OpenAI đã nâng cấp đáng kể khả năng tạo hình ảnh của ChatGPT bằng cách tích hợp mô hình GPT-4o mạnh mẽ trực tiếp vào hệ thống tạo hình ảnh của mình. Việc tích hợp này đại diện cho một bước tiến lớn trong việc tạo hình ảnh bằng AI, vì GPT-4o mang đến khả năng đa phương thức của nó trực tiếp vào giao diện ChatGPT. Tính năng mới, chính thức được gọi là "Hình ảnh trong ChatGPT", thay thế việc tích hợp DALL-E 3 trước đó bằng một hệ thống tinh vi hơn được xây dựng trên nền tảng của GPT-4o. Thay đổi này đánh dấu một sự chuyển mình chiến lược trong cách OpenAI tiếp cận việc tạo hình ảnh bằng AI, chuyển từ các mô hình chuyên biệt như DALL-E sang việc tận dụng khả năng rộng lớn của mô hình omnimodal hàng đầu của mình.
Điều làm cho khả năng tạo hình ảnh của ChatGPT 4o đặc biệt ấn tượng là sự tích hợp liền mạch với các cuộc hội thoại dựa trên văn bản. Người dùng giờ đây có thể tạo ra những hình ảnh chi tiết, chính xác mà không cần rời khỏi giao diện trò chuyện của họ, tạo ra một trải nghiệm gắn kết hơn. Hệ thống hiểu ngữ cảnh từ các tin nhắn trước đó, cho phép tạo hình ảnh lặp đi lặp lại dựa trên các cuộc hội thoại đang diễn ra. Sự phát triển này thể hiện cam kết của OpenAI trong việc làm cho các công cụ AI trở nên dễ tiếp cận và trực quan hơn, mang đến khả năng tạo hình ảnh ở cấp độ chuyên nghiệp cho người dùng ở nhiều cấp độ đăng ký khác nhau.
We phát hình ảnh ChatGPT 4o đại diện cho một sự chuyển biến cơ bản trong cách AI tạo ra hình ảnh. Khác với DALL-E 3 và hầu hết các hệ thống tạo hình ảnh khác sử dụng mô hình khuếch tán (tạo toàn bộ hình ảnh một cách đồng thời), GPT-4o thay vào đó sử dụng phương pháp hồi quy tự động. Điều này có nghĩa là nó tạo ra hình ảnh theo thứ tự từ trái sang phải và từ trên xuống dưới, giống như cách viết văn bản. Sự khác biệt kỹ thuật này đóng góp đáng kể vào những khả năng cải tiến của nó, đặc biệt là trong việc xử lý văn bản và duy trì mối quan hệ đúng giữa các đối tượng.
Tính chất hồi quy tự động của hệ thống cho phép nó duy trì ngữ cảnh và sự nhất quán trong toàn bộ quá trình tạo hình ảnh. Khi người dùng yêu cầu một hình ảnh, GPT-4o truy cập vào cơ sở kiến thức rộng lớn của mình để hiểu yêu cầu, sau đó xây dựng hình ảnh theo từng phần trong khi vẫn duy trì tính nhất quán toàn cầu. Kết quả là những hình ảnh không chỉ đẹp mắt mà còn chính xác thể hiện các khái niệm và mối quan hệ phức tạp. Mặc dù quá trình tạo có thể mất nhiều thời gian hơn một chút so với các hệ thống trước đây (lên đến một phút cho các hình ảnh chi tiết), nhưng chất lượng và độ chính xác được cải thiện khiến sự đánh đổi này đáng giá cho hầu hết người dùng.
Một trong những khả năng ấn tượng nhất của trình tạo hình ảnh ChatGPT 4o là khả năng "ràng buộc" vượt trội. Như được giải thích bởi Gabriel Goh, nhà nghiên cứu của OpenAI, binding đề cập đến khả năng AI duy trì mối quan hệ đúng giữa các thuộc tính và các đối tượng. Trong khi hầu hết các trình tạo hình ảnh thường gặp khó khăn với khía cạnh này, thường xuyên nhầm lẫn màu sắc và hình dạng khi được yêu cầu tạo nhiều đối tượng, GPT-4o có thể xử lý đúng 15-20 đối tượng khác nhau cùng một lúc mà không gặp phải sự nhầm lẫn nào. Điều này thể hiện sự cải tiến đáng kể về độ chính xác và độ tin cậy, đặc biệt cho các cảnh hoặc biểu đồ phức tạp.
