در ۲۵ مارس ۲۰۲۵ شرکت OpenAI اعلام کرد تولید تصویر بومی مدل GPT-4o از همان روز برای کاربران ChatGPT و Sora در حال عرضه است. بر اساس اطلاعیهٔ شرکت، این قابلیت برای کاربران Plus، Pro، Team و حتی رایگان در دسترس قرار می‌گرفت. تا پیش از آن، تولید تصویر در ChatGPT بر عهدهٔ DALL-E 3 بود و GPT-4o فقط متن را مدیریت می‌کرد؛ اکنون خود GPT-4o تصویر هم می‌ساخت.
چه چیزی تغییر کرد؟#
مهم‌ترین تغییر معماری بود. وقتی تولید تصویر داخل خود مدل چندوجهی انجام میشود، مدل می‌تواند از متن و تصاویر موجود در گفتگو برای ادامهٔ کار استفاده کند. به همین دلیل کاربر می‌تواند تصویر را در یک گفتگوی طبیعی گام به گام اصلاح کند و انتظار داشته باشد ظاهر شخصیت‌ها و اجزای صحنه نسبتاً یکدست بماند. OpenAI همچنین از رندر بهتر متن داخل تصویر و پیروی دقیق‌تر از دستور نام برد.
گزارشها می‌گویند این مدل کمی دیرتر از DALL-E 3 تصویر تولید میکند، چون OpenAI معتقد بود این زمان اضافه به نتیجه‌ای دقیق‌تر و پرجزئیات‌تر می‌انجامد.
قابلیت‌های کاربردی#
بر پایهٔ گزارش‌هایی که این عرضه را پوشش دادند، کاربر می‌توانست:
- نسبت ابعاد تصویر را مشخص کند.
- رنگ‌های دقیق را با کد هگز بدهد.
- پس‌زمینهٔ شفاف بخواهد.
- تصاویر موجود، از جمله عکس افراد، را با تغییر یا حذف اشیای پیش‌زمینه و پس‌زمینه ویرایش کند.
این فهرست برای طراحان و فروشندگان اهمیت دارد، چون کار با تصویر دیگر فقط «ساخت از صفر» نیست و ویرایش هدفمند را هم دربر می‌گیرد.
