。

以下是通过 OpenAI Hub 调用 gpt-image-2 的示例。OpenAI Hub 兼容 OpenAI 格式，国内可直连，一个 Key 就能调用包括 GPT Image 2 在内的主流模型：

import base64
from openai import OpenAI

client = OpenAI(
    api_key="你的 OpenAI Hub API Key",
    base_url="https://api.openai-hub.com/v1"
)

# 基础图像生成
result = client.images.generate(
    model="gpt-image-2",
    prompt="一张极简风格的科技公司 Logo，中间是字母 K，深蓝色渐变背景，白色几何线条",
    size="1024x1024",
    quality="high"
)

# 获取生成的图像（base64 编码）
image_base64 = result.data[0].b64_json
with open("output.png", "wb") as f:
    f.write(base64.b64decode(image_base64))

如果你需要对已有图像进行编辑，API 同样支持：

# 图像编辑
result = client.images.edit(
    model="gpt-image-2",
    image=open("input.png", "rb"),
    prompt="把背景改成日落时分的海边，保持人物不变",
    size="1024x1024"
)

image_base64 = result.data[0].b64_json
with open("edited.png", "wb") as f:
    f.write(base64.b64decode(image_base64))

值得注意的是，目前 API 生成的图像最大分辨率为 1024×1024。如果你的业务场景需要更高分辨率，需要在后处理环节自行做超分。

跟竞品比，Images 2.0 处在什么位置？

坦率地说，图像生成赛道现在卷得厉害。我们把几个主要玩家拉出来横向对比一下。

在文本渲染方面，GPT Image 2 目前处于第一梯队。Midjourney v6.1 的文字能力也不错，但不支持联网检索。Google 的 Imagen 3 在文字准确度上表现尚可，但整体创意表现力不如前两者。至于开源阵营的 Flux 和 Stable Diffusion 3.5，文字渲染仍然是明显短板。

联网检索能力是 Images 2.0 目前独有的差异化优势。这不是一个简单的功能叠加——它改变了图像生成的工作流。以前你需要「查资料 → 整理信息 → 写 prompt → 生成图像」，现在可以直接「描述需求 → 生成图像」，中间的信息检索环节被模型接管了。

但 Images 2.0 也有明显的短板：

  1. 分辨率上限 1K，在 Midjourney 默认就能输出 2K 的今天，这个参数不太好看。
  2. 中文文本渲染虽然进步了，但离「可靠」还有距离。如果你的业务场景强依赖中文文字的准确性，建议做好人工校验的预案。
  3. 联网检索仅限高级订阅用户，API 层面是否支持、何时支持，官方还没有明确说法。

对开发者意味着什么

如果你正在做跟图像生成相关的产品，Images 2.0 有几个点值得关注：

第一，文本渲染能力的提升让一批之前不可行的场景变得可行了。自动生成带文字的社交媒体配图、电商商品主图、活动海报——这些场景以前因为文字不准确而需要大量人工修正，现在至少英文场景的自动化程度可以大幅提高。

第二，联网检索能力如果后续开放到 API，将催生一类新的应用：基于实时信息的自动化视觉内容生产。想象一下，一个自动化流程每天早上抓取行业数据，生成一张信息图发到社群——这个链路现在技术上已经可以闭环了。

第三，gpt-image-2 在 API 中的定价和速率限制是需要关注的实际问题。图像生成 API 的成本一直不低，如果你的应用需要大量调用，成本模型要提前算清楚。

一个有趣的细节

在 OpenAI 的官方博客中，有一个容易被忽略的细节：他们用了一张「接住」梗图作为示例。这在 OpenAI 一贯严肃的产品发布中相当少见。社区用户也注意到了这一点，在 Linux.do 论坛上引发了讨论——OpenAI 似乎在有意拉近与中文用户社区的距离。

结合官方博客专门强调中文支持、上线中文介绍页面这些动作来看，OpenAI 对中文市场的重视程度在明显提升。这对国内开发者来说是个积极信号——至少意味着中文相关的能力会持续得到优化。

小结

ChatGPT Images 2.0 不是一次小修小补。联网检索让图像生成从「闭卷」变成了「开卷」，文本渲染的进步让更多实际业务场景变得可行。中文支持虽然还不完美，但方向是对的。

对于已经在用 GPT 图像 API 的开发者，建议尽早测试 gpt-image-2，尤其是文本渲染和指令遵循方面的改进，可能会直接影响你现有产品的体验。对于还在观望的开发者，联网检索能力值得重点关注——这可能是图像生成领域下一个竞争焦点。

参考来源：