最近幾個月，Google和 OpenAI 分別推出了尖端的文本到圖像生成系統——Imagen 3 和 GPT-Image-1——開創了照片般逼真且高度可控的人工智慧藝術的新時代。 Imagen 3 強調超高保真度、細緻的燈光控制以及與 Google 的 Gemini 和 Vertex 平台的集成，而 GPT-Image-1 利用與 GPT-4o 相關的自回歸、多模態基礎，提供圖像創建和就地編輯，具有強大的安全護欄和廣泛的 API 可用性。本文將探討它們的起源、架構、功能、安全框架、定價模型和實際應用，最後展望兩者將如何發展。
Imagen 3 是什麼？
Imagen 3 是 Google 最新的高解析度文字轉影像模型，與其前代產品相比，旨在產生具有出色細節、更豐富光線和最少偽影的影像。它可透過 Google 的 Gemini API 和 Vertex AI 平台訪問，使用戶能夠創建從逼真的場景到風格化插圖的一切。
什麼是 GPT-Image-1？
GPT-Image-1 是 OpenAI 透過 OpenAI Images API 推出的首個專用影像產生模型。它最初為 ChatGPT 的圖像功能提供支持，最近向開發人員開放，允許整合到 Figma 和 Adobe Firefly 等設計工具中。 GPT-Image-1 強調無縫編輯——在現有圖像中添加、刪除或擴展對象——同時支援多種風格輸出。
他們的架構有何不同？
Imagen 3 採用哪些核心技術？
Imagen 3 建立在潛在擴散模型 (LDM) 的基礎上，該模型透過變分自動編碼器 (VAE) 將影像壓縮到學習到的潛在空間中，然後透過以來自預訓練的 T5-XXL 編碼器的文字嵌入為條件的 U-Net 進行迭代去噪。
谷歌擴展了這個範例，將超大型文字視覺變換器編碼器與大量資料集和先進的無分類器指導相結合，以推動文字語義和視覺保真度之間的一致性。
關鍵創新包括用於精確細節的多分辨率擴散調度器、作為提示標記嵌入的照明控制以及標記化的“引導層”，可減少分散注意力的偽影，同時保持構圖靈活性。
GPT-Image-1 的基礎是什麼？
與擴散不同，GPT-Image-1 在 GPT-4o 系列中採用了自回歸的「影像自回歸器」：它逐個標記地生成影像，類似於文字生成，其中每個標記代表最終影像的一小部分。
這種方法使 GPT-Image-1 能夠緊密結合世界知識和文本上下文——允許複雜的提示，例如「以文藝復興風格呈現這個神話場景，然後用拉丁標籤進行註釋」——同時還可以在統一的架構中促進修復和基於區域的編輯。
早期報告表明，這種自回歸管道可以在圖像中提供更連貫的文字渲染，並且更快適應不尋常的構圖，但代價是生成時間比擴散等效物稍長。
訓練資料和參數
谷歌尚未公開披露 Imagen 3 的確切參數數量，但他們的研究論文表明其擴展軌跡與數十億參數的 LLM 和擴散網絡一致。該模型在龐大的專有圖像-標題對語料庫上進行訓練，強調風格和背景的多樣性。 OpenAI 的 GPT-Image-1 繼承了 GPT-4o 估計的 900 億個參數，在專門的圖像文字資料集上進行了微調，並增強了基於演示的編輯任務指令調整。兩個組織都採用廣泛的數據管理來平衡表徵保真度和偏見緩解。
他們的架構和訓練資料集如何比較？
Imagen 3 由哪些底層架構支援？
Imagen 3 建立在 Google 基於擴散的框架之上，利用一系列去噪步驟和基於大型變壓器的文字編碼器來逐步完善影像細節。這種架構使其能夠解釋複雜的提示，即使在細節密集的場景中也能保持一致性。
GPT-Image-1 的基礎架構是什麼？
GPT-Image-1 採用了源自 OpenAI 的 GPT 譜系的多模態變壓器設計。它將文字和視覺上下文整合在其關注層中，從而在統一模型中實現文字到圖像的合成和圖像編輯功能。
他們的訓練資料集有何不同？
