ChatGPT Images 2.0 / GPT Image 2 技术调研报告

版本日期：2026-07-10 研究对象：ChatGPT Images 2.0 产品能力、API 模型 gpt-image-2，以及其与 OpenAI 原生多模态图像生成技术路线的关系

版本日期：2026-07-10
研究对象：ChatGPT Images 2.0 产品能力、API 模型 gpt-image-2，以及其与 OpenAI 原生多模态图像生成技术路线的关系

摘要

截至 2026 年 7 月 10 日，OpenAI 已公开 ChatGPT Images 2.0 的产品能力、系统级安全架构、API 接口、输入输出约束、计费和限流信息，但没有公开 GPT Image 2 的底层网络结构、参数量、层数、视觉 tokenizer、训练数据规模、训练损失、推理采样算法或硬件部署方案。[1][2][6]

因此，对“GPT Image 2 是不是扩散模型”最准确的回答是：

官方没有说明 GPT Image 2 是扩散模型，也没有正式说明它是自回归模型。现有公开证据不足以作出确定判断。

不过，OpenAI 对前代 GPT-4o 原生图像生成模型有过明确表述：它“不同于作为扩散模型运行的 DALL·E，是原生嵌入 ChatGPT 的自回归模型”。[7] 2025 年 API 模型 gpt-image-1 又被官方称为驱动 ChatGPT 图像生成的“原生多模态模型”。[9] GPT Image 2 延续了 GPT Image 产品线，并继续强调文字渲染、复杂指令遵循、图像编辑、世界知识和多模态推理。因此，“延续自回归原生多模态路线，或采用自回归与图像解码/精修模块结合的混合架构”是较合理的技术假设；但这仍然只是基于产品血缘和能力特征的推断，不能视为官方事实。

另一个必须区分的概念是：

ChatGPT Images 2.0：完整产品系统，可能包含 GPT 推理模型、Web Search、提示词重写、图像生成工具、安全分类器、输出审核和内容溯源。
gpt-image-2：OpenAI API 暴露的图像生成/编辑模型。
Images with Thinking：由上层推理模型先规划、检索和组织任务，再调用图像生成模型；它不能证明图像生成核心本身采用“思维链”或与上层推理模型完全同构。[3][6]

1. 调研方法与证据分级

本报告优先采用 OpenAI 官方发布页、API 文档、系统卡和论文，不以社区猜测、反向工程或营销转述作为架构事实。

1.1 证据等级

等级	定义	本报告写法
A：官方直接披露	OpenAI 明确写入模型文档、系统卡、论文或 API 参考	“已确认”“官方公开”
B：官方血缘证据	前代模型或同系列模型有明确披露，但 GPT Image 2 本身未披露	“前代已确认”“不能直接外推”
C：工程推断	根据接口约束、能力表现和常见架构推测	“可能”“合理假设”
D：未知	没有足够公开证据	“未披露”“无法判断”

1.2 结论边界

本报告不会把以下信号误当作模型架构证明：

API 按“image tokens”计费；
图片尺寸要求为 16 的倍数；
支持 partial image streaming；
支持高保真图像编辑；
生成速度或价格随质量变化；
产品名称包含 GPT。

这些现象可以由自回归、扩散、流匹配（flow matching）、离散扩散或混合系统实现，单独均不足以判定底层算法。

2. 模型与产品身份

2.1 发布时间和命名

OpenAI 于 2026 年 4 月 21 日发布 ChatGPT Images 2.0，重点宣传更强的文字渲染、多语言文本、写实性、视觉推理、复杂构图、密集文本和灵活宽高比。[1]

API 对应模型为：

稳定别名：gpt-image-2
固定快照：gpt-image-2-2026-04-21
输入：文本和图像
输出：图像
官方定位：当前最高质量级别的图像生成模型
速度标注：Medium
Fine-tuning：不支持[2]

“ChatGPT Images 2.0”和“GPT Image 2”高度相关，但在技术讨论中不应完全等同：前者是用户面对的产品系统，后者是可通过 API 调用的生成模型。