Một tính năng nổi bật khác là khả năng xử lý văn bản xuất sắc của GPT-4o. Các trình tạo hình ảnh AI trước đây thường gặp khó khăn trong việc tạo ra văn bản liên kết trong hình ảnh, thường sản xuất các ký tự rối rắm hoặc vô nghĩa. GPT-4o đã có những tiến bộ đáng kể trong lĩnh vực này, tạo ra văn bản rõ ràng và dễ đọc trên nhiều ứng dụng, từ áp phích thông tin đến truyện tranh nhiều ô với các bọt thoại. Mặc dù nó vẫn có thể gặp khó khăn với văn bản cực nhỏ, nhưng sự cải tiến tổng thể khiến hệ thống trở nên thực tế cho việc tạo ra hình ảnh có yếu tố văn bản đáng kể như thực đơn, biểu đồ và tài liệu hướng dẫn.
Mô hình cũng xuất sắc trong việc học trong ngữ cảnh, cho phép nó hiểu và kết hợp các chi tiết từ hình ảnh tải lên hoặc các cuộc hội thoại trước đó. Sự nhận thức ngữ cảnh này mở ra các quy trình làm việc tạo hình ảnh tinh vi hơn, nơi người dùng có thể tinh chỉnh hình ảnh của họ theo cách tự nhiên thông qua cuộc hội thoại trong khi vẫn duy trì một phong cách và chủ đề nhất quán qua nhiều lần tạo ra.
OpenAI đã thực hiện một chiến lược triển khai từng bước cho tính năng tạo hình ảnh ChatGPT 4o. Lần phát hành ban đầu bắt đầu vào ngày 25 tháng 3 năm 2025, cho phép tính năng có sẵn cho các thuê bao ChatGPT Plus, Pro, Team và Free. Những người dùng Doanh nghiệp và Giáo dục dự kiến sẽ có quyền truy cập trong thời gian tới. Cách tiếp cận theo cấp độ này cho phép OpenAI theo dõi hiệu suất hệ thống và thu thập phản hồi trước khi mở rộng tính năng hoàn toàn.
Đối với người dùng miễn phí, OpenAI đã duy trì giới hạn sử dụng tương tự như sự tích hợp DALL-E trước đó, cho phép khoảng ba hình ảnh mỗi ngày, mặc dù công ty lưu ý rằng những giới hạn này có thể thay đổi theo thời gian dựa trên nhu cầu. Người dùng Plus và cấp cao hơn có khả năng tạo hình ảnh không giới hạn. Cách tiếp cận này cân bằng khả năng tiếp cận với khả năng của hệ thống, đảm bảo hiệu suất ổn định trên nền tảng trong khi vẫn cung cấp giá trị cho người dùng ở mọi cấp độ đăng ký.
Một khía cạnh quan trọng của việc triển khai là sự tiếp tục có sẵn DALL-E thông qua một GPT tùy chỉnh dành riêng. Điều này đảm bảo rằng những người dùng thích khả năng cụ thể của DALL-E hoặc đã quen thuộc với giao diện của nó vẫn có thể truy cập. Sự có sẵn đồng thời của cả hai hệ thống cung cấp cho người dùng sự linh hoạt tối đa để lựa chọn công cụ phù hợp nhất với nhu cầu cụ thể của họ.
Sự tích hợp khả năng tạo hình ảnh của GPT-4o trực tiếp vào giao diện ChatGPT tạo ra một trải nghiệm người dùng được cải thiện đáng kể. Người dùng chỉ cần yêu cầu mô hình tạo ra một hình ảnh với các chi tiết cụ thể hoặc chọn tùy chọn "Tạo hình ảnh" trong trình soạn thảo. Khả năng của hệ thống trong việc hiểu các hướng dẫn bằng ngôn ngữ tự nhiên làm cho việc tạo hình ảnh trở nên trực quan và dễ tiếp cận hơn, ngay cả với những người dùng không có kinh nghiệm thiết kế hay kiến thức kỹ thuật.
