Новые возможности ChatGPT, которые поражают воображение

ChatGPT теперь сам умеет генерировать изображения. Он делал это и раньше, но отправлял запросы в отдельную модель DALL·E. Внутренняя система визуализации GPT‑4o куда более продвинутая:  теперь можно описать сцену словами, получить картинку и при необходимости сразу уточнить детали, изменить фон или заменить объект. Все это работает в пределах одного диалога и учитывает контекст переписки. О запуске объявил Сэм Альтман во время прямого эфира.

Что умеет новая модель

GPT‑4o создает изображения на основе текстового запроса и поддерживает работу с визуальным контекстом, загруженными картинками, уточнениями и правками. Вот что теперь умеет ИИ:

• создает картинку со слов — можно описать, что должно быть на изображении, задать стиль, цвета, пропорции, цвет фона или попросить сделать фон прозрачным; 
• GPT‑4o научилась лучше справляться с текстом на изображениях, включая кириллицу, — ошибки и искажения стали реже;
  
• модель может сочетать в кадре до 20 объектов и понимает связи между ними;
  
• она «запоминает» внешний вид персонажей, если вы просите изменить, доработать или продолжить изображение (раньше в ответ на просьбу доработать получившуюся картинку, модель отвечала, что может только нарисовать новую);
• GPT‑4o умеет редактировать уже готовые загруженные картинки, включая изображения с людьми, — заменять элементы на переднем и заднем плане, встраивать новые объекты;
• генерация занимает до минуты — дольше, чем в DALL·E, — но зато ИИ выдает более точные и проработанные изображения;
• все изображения снабжаются C2PA-метаданными — это техническая метка внутри файла, которая показывает, что изображение создано с помощью ИИ. Визуально ее не видно, но она считывается специальными инструментами.
  

Реакция пользователей

Пользователи уже активно пробуют новую визуальную генерацию и делятся тем, что у них получается. Ниже — подборка изображений, созданных с помощью GPT‑4o. Результаты действительно впечатляют.

Фейковая вики-страница про фотографию

GPT‑4o по запросу создала скриншот, стилизованный под Wikipedia: с версткой, схемами, подписями и пояснением, как работает зеркальный фотоаппарат. Выглядит как настоящая.

Текст из воды на зеркале

На круглом зеркале — слово «listen», будто выложенное из воды. Композиция, перспектива и небрежные очертания слов выглядят реалистично, текст читается без искажений. 

Иллюстрация по референсу с точной передачей текста

Модель изменила стиль изображения — сделала «цвета ярче и лам милее», — но сохранила структуру сцены. Формулы на доске переданы без ошибок и текстовых галлюцинаций.

Сцена с доской, логотипом и отражением

GPT-4o передала все элементы из описания: рукописный текст, вид из окна, логотип на футболке и даже размытое отражение фотографа в стекле. Тут, кстати, сравнивают результаты генерации с Gemini (справа).

Билборд по мотивам рекламы Apple

На месте компьютера — огурцы, слоган тоже переосмыслен. Композиция, шрифт и стиль оригинала сохранены.

Удаление объектов с помощью инструмента «выделение»

На втором изображении гроздь винограда удалена через встроенный инструмент выделения. Достаточно указать нужную область, модель дорисует фон автоматически. Остальные элементы при этом остаются без изменений.

Стилизация загруженного изображения

Модель перерисовала фото в мультяшном стиле, сохранив позу собаки, цветовую палитру, ракурс и детали окружения. Интерьер легко узнается, даже несмотря на стилистическую трансформацию, — от доски на стене до складок на покрывале.

Что это дает

С появлением визуальной генерации GPT‑4o превращается в полноценный инструмент для коммуникации: текст, изображения, правки и доработки — все происходит в одном диалоге. Модель помогает быстро визуализировать идеи, создавать иллюстрации, прототипы и макеты, редактировать фотографии — без переключения между сервисами.

По словам OpenAI, фокус был не просто на красоте изображений, а на их пользе в рабочих задачах. GPT‑4o умеет следовать точным инструкциям, располагать объекты в логике промпта, сохранять стиль и содержание от запроса к запросу. Это делает визуальную генерацию практическим инструментом для презентаций, логотипов, объясняющих схем, образовательных материалов, игровых прототипов и не только. Модель также хорошо работает с текстом в изображениях и поддерживает кириллицу, что открывает больше возможностей для локализованных задач.

Функция уже доступна в ChatGPT и Sora — видеомодели от OpenAI. Разработчики получат доступ к API в ближайшие недели.