Imagen 3 在 Google 精心策劃的龐大專有資料集上進行訓練，涵蓋來自網路爬蟲和授權收藏的數十億個圖像-文字對，並針對不同風格和主題的多樣性進行了優化。相較之下，GPT-Image-1 的資料集結合了公共網路圖像、授權庫存庫和內部精選範例，以平衡廣泛的覆蓋範圍和高品質、合乎道德的內容。
它們的能力和性能如何？
影像品質比較
在人工評估基準（DrawBench、T2I-Eval）上，Imagen 3 的表現始終優於先前的擴散模型，在照片級真實感、構圖準確性和語義對齊方面取得了更高的分數，以絕對優勢超越了 DALL·E 3。
GPT‑Image‑1 雖然是新產品，但卻迅速躍居人工智慧分析影像競技場排行榜榜首，在風格轉換、場景生成和複雜提示方面表現出強大的零樣本性能，在紋理和色彩保真度方面通常與擴散模型相匹配。
對於圖像（例如標牌或標籤）中的文字清晰度，GPT-Image-1 的自回歸標記生成顯示出顯著的改進，可以呈現清晰易讀、語言正確的單詞，而 Imagen 3 有時仍然難以在密集的排版中呈現精確的字符形狀。
他們的藝術風格有多多元？
Imagen 3 在超現實主義渲染方面表現出色——8k 風景、自然光肖像、電影風格構圖——同時也透過提示修改器支援繪畫和卡通風格。
GPT-Image-1 還提供廣泛的風格覆蓋，從照片般逼真到抽象甚至 3D 等距藝術，加上強大的修復和局部編輯功能，讓使用者可以「繪製」邊界框來指定變化的位置。
社群範例凸顯了 GPT-Image-1 製作吉卜力風格動漫場景和資訊圖表的能力，這些場景和資訊圖表結合了圖表和文字元素——在這些用例中，整合的世界知識可以增強事實一致性。
速度和延遲
Gemini API 上的 Imagen 3 推理每張 3×5 影像平均需要 512-512 秒，對於超高解析度（8×10）則最多需要 2048-2048 秒，具體取決於使用者指定的迭代次數和指導強度。
GPT‑Image‑1 報告稱，Images API 中類似尺寸的平均延遲為 6-8 秒，對於精細場景，邊緣情況延遲可達 12 秒；權衡包括為漸進式預覽提供更流暢的每個令牌串流介面。
文字渲染功能
文字渲染——長期以來擴散模型的弱點——每個團隊都以不同的方式處理這個問題。谷歌在 Imagen 3 中添加了專門的解碼器階段以提高文字的可讀性，但複雜的佈局和多語言腳本仍然存在困難。 GPT-Image-1 利用 Transformer 注意機制進行零樣本文字渲染，產生適合資訊圖表和圖表的清晰、對齊良好的文字區塊。這使得 GPT-Image-1 對於需要嵌入標籤或註釋的教育和企業資產特別有用。
它們在安全性和道德考量方面有何不同？
有哪些安全護欄？
Google 透過自動分類器和人工審核流程的組合在 Imagen 3 上實施內容過濾，阻止暴力、色情和受版權保護的內容。它還使用紅隊回饋迴路來修補快速工程中的潛在漏洞。
OpenAI 的 GPT‑Image‑1 繼承了 GPT‑4o 安全堆疊：具有可調靈敏度的自動審核、在輸出中整合 C2PA 元資料以發出 AI 來源訊號，以及透過從人類回饋中強化學習 (RLHF) 進行持續微調以避免有害或有偏見的輸出。
這兩個系統都標記了敏感類別（例如名人肖像）並執行政策驅動的拒絕，但獨立審計指出，基於形象的偏見（性別、種族）仍然需要進一步緩解。
會出現哪些隱私問題？
GPT-Image-1 在消費者工具中的快速應用引發了有關元資料保留的警告：上傳用於修復的圖像可能攜帶 EXIF 資料（位置、裝置），除非用戶清理，否則這些資料可能會儲存以用於模型改進。
Imagen 3 主要由企業 API 驅動，遵守 Google Cloud 的資料處理政策，該政策承諾在未經明確選擇加入的情況下不會使用客戶上傳的任何提示或輸出進行模型訓練，從而滿足企業的合規需求。
價格和供應情況如何？