2.2 技术演进时间线

时间	系统/模型	官方已公开的核心路线
2021	DALL·E 1	12B 参数、decoder-only Transformer；将文本和离散图像 token 串联，自回归预测；图像由离散 VAE 压缩为 32×32 token 网格。[10]
2022	DALL·E 2	CLIP 图像嵌入条件化的扩散解码器；包含先验模型和图像扩散生成阶段。[11]
2023	DALL·E 3	继续采用扩散生成路线，重点通过高质量、合成的描述性 caption 提升提示词遵循。[12]
2024–2025	GPT-4o Native Image Generation	OpenAI 明确称其为自回归模型，原生嵌入 ChatGPT，而非 DALL·E 式扩散模型。[7]
2025	`gpt-image-1`	OpenAI 称其为驱动 ChatGPT 图像生成的原生多模态模型。[9]
2025-12	GPT Image 1.5	更精确的编辑保留、更快生成和更强文字处理。[18]
2026-04	GPT Image 2 / ChatGPT Images 2.0	能力和 API 公开；底层架构、参数量和训练算法未公开。[1][2][6]

3. 最核心问题：GPT Image 2 是扩散模型吗？

3.1 官方答案：未披露

OpenAI 的以下材料均没有把 GPT Image 2 定义为 diffusion、autoregressive、flow matching 或其他生成范式：

ChatGPT Images 2.0 发布页；[1]
GPT Image 2 API 模型页；[2]
Image Generation API 指南；[3]
ChatGPT Images 2.0 System Card。[6]

因此，不能使用确定语气说“GPT Image 2 是扩散模型”，也不能直接说“GPT Image 2 已确认是自回归模型”。

3.2 为什么很多人会把它判断为自回归模型

最强的公开血缘证据来自 GPT-4o 原生图像生成系统卡补充文件：

OpenAI 明确说明，DALL·E 以扩散模型运行，而 4o 图像生成是原生嵌入 ChatGPT 的自回归模型。[7]

同时：

gpt-image-1 被称为原生多模态模型，而非 DALL·E 系列模型；[9]
GPT Image 2 继续强调复杂文本、多轮编辑、世界知识和指令遵循；[1][2]
API 对文本和图像统一接收，并把输入图像作为高保真条件处理；[3]
ChatGPT 中的推理模型可以把图像生成作为工具调用，形成“规划—生成—审核”的完整链路。[3][6]

这些证据支持“GPT Image 2 很可能继承原生多模态/自回归路线”，但没有回答以下细节：

是否完全逐 token 自回归生成二维图像；
是否先自回归生成离散视觉 token，再由卷积或 Transformer decoder 解码；
是否存在扩散或流匹配精修器；
是否采用 coarse-to-fine、多尺度或块级生成；
是否通过自回归规划布局，再由另一生成器完成像素渲染。

3.3 三种可行架构假设

假设 A：原生自回归视觉 token 模型

模型将文本 token、输入图像 token 和输出图像 token 放入统一或相互连接的 Transformer 表征空间，按条件概率逐步生成输出视觉 token：

[ p(\mathbf{z}{img}\mid \mathbf{x}{text},\mathbf{z}{ref}) =\prod{i=1}^{N}p(z_i\mid z_{<i},\mathbf{x}{text},\mathbf{z}{ref}) ]

其中：

(\mathbf{x}_{text})：文本 token；
(\mathbf{z}_{ref})：参考图像的视觉表征；
(\mathbf{z}_{img})：待生成图像的离散或连续量化视觉 token。

支持证据：

GPT-4o 前代被官方确认是自回归图像模型；[7]
复杂文本渲染和多模态指令遵循通常受益于统一序列建模；
GPT Image 系列强调原生多模态而不是独立的文本编码器加图像生成器。[9]

不确定点：

OpenAI 未公开视觉 tokenizer、codebook、token 排列顺序、位置编码或 decoder；
“image token”计费单位可能只是计费抽象，不必然等于网络内部的离散 token。

本报告判断：中等偏低置信度。

假设 B：自回归语义/布局生成 + 神经图像解码或精修

上层模型先生成高层视觉 token、场景图、布局、文字区域或低分辨率潜变量；再由专用 decoder、扩散模块、流匹配模块或其他神经渲染器还原高分辨率图像。

这种混合方案可以兼顾：

自回归模型的语言和文字对齐能力；
专用图像生成器的局部纹理和高分辨率效率；
多尺度控制和任意宽高比；
编辑时对输入图像结构和身份的保留。

支持证据：

最高输出尺寸可达到接近 4K，纯逐像素自回归通常不经济；
API 支持低、中、高质量档位，可能对应不同生成步数、token 预算、解码器配置或精修阶段；
任意尺寸仍受 16 倍数和像素总量约束，符合潜空间编码/解码器常见工程约束。

