摘要：距离OpenAI正式发布GPT-4o生图功能（2025年3月25日），已经过去两周多了。这段时间里，“ChatGPT-4o颠覆了AI图像生成的逻辑”这句话大家应该都听腻了。但说实话，因为区域限制、付费制这些门槛，真正能上手用一用的朋友可能并不太多。

新增3场私域大佬的闭门会！

距离OpenAI正式发布GPT-4o生图功能（2025年3月25日），已经过去两周多了。这段时间里，“ChatGPT-4o颠覆了AI图像生成的逻辑”这句话大家应该都听腻了。但说实话，因为区域限制、付费制这些门槛，真正能上手用一用的朋友可能并不太多。

不过，在GPT-4o生图功能上线后的第一周，见实就组织了一场深度体验分享直播。邀请到了铭文鼎成科技创始人陈一铭，他直接拿出了23个不同行业、不同场景的具体案例，分享了使用心得和优化技巧。

从这些案例来看，GPT-4o生成的电商产品主图已经达到了商用品质，基础场景下基本不用再改了，但要是涉及到精细细节，那还是得人工调整一番。

具体来说，GPT-4o在以下几个方向表现较好：产品方向，比如模特背景替换、指定元素替换；渲染方向，比如图片上色、空间渲染、风格化等。

但GPT-4o在以下方面表现一般：连续性的主体一致性、精细化输出、场景细节识别等，这些方面还是有一些不完美的地方。

陈一铭在直播中分享了大量实操细节和思考，直播回放已上传到见实资料库了，供见实会员随时下载学习。也欢迎新朋友文末订阅会员，获取这些资料，及享有更多专属权益。以下是对这场直播的回顾（第一人称），如下，enjoy：

陈一铭，铭文鼎成科技创始人

先说说“ChatGPT-4o是怎么颠覆传统AI图像生成逻辑的？”

以前我们要是想用AI生图，得先学各种AI工具，研究素材排版、结构，设计工作流，还得反复调整节点参数。现在用GPT-4o，只需要用简单的自然语言，把素材丢给它，告诉它你想要的效果，它就能直接生成。

继续看看GPT-4o的基础生图能力。

我们准备好一套儿童衣服，然后输入自然语言：“让一个10岁的小男孩，站在校园里，穿着这身衣服。”大概一分钟左右，GPT-4o就能生成。

假设我们需要换一个模特，也不用重新提交复杂的生图指令，依然可以用自然语言搞定。比如“换一个同龄的女生，重新穿上这身衣服”，它就能满足需求。以前我们做电商服装，成本较高，但现在用GPT-4o，成本大大降低了。

所以，GPT-4o主要两个方面的能力：一是理解自然语言，二是可以进行上下文结合理解。

现在有一套装备，包括上装、下装、手表和帽子。我们用自然语言指定地域和肤色，结合四张图完成穿搭。虽然GPT-4o生成了结果，但下身的短裤并没有精准识别，其他方面识别得还不错。

我们再换一个长裤试试，用一位亚洲女模特，肤色有调整，结合四张图完成穿搭。这次效果好一些，不过牛仔裤颜色稍微有差别。

我们继续给出服装，用自然语言让GPT-4o生成一个匹配的模特，它就能直接生成。现在模特在办公室场景，我们用自然语言把场景换成餐厅，它就能替换对应的穿搭，不需要拆分图片，只要把衣服丢给GPT-4o就行。

可能有人会问，在穿搭时部分服装识别错误，该如何修改呢？

首先，你可以重新上传这张图并强调重点。比如刚才提到的裤子没有识别出来，你可以精准地告诉它，重新上传这张裤子的图片，并说明现在需要把裤子参照图二进行替换，可以试一下。基本上，GPT-4o能够做出来的，一两次就能成功。

如果它做不到，你反复尝试十次、二十次，也是没用的。GPT-4o并不是抽卡逻辑，它没有我们之前做生图时的那种“抽卡”概念。它能做一两次就出来的，就能做；做不了的，再多试也没用。

接下来我们来看看GPT-4o精细化处理方面的能力。

可以看到这里有个耳机，我们先用这个耳机生成一个欧美面孔的女生，运动风的模特，它直接就能生成。从这个案例可以看出，它对整体产品的识别相对还是可以的。

不过，它有一个问题。现在我们假设让这张图重新生成，你会发现一个小问题：耳机的细节丢失了，这说明它的主体一致性没有保持好。

测试中我有尝试让它精准修改，比如耳机两侧的金属标志需要修改，同时我们上传一个图片作为参考。但是，当我们继续修改后，基于一致性的修改依然不尽如人意。

所以这里出现了两个问题：一是GPT-4o的连续生图使得它的主体一致性保持不够稳定；二是它对非常精细化的调整，还没有那么完善。

接下来看一个椅子的案例。我们先找到一个椅子，然后用自然语言告诉它，“把这把椅子放在一个温馨的房间里，并突出椅子的质感”。按照正常的逻辑，我们是需要专门去找场景，把场景放进去拍摄的，但现在不需要了，直接用自然语言就可以搞定。