Điều thực sự làm cho Trình tạo hình ảnh ChatGPT 4o khác biệt là cách mà nó mang kiến thức thế giới vào quá trình tạo hình ảnh. Như Jackie Shannon, trưởng sản phẩm đa phương thức của ChatGPT, đã giải thích, "Nếu tôi vẽ một hình ảnh, tôi làm điều đó với giới hạn kỹ năng của riêng mình... nhưng cũng với tất cả kiến thức của thế giới mà tôi đã xây dựng. Mô hình mang kiến thức thế giới vào phương trình, vì vậy khi bạn yêu cầu một hình ảnh về thí nghiệm lăng kính của Newton, bạn không cần phải giải thích đó là gì để nhận lại một hình ảnh." Khả năng này cho phép người dùng tạo ra hình ảnh tinh vi mà không cần phải cung cấp chi tiết đầy đủ.
Hệ thống cũng cung cấp những tùy chọn tùy chỉnh thực tiễn, bao gồm điều chỉnh tỷ lệ khung hình, chỉ định màu sắc chính xác bằng mã hex và tạo nền trong suốt. Những tính năng này làm cho công cụ trở nên linh hoạt đủ cho cả ứng dụng thông thường và chuyên nghiệp, từ đồ họa truyền thông xã hội đến bài thuyết trình kinh doanh và tài liệu tiếp thị.
Cơ sở kỹ thuật của khả năng tạo hình ảnh của ChatGPT 4o đại diện cho một sự tiến bộ đáng kể so với các hệ thống trước đây. Được xây dựng trên nền tảng GPT-4o "omnimodal" - nghĩa là nó có thể tạo ra nhiều loại dữ liệu khác nhau bao gồm văn bản, hình ảnh, âm thanh và có thể cả video - hệ thống được hưởng lợi từ một kiến trúc thống nhất xử lý và tạo ra các loại hình thức khác nhau với một cách tiếp cận nhất quán.
Kiến trúc thống nhất này cho phép hiểu biết xuyên phương thức tốt hơn, nơi các khái niệm được diễn đạt bằng văn bản có thể được dịch chính xác thành các yếu tố hình ảnh. Cách tiếp cận tạo ra hồi quy, mặc dù có thể chậm hơn so với các mô hình khuếch tán, nhưng cung cấp kiểm soát chính xác hơn về các yếu tố hình ảnh và mối quan hệ của chúng. Điều này dẫn đến ít lỗi và bất thường hơn, đặc biệt là trong các cảnh phức tạp với nhiều đối tượng hoặc yêu cầu chi tiết.
Một cải tiến kỹ thuật khác là khả năng của hệ thống để duy trì sự nhất quán giữa các lần lặp. Khi người dùng yêu cầu sửa đổi một hình ảnh, GPT-4o có thể hiểu ngữ cảnh của lần tạo trước và thực hiện các thay đổi có mục tiêu trong khi vẫn bảo tồn sự cấu trúc và phong cách tổng thể. Khả năng lặp lại này làm cho quá trình sáng tạo trở nên tự nhiên và hiệu quả hơn, giống như làm việc với một nhà thiết kế con người có thể tiếp thu phản hồi vào các bản thảo tiếp theo.
Trong khi GPT-4o đã trở thành hệ thống tạo hình ảnh chính của OpenAI trong ChatGPT, công ty vẫn duy trì DALL-E như một tùy chọn bổ sung thông qua một GPT tùy chỉnh dành riêng. Quyết định này thừa nhận rằng các người dùng khác nhau có thể có sở thích khác nhau hoặc các trường hợp sử dụng cụ thể mà khả năng của DALL-E có thể có lợi.
DALL-E đã thiết lập được danh tiếng vững chắc cho một số loại hình ảnh nghệ thuật và phong cách, và một số người dùng đã phát triển quy trình làm việc dựa trên các đặc điểm cụ thể của nó. Bằng cách giữ cho cả hai hệ thống luôn sẵn có, OpenAI đảm bảo một sự chuyển tiếp suôn sẻ trong khi vẫn cung cấp tối đa sự linh hoạt. Người dùng có thể chọn công cụ phù hợp nhất với nhu cầu riêng của họ, cho dù họ ưu tiên phong cách nghệ thuật của DALL-E hay khả năng kỹ thuật được cải thiện của GPT-4o như xử lý văn bản và ràng buộc đối tượng.