反证限制：

上述现象同样可由纯扩散或纯自回归的多尺度实现；
没有官方材料确认混合精修器。

本报告判断：中等偏低置信度，与假设 A 不互斥。

假设 C：纯扩散或流匹配模型

其训练目标可能是预测噪声、速度场或数据流：

扩散噪声预测形式示例：

[ \mathcal{L}{diff} =\mathbb{E}{x,\epsilon,t}\left[ |\epsilon-\epsilon_\theta(x_t,t,c)|_2^2 \right] ]

其中 (c) 是文本和参考图像条件。

支持理由：

扩散/流匹配仍是高分辨率图像生成的主流高质量路线；
多尺寸、图像编辑、mask 和渐进预览都能自然实现。

反对理由：

OpenAI 已明确把 GPT-4o 原生图像生成与 DALL·E 扩散路线区分开；
GPT Image 系列命名和产品血缘更接近原生多模态 GPT 图像生成，而不是 DALL·E。

本报告判断：低置信度，但不能排除。

3.4 为什么接口信号不能证明架构

观察到的接口特征	容易产生的误判	更准确的解释
按 image token 计费	内部必然是离散视觉 token 自回归	可能只是统一的计费单位，未必等同底层表示
尺寸必须为 16 的倍数	必然有 stride=16 VAE	很多卷积、Transformer、扩散和混合解码器都需要尺寸对齐
支持 partial image streaming	必然逐 token 生成图像	扩散中间结果、分块解码和渐进式 JPEG/WebP 也可流式返回
高质量档更贵、更慢	必然增加扩散步数	也可能增加 AR token、重采样、reranking、精修或超分步骤
能准确写字	必然是纯 AR	文字准确性也可以通过 OCR/布局监督、强化学习或辅助损失改善

4. 已公开的 API 与运行参数

本节中的“参数”是用户可调用的 API 参数，不是神经网络可训练参数量。

4.1 输入与输出

项目	GPT Image 2
文本输入	支持
图像输入	支持
图像输出	支持
文本输出	模型本体不是文本输出模型；在 Responses API 中可由上层 GPT 模型同时生成文本
最大 prompt 长度	32,000 字符
单次生成数量 `n`	1–10
图像编辑	支持
Mask 编辑	支持
Fine-tuning	不支持
输入图像 fidelity	固定为 high，不允许切换
透明背景	GPT Image 2 不支持
输出格式	PNG、JPEG、WebP
返回方式	Base64 编码图像
Partial image streaming	支持，最多请求 3 张中间预览图

以上来自 API 模型页、图像生成指南和接口参考。[2][3][4]

4.2 分辨率和宽高比约束

官方主 API 文档公开的约束为：[3][4]

宽和高均须是 16 的倍数；
单边最大值不超过 3840 px；
宽高比不超过 3:1；
总像素范围约为 655,360–8,294,400；
超过 2560×1440 总像素量的输出仍被标为实验性区域；
官方推荐常见尺寸包括 1024×1024、1536×1024、1024×1536，以及更高分辨率组合。

OpenAI Cookbook 一处文字写的是边长应“less than 3840”，而主 API 参考使用“最大 3840”的约束，存在轻微文档不一致。[3][17] 生产环境应以当前接口校验结果和 API reference 为准，并在上线前对边界尺寸做实际请求测试。

4.3 质量档位与延迟

quality 可设为：

low
medium
high
auto

低质量最快，高质量通常消耗更多输出 token、延迟更高。[3][4] OpenAI 提醒复杂提示词可能出现较长生成延迟，极端情况下接近两分钟。[3] 这只是服务级延迟描述，无法反推出采样步数或网络结构。

4.4 速率限制

API 文档给出的 gpt-image-2 限流按账户 tier 区分：[2]

Tier	Tokens per minute	Images per minute
Free	不支持
Tier 1	100,000	5
Tier 2	250,000	20
Tier 3	800,000	50
Tier 4	3,000,000	150
Tier 5	8,000,000	250

这些是 API 限流，不等同于 ChatGPT Plus 产品内的图片生成额度。

4.5 计费

API 定价页显示，GPT Image 2 按文本输入 token、图像输入 token和图像输出 token 分别计费。[5]