继续，我们现在需要在椅子上“加模特”，让他坐在这里，整体呈现出来。同样，直接就出现了。

那么，能不能让它生成在指定的场景里？大家可以看下图的左下角，现在有一间房间的图片，我们告诉它要把这把椅子放进这个房间里。大家可以看一下下图中最右侧，整个效果就出来了。也就是说，GPT-4o对这种大轮廓的图形、大轮廓的产品，支持程度都非常好，基本上一次性成功率都很高。

我们再看下一个案例，是一个衣柜的三视图，基本全部由线条构成。现在我们告诉GPT-4o，“根据图片中的柜子三视图，生成一个柜子，材质为胡桃木”。中间这个图是GPT-4o基于左侧三视图生成的，大家可以详细对比一下它的结构，参照左侧的三视图。一眼就能看出，基本没有什么误差。

现在假设这个实物图比较单调，我们再来试试，告诉GPT-4o“把柜子放在一个书房，上面有书和插花”。基本上也没有什么误差。

假设你是做家居或者类似逻辑的工作，这套工作流是可以直接复用的。

那反向操作可不可以？假设我们现在有一把椅子，告诉GPT-4o“参考图片中的风格，生成太师椅的三视图”，它也是可以直接出来的。所以说，现在假设你在做一些家居方向的产品，用GPT-4o的话，基本上对工作的提效程度是很高的。

接下来我们尝试用GPT-4o做局部重绘。

正常情况下，我们用其他生图模型做局部重绘时，需要做标记。但现在我们用自然语言让GPT-4o做局部重绘基本上用自然语言全部可以搞定。

我们上传两张图，第一张是骑着白色摩托车的，第二张是绿色摩托车。我们用自然语言告诉GPT-4o：“把图一骑的车换成图二的摩托车”。我们可以看到生成的结果，比如耐克的鞋子得到了保留，车的花纹（黑色花纹）也得到了保留，车子最下方的英文“Kawasaki”也得到了保留。

现在我们聚焦到电商领域。

假设我们有一条项链，是金黄色，上面还有一个“小闪电”的吊坠。这个图很模糊，并不是高清图。我现在用自然语言说：“为这条项链生成一个拍摄场景，场景风格与项链契合，近距离特写。”大家可以看效果，整个背景全部按照我们的要求生成了金黄色，搭配了沙粒感的质感。假设我们用它来做电商图，这种图基本上是可以直接使用的。

假设我们再做一个有趣的小动作。现在我说：“把项链形状换成爱心”，可以看到，它依然可以按照我们的逻辑去做对。GPT-4o的生成逻辑并不是很僵硬地按照指令生成，而是先理解再生成。它明白我们的自然语言想目的，所以它进行了准确的更换，而不是把其他地方换成那种小爱心的圆环。

可见，在电商方向，GPT-4o的支持程度已经很高，效率和逻辑都超过了传统AI生图工作流。

我们再看一个护肤品实拍产品的案例。我们说：“把这个化妆品，放在一个场景中，实拍特写，环境需要符合产品的质感。”出来的效果背景是黑色的，和玻璃的磨砂感完美结合在一起。

假设我们还需要让它生成一个更好的图片，说：“把这个化妆品放在一堆黑曜石中拍摄，近距离特写，黑曜石在海水之中。”我们可以看到，GPT-4o的支持度已经非常高了。

刚才我们主要看了GPT-4o在图像生成方面的表现，接下来咱们换个角度，看看它的渲染能力到底如何。

先从调色能力说起。我们手头有一张写真的照片，里面的模特也是AI生成的。这张照片的光线感有点平淡，不够生动。于是，我们对GPT-4o说：“调整光线，让阳光洒在脸上，再让一只蝴蝶落在肩膀上。”结果GPT-4o真的按照我们的要求，把光线调整成了阳光打在脸上的效果，画面一下子就有了生机。不过，它也有个让人头疼的问题——模特的面孔变了。我们用同一个主体做了两次调整，每次面孔都不一样，一致性保持得不太好。

再来看看GPT-4o的上色能力。给一张黑白图片上色，这事儿其实挺简单的，很多模型都能做到。不过，GPT-4o的表现还是值得一看。

我还尝试了一个挺有意思的项目——老照片修复。

我们给GPT-4o下指令：“修复这张老照片，让它变得更清晰，并还原它的颜色，为它增加颜色。”修复后的效果让人眼前一亮。GPT-4o不仅能识别照片当时的衣服风格、颜色和质感，还能还原出符合那个时代的风格。它不会给你那种大红大绿大紫的鲜艳效果，而是恰到好处地还原了老照片的韵味。这可真是大模型生图能力的一大优势，和其他模型比起来，高下立见。

接下来我们继续看一些比较轻松的案例。

现在很多人都喜欢把自己的头像换成各种风格，比如奥特曼风格。GPT-4o在这方面可是一把好手，能一键生成各种风格的头像，涂鸦风格、朋克风格、像素风格……基本上都能轻松搞定。