Cách tiếp cận đôi này cũng cho phép OpenAI thu thập dữ liệu so sánh về cách người dùng tương tác với cả hai hệ thống, thông tin sẽ phục vụ cho quyết định phát triển trong tương lai và có thể tích hợp các tính năng phổ biến từ từng hệ thống vào các phiên bản sau.
OpenAI đã triển khai các biện pháp bảo vệ mạnh mẽ trong hệ thống tạo hình ảnh ChatGPT 4o để ngăn ngừa việc lạm dụng. Bao gồm các biện pháp ngăn chặn việc xóa watermark, chặn tạo ra các deepfake tình dục và từ chối các yêu cầu về nội dung vi phạm chính sách sử dụng của họ. Mặc dù hệ thống không bao gồm watermark hiển thị, nhưng tất cả hình ảnh được tạo ra đều chứa metadata C2PA chuẩn đánh dấu chúng là được tạo ra bởi OpenAI, cho phép ghi công thích hợp và xác thực tiềm năng.
Công ty thừa nhận rằng không có hệ thống nào là hoàn hảo và xem những biện pháp bảo vệ này là một điểm khởi đầu cho sự cải tiến liên tục. Giống như với các công cụ tạo hình ảnh trước đây, người dùng sở hữu hình ảnh họ tạo ra và có thể sử dụng chúng một cách tự do trong giới hạn chính sách sử dụng của OpenAI.
Dù có khả năng ấn tượng, hệ thống vẫn có một số hạn chế. Thời gian tạo có thể lâu hơn so với các mô hình trước đây, đôi khi mất tới một phút cho các hình ảnh phức tạp. Văn bản rất nhỏ có thể vẫn gặp khó khăn, nhưng việc xử lý văn bản tổng thể đã được cải thiện đáng kể. Những hạn chế này phản ánh sự đánh đổi tự nhiên trong công nghệ AI hiện tại, nơi chất lượng cao hơn và khả năng tinh vi hơn thường đòi hỏi thời gian xử lý thêm.
Quyết định của OpenAI thay thế DALL-E 3 bằng GPT-4o cho việc tạo hình ảnh trong ChatGPT phản ánh tầm nhìn chiến lược của họ trong việc tạo ra các hệ thống AI tích hợp hơn, đa năng hơn. Kiến trúc omnimodal của GPT-4o cho phép nó hiểu và tạo ra nhiều loại nội dung khác nhau trong một khuôn khổ thống nhất, tạo ra một trải nghiệm liền mạch hơn. Phương pháp kỹ thuật của GPT-4o—sử dụng phương pháp tạo hồi quy thay vì khuếch tán—cho phép xử lý văn bản tốt hơn và ràng buộc chính xác hơn các thuộc tính của đối tượng, giải quyết các hạn chế chính của các trình tạo hình ảnh trước đó. Sự thay đổi này cũng phù hợp với mục tiêu rộng hơn của OpenAI trong việc phát triển các hệ thống AI có thể xử lý các nhiệm vụ ngày càng phức tạp qua các phương thức khác nhau, có khả năng mở đường cho những khả năng trong tương lai không chỉ giới hạn ở văn bản và hình ảnh.
Chất lượng hình ảnh của GPT-4o đại diện cho một sự tiến bộ đáng kể so với DALL-E 3 trong một số lĩnh vực chính. Khả năng ràng buộc vượt trội của nó cho phép xử lý 15-20 đối tượng với mối quan hệ thuộc tính chính xác, so với 5-8 đối tượng mà các mô hình trước đó có thể xử lý một cách tin cậy. Việc xử lý văn bản đã được cải thiện đáng kể, tạo ra văn bản có thể đọc được và liên kết trong hình ảnh—a là một thách thức kéo dài đối với DALL-E 3 và các trình tạo hình ảnh AI khác. GPT-4o cũng xuất sắc trong việc duy trì tính nhất quán giữa các cảnh phức tạp và thể hiện chính xác kiến thức thế giới dưới dạng hình ảnh. Mặc dù thời gian tạo có thể lâu hơn một chút, nhưng với độ chính xác và độ tin cậy gia tăng, sự đánh đổi này đáng giá cho hầu hết các trường hợp sử dụng, đặc biệt là những trường hợp yêu cầu độ chính xác kỹ thuật hoặc nội dung giáo dục.