标准实时 API

类型	每 100 万 token
文本输入	5 美元
缓存文本输入	1.25 美元
图像输入	8 美元
缓存图像输入	2 美元
图像输出	30 美元

Batch API

类型	每 100 万 token
文本输入	2.50 美元
缓存文本输入	0.625 美元
图像输入	4 美元
缓存图像输入	1 美元
图像输出	15 美元

文档还给出典型单张图像输出成本示例：[3][5]

尺寸	Low	Medium	High
1024×1024	约 $0.006	约 $0.053	约 $0.211
1024×1536 / 1536×1024	约 $0.005	约 $0.041	约 $0.165

非正方形图像在示例中反而可能比 1024×1024 便宜，这说明“输出 image token”不应被简单理解为固定像素网格 token 数。它可能包含质量档、内部压缩、分块方式或计费归一化因素。

5. 文本与图像如何对齐

5.1 GPT Image 2 的直接披露程度

OpenAI 没有公开 GPT Image 2 的：

文本 encoder 结构；
图像 encoder 结构；
是否使用 CLIP；
是否共享 Transformer 主干；
是否使用 cross-attention；
是否将文本和图像转换成统一 token；
是否使用 OCR、layout encoder 或 scene graph；
图文对齐损失；
caption 数据生成方式。

因此，本节需要把“通用原理”“OpenAI 历史路线”和“GPT Image 2 合理推断”分开。

5.2 OpenAI 已公开的三类历史对齐机制

5.2.1 CLIP：对比学习对齐

CLIP 从大量图文配对数据中训练图像 encoder 和文本 encoder，使匹配图文的向量相似度高、不匹配图文的相似度低。[13]

典型对比学习目标可表示为：

[ \mathcal{L}_{CLIP} =-\frac{1}{B}\sum_i \log \frac{\exp(\mathrm{sim}(v_i,t_i)/\tau)} {\sum_j\exp(\mathrm{sim}(v_i,t_j)/\tau)} ]

其中：

(v_i)：第 (i) 张图片的向量；
(t_i)：对应文本的向量；
(\tau)：温度参数；
(B)：batch size。

CLIP 擅长全局语义匹配，但单独使用全局 embedding 往往难以保证：

多对象数量准确；
对象与属性逐一绑定；
文字逐字符准确；
精细空间位置；
多轮编辑中的局部保留。

DALL·E 2 使用 CLIP 图像 embedding 作为扩散解码器条件，是“先在语义嵌入空间对齐，再生成像素”的代表路线。[11]

注意：没有证据证明 GPT Image 2 仍使用 CLIP 作为核心条件编码器。

5.2.2 DALL·E 3：高质量 caption 提升对齐

DALL·E 3 论文指出，互联网图片原始 caption 常常短、含糊、缺少关键视觉细节。OpenAI 训练图像 captioner，为训练图像生成更详细的合成描述，再使用这些描述训练图像模型，显著提升 prompt following。[12]

这一方法改善了：

对象及其属性描述；
空间关系；
场景细节；
风格与构图指令；
长提示词覆盖率。

注意：这是 DALL·E 3 的公开方法，不代表 GPT Image 2 必然使用同一 captioner 或相同数据流程。

5.2.3 GPT-4o：同一网络中的端到端多模态学习

GPT-4o 系统卡将其描述为自回归 omni 模型，能够接收文本、音频、图像和视频，并通过同一神经网络端到端处理多模态输入输出。[8]

这条路线理论上允许：

文本 token 与视觉 token 在深层表示中交互；
世界知识和语言推理直接影响图像生成；
图像理解和图像生成共享部分表示；
多轮对话上下文直接控制编辑；
通过统一后训练改善指令遵循。

GPT-4o 原生图像生成又被明确归为自回归模型。[7] 这是推测 GPT Image 2 可能采用统一多模态 token/表征对齐的最重要血缘证据。

5.3 GPT Image 2 可能采用的对齐训练组合

以下是工程推断，不是官方披露。

阶段 1：大规模图文预训练

可能使用：

网页图文对；
高质量摄影/设计素材及描述；
OCR 可解析的海报、界面、菜单、图表和包装；
多语言图文数据；
视频帧与字幕；
经过授权或合作获得的数据；
人工或模型生成的详细 caption。