再来看看一些具体的商业场景。

我有个朋友做全屋定制家装，他问我能不能用GPT-4o对毛坯房的照片进行改变。结果还真可以！GPT-4o有一定的空间识别感知能力，我们说“对这间屋子进行装修，我需要一个鱼缸”，它就能把鱼缸放在客厅中间，而不是像传统逻辑那样，把鱼缸莫名其妙地放在某个角落。

再看一个更精准的。我们有一个已经渲染好的图，想做一个精准调控。比如，“屋顶上需要增加吊扇，然后楼梯上墙面，红框位置需要挂一幅油画（梵高的向日葵）”。结果大家可以看到，GPT-4o生成的效果完全按照我们的需求来。

做全屋定制或者其他专业项目的时候，完全可以借鉴GPT-4o的能力，它能帮你省下不少时间和精力。

再比如做表情包。下图左边是我们公司的卡通IP形象，我们想让它模仿哪吒的表情做一批表情包。以前这得请专业设计师来定制，费时又费力。现在用GPT-4o，基本可以一键搞定。右侧生成的表情包和中间的原图效果几乎一致。

对于创业者来说，GPT-4o更是个好帮手。比如我们有一个logo，想对它进行优化。我们可以做一个对比，比如把文字前面的图标修改成3D风格，把主色调换成橙色。要是我们不想按照指定的颜色调整，还可以给GPT-4o一个色卡，让它根据色卡进行调控，它也能轻松做到。

不过，GPT-4o也不是万能的。

我们再看看漫画生成。现在这种需求很常见。不过，GPT-4o在逻辑性方面表现得并不像大家想象的那么强。虽然它在视觉层面表现不错，但一旦涉及逻辑性，可能就不够准确了。

我们还尝试用GPT-4o做小红书封面。我们可以做一些简单的图，但会发现它的字体都是比较简单的。现阶段一旦涉及复杂字体，就会出现问题。

我想分享一个自己的感受。GPT-4o的生成逻辑并不是简单地调用图像模型，而是先理解再生成。这意味着它生成的图并不是原图。

我之前看到一个短视频，说GPT-4o可以用于手术辅助画线之类的功能，我觉得这有点夸张。虽然不能完全否定，但大家在看到这类内容时还是要理性一些。

GPT-4o主要理解三个方向：一是主体识别，比如原来是汽车，现在还是汽车；原来是飞机，现在还是飞机；原来是宠物，现在还是宠物。二是相对位置，比如原来主体在中间，新图片中它依然在中间。三是大致的颜色和环境，新图会遵循这些逻辑。

我们还做了一个实验，把官网的图片放到电脑样机里，按照PS的逻辑，这是一个非常简单的操作，但GPT-4o却无法完成。这说明GPT-4o的生成逻辑是先理解再生成，而不是简单地贴图合成。

我们尝试把图片换成更简单的，结果发现支持度反而提高了。这说明GPT-4o在处理复杂、精细或涉及大量中文内容时，会显得有些吃力。

我们再做一个很细致的案例，可以完美地佐证这个观点。

这里有一个停车场，停车场里大概有三种颜色的车——黑色、红色和白色。最下面一排，前面是黑色的。现在我提个要求，“将图片中的红色汽车，用绿色框标记出来，并显示位置”。

我们可以看到，生成的图片看起来确实像那么回事，有了绿色标记，但新图片已经完全不一样了。这说明GPT-4o的生图并不是原图，而是完全重新合成的新图。

所以，有时候我们看到一些结论，比如GPT-4o可以在图上画线、做标记、识别各种目标，因为生成的图片已经不是原图了，大家还是要理性对待这类结论。

最后给大家分享一个比较有趣的测试。

我们知道GPT-4o是有频率限制的，连续测试后，它会提示你“三分钟后”“五分钟后”“十分钟后再重新测试”。有一次我测试时，它提示我18分钟后才能生成新的图像。我告诉它，我已经等了60分钟（虽然我实际只等了几分钟）。结果它就帮我生成了。这可能只是我实验中的一个有趣发现，不知道是否具有普遍性。

我猜测，因为它是一个大模型，本身具有推理和逻辑能力，所以我误导它说我等了60分钟，让它判定等待操作已经完成。这是我实际测试的截图，它原本让我等18分钟，但我告诉它我已经等了60分钟（实际并没有），它就开始帮我生成了。

最最后，见实需要提醒的是，以上测试仅截止到分享日。就在此刻GPT-4o的中文能力已经相对发布时有了明显的提升，AI的能力时刻在快速进步，作为AI从业者需要时刻关注新变化，适应新能力。（本次测试中用到的所有图片，都仅供测试学习使用，请勿商用。）

就如陈一铭在见实会员群里所感叹的：“以前早上一睁眼，可以想哪些事可以领先去做。现在早上一睁眼，先看有没有更新，看看自己有没有落后。”

PS.

↘私域服务对接

来源：见实科技一点号