计算机行业GenAI系列（九）：GPT_4o图像生成模型优化效果超预期_15页_3mb

GPT-4o 图像生成模型总结

核心内容

2025年3月25日，OpenAI正式推出GPT-4o的图像生成功能，该功能基于自回归模型，具备原生多模态处理能力，能够生成准确逼真的图像。该功能已对Plus、Pro、Team用户开放，未来将扩展至Enterprise和Edu用户，并逐步开放API访问权限。GPT-4o的图像生成能力在文本渲染、多轮生成、精确遵循提示、语境学习和世界知识链接等方面表现出色，标志着AI图像生成技术的重大进步。

主要观点

1. 技术优化与模型能力提升

• GPT-4o 图像生成功能基于自回归模型，整合文本、图像、代码等多模态数据，采用端到端架构进行联合训练，使模型能直接学习文本与图像之间的对应关系。
• 相较于基于扩散模型的DALL·E，GPT-4o具备更高的语义一致性和文本渲染能力，能够更精准地生成包含复杂元素和标注的图像。
• 图像生成过程为自上而下逐行生成，具备动态优化机制，能够强化整体一致性。

2. 算力投入与商业落地挑战

• GPT-4o 图像生成需要更长的渲染时间，导致算力需求激增，用户调用量增加，反映大模型在预训练和推理阶段的投入仍具备可持续性。
• 尽管图像生成效果显著提升，但其商业落地仍面临技术可用性与规模化盈利的双重挑战，需进一步验证模型的实际应用价值。

3. 多模态模型发展趋势

• GPT-4o 的图像生成能力内化为语言模型的原生功能，不再依赖独立的视觉编码器或扩散模型模块，体现了多模态模型融合的未来趋势。
• 国产多模态模型发展迅速，期待国内厂商在该领域实现对标。

4. 应用场景拓展

• GPT-4o 图像生成功能从辅助工具升级为生产力引擎，具备“半专业”级别，有望支撑广告营销、影视制作、教育等垂直领域的成熟应用。
• 多模态大模型革新正在建立“算力需求增长、模型能力跃迁、应用场景渗透”的正向循环。

关键信息

图像生成优势

• 文本渲染：模型能够将文字准确放置于图像中，提升图像含义与可读性。
• 多轮生成：支持用户通过多轮自然对话优化图像，保持图像一致性。
• 精确遵循提示：可处理多个对象并精准绑定其特征与关系，实现更精细的控制。
• 语境学习：从用户上传的图像中学习细节，无缝集成至上下文中以指导生成。
• 世界知识链接：将文本与图像中的知识进行关联，生成更具信息量和真实感的图像。

限制与挑战

• 裁剪问题：对较长图像如海报等处理时，可能裁剪过紧导致信息丢失。
• 幻觉问题：在提示不足时，可能生成不真实或不符合实际的内容。
• 编辑精度不足：特定部分的编辑可能失效，或在未请求时自动修改其他部分，引入更多错误。
• 信息密集，文字较小：处理细节信息时，若文字尺寸过小，模型可能无法准确呈现。

模型对比

投资建议

• 算力基建：关注寒武纪、紫光股份、浪潮信息、神州数码、宝信软件。
• AI工具/平台：关注第四范式、星环科技。
• 多模态AI应用：关注万兴科技、金山办公、福昕软件、光云科技、科大讯飞。

风险提示

1. 内容版权风险：模型训练数据可能包含未经授权的内容，导致原创性争议。
2. GenAI应用落地不及预期：AI技术仍处于早期，商业化应用面临技术不成熟和市场需求波动。
3. 商业生态冲击：大模型的崛起可能对AI创业公司造成一定挤压，改变市场格局。

分析师信息

• 刘雪峰：广发证券分析师，东南大学工学士，中国人民大学经济学硕士，有丰富的IT行业跨国公司及证券研究经验。
• 周源：广发证券分析师，慕尼黑工业大学硕士，曾任职于TUMCREATE自动驾驶科技公司，负责大数据相关工作。

投资评级说明

• 买入：预期未来12个月内股价表现强于大盘10%以上。
• 持有：预期未来12个月内股价相对大盘变动幅度介于-10%至+10%。
• 卖出：预期未来12个月内股价表现弱于大盘10%以上。

重要声明

• 本报告内容仅供参考，不构成投资建议。
• 报告中的信息或观点不构成买卖出价或询价。
• 报告内容可能因市场变化而调整，不承担因使用本报告内容而产生的损失责任。

版权声明

• 未经广发证券事先书面许可，不得以任何形式翻版、复制、刊登、转载和引用本报告内容。