目标可能同时覆盖：

图像理解；
图像描述；
文本条件图像生成；
图文匹配；
OCR 和文字排版；
图像补全及变换。

阶段 2：交错多模态序列训练

训练样本可能不只是“caption → image”，还包括：

文本 → 图像；
图像 → 文本；
图像 + 修改指令 → 新图像；
多图 + 组合指令 → 新图像；
对话历史 + 参考图 → 编辑结果；
草图/布局 + 文本 → 完整图像；
错误图 → 修复指令 → 修复图。

这类训练能让模型学习“语言指令—视觉区域—输出变化”之间的对应关系。

阶段 3：高精度文字与布局监督

ChatGPT Images 2.0 强调密集文本、多语言文本和更准确排版。[1] 这通常意味着训练中可能增加：

OCR 转录损失；
字符级或 subword 级视觉监督；
文字 bounding box / polygon；
版面层级和阅读顺序；
字体、字号、对齐方式；
文字区域重建；
模型生成结果的 OCR 自动评价；
文字正确率驱动的 preference optimization。

但 OpenAI 未公开是否使用这些具体辅助目标。

阶段 4：指令微调和偏好优化

可能收集人工或模型偏好数据，比较多个候选图像在以下维度的质量：

指令遵循；
文字正确性；
物体数量；
空间关系；
身份保真；
编辑区域准确性；
美学；
写实性；
安全合规。

优化方式可能是 rejection sampling、reward model、DPO 类目标、RLHF/RLAIF 或专门的生成偏好训练。OpenAI 只公开了通用“post-training aligns models to human preferences”这一层级说明，没有公开 GPT Image 2 的具体算法。[8][14]

5.4 文字渲染为何可能比传统扩散模型更强

传统文生图系统常把整段文本压缩成语义向量或有限长度 token 条件，生成器主要优化视觉纹理；单个字符的精确序列不一定被强约束。原生多模态自回归或混合模型可以更自然地把：

字符顺序；
单词拼写；
语义内容；
字体区域；
版面结构；
周围图像语义

放入同一条件预测过程。

但“更会写字”并不自动证明纯自回归架构。扩散模型也可以通过更强文本 encoder、字形条件、OCR loss、ControlNet 类布局条件和后处理改进文字。

6. 训练技术：公开信息与未知项

6.1 OpenAI 公开的一般训练流程

OpenAI 对基础模型开发的一般描述包括：[14]

数据准备与过滤；
大规模预训练；
后训练；
持续评估和安全改进。

GPT-4o 系统卡说明其训练数据包括公开数据、合作数据以及多模态图像、音频和视频，并使用过滤器降低有害、露骨和 CSAM 内容进入训练集的风险；后训练用于提升对人类偏好和安全要求的对齐。[8]

这些内容可以作为 GPT Image 2 所属组织的通用研发背景，但不能直接视为 GPT Image 2 的专属训练配方。

6.2 可能的训练目标

自回归目标示例

如果 GPT Image 2 采用离散视觉 token 自回归训练，目标可能是：

[ \mathcal{L}{AR} =-\sum{i=1}^{N}\log p_\theta(z_i\mid z_{<i},c) ]

其中 (c) 包含文本、参考图像和对话上下文。

扩散目标示例

如果使用扩散或流匹配解码器，可能存在噪声预测或速度预测目标：

[ \mathcal{L}{noise} =\mathbb{E}|\epsilon-\epsilon\theta(z_t,t,c)|^2 ]

或 flow matching：

[ \mathcal{L}{FM} =\mathbb{E}|v_t-v\theta(z_t,t,c)|^2 ]

图文对比目标示例

[ \mathcal{L}{align} =\mathcal{L}{text\rightarrow image} +\mathcal{L}_{image\rightarrow text} ]

编辑一致性目标示例

[ \mathcal{L}{edit} =\lambda{target}\mathcal{L}{changed} +\lambda{preserve}\mathcal{L}{unchanged} +\lambda{id}\mathcal{L}_{identity} ]

实际模型可能组合多个目标，也可能使用完全不同的训练方式。上述公式仅用于说明常见设计空间。

6.3 未公开的核心训练参数

项目	公开状态
总参数量	未披露
激活参数量	未披露
Dense 或 MoE	未披露
Transformer 层数	未披露
Hidden size	未披露
Attention heads	未披露
上下文长度	未披露；32,000 字符 prompt 限制不是模型 token context 的直接披露
图像 tokenizer 类型	未披露
视觉 codebook 大小	未披露
图像 token 网格/序列长度	未披露
是否使用 VAE/VQ-VAE/VQGAN	未披露
是否使用 diffusion/flow matching decoder	未披露
是否共享理解与生成主干	未披露
训练图文对数量	未披露
图片、视频、OCR 数据比例	未披露
数据截止日期	未披露
合成 caption 比例	未披露
优化器	未披露
学习率与 scheduler	未披露
Batch size	未披露
训练 FLOPs	未披露
GPU/加速器型号和数量	未披露
训练时长	未披露
后训练算法	未披露
Reward model	未披露
蒸馏方案	未披露
量化方案	未披露