Các lợi thế chính khi sử dụng GPT-4o để tạo hình ảnh bao gồm khả năng hiểu ngữ cảnh được cải thiện, khả năng xử lý văn bản vượt trội và cải tiến trong việc ràng buộc thuộc tính của đối tượng. Hệ thống tích hợp liền mạch với các cuộc hội thoại văn bản, cho phép tinh chỉnh hình ảnh lặp đi lặp lại thông qua cuộc đối thoại tự nhiên. Khả năng của nó trong việc rút ra từ kiến thức thế giới sâu rộng có nghĩa là người dùng có thể yêu cầu các khái niệm phức tạp mà không cần cung cấp chi tiết đầy đủ. Phương pháp tạo hồi quy, mặc dù có thể chậm hơn, dẫn đến hình ảnh có sự liên kết hơn, đặc biệt là cho các cảnh hoặc biểu đồ phức tạp. Thêm vào đó, hệ thống duy trì tính nhất quán giữa các lần lặp, giúp dễ dàng tinh chỉnh hình ảnh dựa trên phản hồi. Những lợi thế này khiến GPT-4o trở nên đặc biệt có giá trị cho nội dung giáo dục, minh họa kỹ thuật và các ứng dụng chuyên nghiệp yêu cầu thể hiện hình ảnh chính xác của các ý tưởng phức tạp.
Có, người dùng vẫn có thể truy cập DALL-E thông qua một GPT tùy chỉnh dành riêng trong hệ sinh thái ChatGPT. OpenAI đã duy trì quyền truy cập này để đảm bảo rằng người dùng thích khả năng cụ thể của DALL-E hoặc có các quy trình làm việc đã được xây dựng xung quanh nó vẫn có thể tiếp tục sử dụng hệ thống. Cách tiếp cận này cung cấp sự linh hoạt tối đa, cho phép người dùng lựa chọn công cụ phù hợp nhất với nhu cầu riêng của họ hoặc sở thích nghệ thuật. Việc có sẵn cả hai hệ thống cũng cho phép người dùng tận dụng những điểm mạnh độc đáo của từng hệ thống—có thể sử dụng GPT-4o cho những hình ảnh nhiều văn bản hoặc biểu đồ phức tạp trong khi chuyển sang DALL-E cho một số phong cách nghệ thuật nhất định hoặc những khám phá sáng tạo.
Sự tích hợp khả năng tạo hình ảnh của GPT-4o vào trong ChatGPT làm tăng đáng kể trải nghiệm người dùng tổng thể bằng cách tạo ra một môi trường đa chức năng, gắn kết hơn. Người dùng giờ đây có thể di chuyển liền mạch giữa các cuộc trò chuyện văn bản và việc tạo hình ảnh mà không cần chuyển đổi ngữ cảnh hay nền tảng. Khả năng của hệ thống để hiểu được ngữ cảnh cuộc hội thoại trước đó có nghĩa là hình ảnh có thể được tích hợp tự nhiên vào trong các cuộc thảo luận đang diễn ra hoặc tinh chỉnh thông qua cuộc đối thoại. Sự tích hợp này cũng tận dụng cơ sở kiến thức phong phú của GPT-4o, cho phép người dùng tạo ra hình ảnh tinh vi mà không cần phải cung cấp chi tiết đầy đủ. Đối với người dùng doanh nghiệp, giáo viên và các nhà sáng tạo, điều này tạo nên một quy trình làm việc hiệu quả hơn, nơi các ý tưởng có thể được diễn đạt và hình dung trong cùng một giao diện. Khi OpenAI tiếp tục phát triển khả năng của GPT-4o, trải nghiệm tích hợp này có khả năng trở nên mạnh mẽ và trực quan hơn nữa.