Imagen 3 可透過 Google Cloud 的 Vertex AI 生成模型 API 訪問，其端點包括 imagen-3.0-capability-001並透過 Gemini API 實現對話用例。它支援基於提示的生成、樣式預設和迭代的“塗鴉到傑作”工作流程。
GPT-Image-1 透過 OpenAI 的圖像 API 交付，並整合到回應 API 中以實現多模式提示。開發人員可以致電 gpt-image-1 具有樣式、縱橫比和適度偏好的參數，以及提供用於修復和移除的初始影像。
開發人員可以在哪裡存取每個模型？
Imagen 3 可透過以下方式取得：
- Google Gemini API（$0.03/張圖片）用於文字到圖像的生成和進階功能（縱橫比、多選項批次）。
- Google Cloud 上的 Vertex AI，具有自訂端點選項和針對非程式設計師的 Google Slides 整合。
GPT-Image-1 可透過以下方式存取：
- OpenAI Images API（全球，按需付費）為新用戶提供豐厚的免費試用積分。
- 用於企業整合和合規性的 Microsoft Azure OpenAI 服務（Foundry 遊樂場中的映像）。
- ChatGPT Responses API（即將推出）適用於多模式對話機器人和助理。
每個多少錢？
Imagen 3 在 Gemini API 上對每生成一張 0.03×512 圖像收取 512 美元的費用，並為企業客戶提供批量折扣； Vertex AI 部署適用定制定價。
OpenAI 的 GPT‑Image‑1 定價是分層的：每個影像產生請求約 0.02 至 0.04 美元（取決於解析度和批次大小），再加上修復或變化端點的邊際費用；具體費率因地區和 Azure 與直接 OpenAI 計費而異。
未來會有怎樣的發展？
Imagen 4 及更高版本很快就會問世嗎？
謠言和洩漏的模型參考表明，Imagen 4 Ultra 和 Veo 3 將在 Google I/O 2025（20 年 2025 月 16 日）上亮相，承諾實現實時 XNUMXK 生成、動態動畫以及與 Gemini 多模式推理的更緊密整合。
早期的註冊表項（例如「imagen-4.0-ultra-generate-exp-05-20」）表明，Google旨在同時提高解析度、速度和場景一致性，從而有可能超越競爭對手的基準。
GPT-Image-1 將如何發展？
OpenAI 計劃將 GPT-Image-1 更深入地合併到 GPT-4o 中，實現無縫的文本到視頻轉換、改進的無偽影面部編輯以及通過平鋪生成實現更大的畫布。
路線圖暗示了「聊天中的圖像」使用者介面，使用者可以用手寫筆塗鴉，讓 GPT-Image-1 即時細化，然後匯出到設計工具，讓非技術受眾能夠民主化地進行高級藝術創作。
結論
Imagen 3 和 GPT-Image-1 代表了下一代 AI 藝術的兩大支柱：Google基於擴散的模型在原始保真度和光照細微差別方面表現出色，而 OpenAI 的自回歸方法則突出了綜合世界知識、修復和文本渲染。兩者均可透過強大的 API 進行商業應用，並有廣泛的安全措施和不斷擴大的生態系統合作夥伴關係作為後盾。隨著 Google 準備 Imagen 4 以及 OpenAI 在 GPT-1o 中深化 GPT-Image-4，開發人員和創作者可以期待更加豐富、更可控、更符合道德的圖像生成工具。
入門
開發人員可以訪問 GPT-image-1 API Grok 3 API 通過 彗星API。首先，在 Playground 中探索模型的功能，並查閱 API指南 （型號名稱： gpt-image-1) 了解詳細說明。請注意，一些開發人員可能需要在使用該模型之前驗證他們的組織。
GPT-Image-1 CometAPI 中的 API 定價，比官方價格便宜 20%：
輸出代幣：32 美元/百萬代幣
輸入代幣：8 美元/百萬個代幣