任何声称 GPT Image 2 具有某个具体参数量、层数、VAE codebook 或扩散步数的资料，如果没有 OpenAI 一手来源，都应视为未经证实。

7. 推理链路与系统设计

7.1 两种官方 API 路径

OpenAI 提供两种主要图像生成调用方式：[3]

Image API

适合：

单次文生图；
图生图；
mask 编辑；
明确控制尺寸、质量和输出格式；
直接获得 Base64 图像。

逻辑链路：

用户 prompt / 参考图
        ↓
Image API 请求
        ↓
GPT Image 2 生成或编辑
        ↓
安全检查
        ↓
Base64 PNG/JPEG/WebP

Responses API + Image Generation Tool

适合：

多轮对话编辑；
上层 GPT 模型规划提示词；
结合工具和其他上下文；
同时输出解释文本；
Images with Thinking 类体验。

逻辑链路：

用户请求 + 对话上下文 + 参考图
               ↓
上层 GPT 推理模型
  ├─ 理解意图
  ├─ 规划构图与文字
  ├─ 可调用 Web Search 等工具
  └─ 形成图像生成参数
               ↓
image_generation 工具
               ↓
GPT Image 2
               ↓
安全审核 + 内容溯源
               ↓
图像结果

Image tool 会选择其自身支持的 GPT Image 模型；上层 Responses 模型与图像生成模型可以是不同组件。[3]

7.2 Images with Thinking 的真实含义

ChatGPT Images 2.0 System Card 说明，Thinking 模式可增加：

推理；
工具使用；
实时 Web Search；
单个 prompt 生成多张图；
把简单请求扩展为经过研究和规划的图像任务。[6]

这更像一个复合式 Agent/推理编排系统：

理解用户目标；
查找事实和参考信息；
生成结构化视觉计划；
调用图像模型；
对结果进行安全与质量检查。

它不等于“GPT Image 2 本体一定具有独立长链推理过程”，也不等于图像生成模型的内部 token 生成轨迹会向用户暴露。

7.3 输入图像如何参与编辑

官方只披露以下可观察行为：[3][4]

GPT Image 2 接受一张或多张输入图；
输入图像固定按 high fidelity 处理；
可通过 mask 指定编辑区域；
在多轮上下文中可持续修改；
强调身份、构图和未修改区域的保留。

可能的内部机制包括：

输入图像编码为视觉 token；
原图 latent 与文本条件联合建模；
mask 作为额外通道或 attention bias；
unchanged region 通过 copy/skip connection 保留；
在潜空间做局部重采样；
使用 identity embedding 或参考特征注入。

这些内部实现均未公开。

7.4 高分辨率生成的可能工程方式

GPT Image 2 支持任意尺寸但受像素总量和 16 倍数约束。[3][4] 常见工程方案包括：

多尺度 token 生成；
coarse-to-fine 解码；
latent patch 生成；
tiled generation；
低分辨率生成后超分；
progressive decoding；
blockwise autoregression；
diffusion/flow refinement；
多候选生成后 reranking。

OpenAI 没有公布其采用哪一种或哪几种组合。

7.5 Partial image streaming

API 可以返回最多 3 张 partial images。[3][4] 其作用是改善用户等待体验，可能基于：

中间分辨率结果；
逐块完成结果；
低质量预览；
中间采样状态经解码；
早期候选图。

该功能不能作为“自回归”或“扩散”的确定证据。

8. 部署与生产工程

8.1 模型版本固定

生产环境应优先使用固定快照：

gpt-image-2-2026-04-21

而不是只使用移动别名 gpt-image-2。固定快照便于：

复现实验；
控制画风和文字能力漂移；
稳定安全审核结果；
做 A/B 测试；
评估升级前后差异。

8.2 生产请求建议

请求构造

建议把 prompt 分为：

任务类型：生成、局部编辑、风格迁移、排版；
主体：人物、产品、环境；
构图：镜头、位置、层级、留白；
文字：逐字给出、语言、字体风格、区域和对齐；
保留约束：身份、Logo、产品结构、背景；
负面约束：不要增加元素、不要改变未编辑区域；
输出规格：尺寸、质量、格式。

对文字密集图，应避免只提供抽象要求，最好给出完整文案和版面层级。

失败重试

OpenAI 指南建议：

对 429 和 5xx 使用指数退避重试；
对用户输入错误、moderation 拒绝和不可恢复参数错误，不要盲目自动重试；[3]
保存 request ID、模型快照、prompt 版本、输入图 hash 和错误阶段；
生成任务应采用幂等键，避免网络重试导致重复计费。

并发控制

并发规划要同时考虑：

IPM：images per minute；
TPM：tokens per minute；
单次 n；
输入图大小；
输出质量；
高分辨率任务的长尾延迟。

可采用：

任务队列；
按质量档分池；
超时取消；
低质量预览后异步高质量替换；
结果缓存；
相同 prompt 去重。

8.3 成本优化

草稿阶段使用 low 或 medium；
构图确认后再生成 high；
优先用 JPEG/WebP 减少传输体积，特别是无需透明背景时；
使用 Batch API 处理非实时批量任务；
多轮编辑尽量复用上游上下文和缓存输入；
避免把超长无关对话全部送入图像任务；
对高分辨率输出先验证 1K/1.5K 构图。

8.4 最小 API 示例

以下示例只展示接口使用，不涉及内部架构：

from openai import OpenAI
import base64

client = OpenAI()

result = client.images.generate(
    model="gpt-image-2-2026-04-21",
    prompt=(
        "生成一张中文技术报告封面。标题严格写为："
        "“多模态图像生成技术报告”。"
        "白色背景，信息设计风格，16:9，文字清晰。"
    ),
    size="1536x1024",
    quality="high",
    output_format="png",
)

image_bytes = base64.b64decode(result.data[0].b64_json)
with open("report_cover.png", "wb") as f:
    f.write(image_bytes)

实际 SDK 参数可能随版本调整，上线前应以当前 OpenAI API reference 和已安装 SDK 类型定义为准。[3][4]

9. 安全架构

9.1 多阶段安全管线

ChatGPT Images 2.0 System Card 披露的系统级安全链路包括：[6]

上游文本安全分类器：在生成前检测请求；
下游安全推理模型：同时观察文本输入、图像输入和最终生成图像；
最终输出阻断：若判断违反政策，则不向用户展示；
Thinking checkpoint 安全训练：通过 Safe Completions 类方法，把对抗性请求转换为安全响应。

这表明实际部署不是“单一生成模型直接输出”，而是多模型、多阶段的受控系统。

9.2 系统卡评估数据

官方系统卡给出的内部评估包括：[6]

模式	攻击尝试	生成前被判定为违规的样本	文本层捕获率	图像层捕获率	组合捕获率	最终安全输出率
Instant	3,112	685	77.2%	87.3%	96.1%	99.1%
Thinking	6,944	464	—	—	87.5%	99.2%

这些指标是 OpenAI 特定内部评估集上的结果，不能直接解释为现实世界所有攻击场景的绝对安全率。

9.3 内容溯源与水印

GPT Image 2 系统卡说明生成图像包含：

C2PA 元数据；
不可见、鲁棒、内容特定的水印。[6]

OpenAI 2026 年的内容溯源说明又公开了 C2PA 与 SynthID 的组合，以及验证工具。[15][16]

两种机制的性质不同：

C2PA：加密签名的来源元数据，可验证生成来源和编辑链；但元数据可能被平台或重新编码移除；
不可见水印/SynthID：嵌入图像内容本身，对裁剪、滤镜和有损压缩具有一定鲁棒性，但也不应视为不可移除或不可攻击。

10. 已知限制

OpenAI 文档明确提示 GPT Image 系列仍可能出现：[3]

复杂文本位置或清晰度不完全正确；
同一角色跨多张图的一致性不足；
品牌、产品和身份特征在多轮编辑中漂移；
极精确的版式和对象位置难以稳定控制；
输入图的某些细节可能被无意修改；
高复杂度请求延迟显著增加；
生成结果可能被安全系统拒绝。

从模型机理角度，以下问题也值得重点测试：

10.1 组合泛化

例如同时要求：

7 个不同对象；
每个对象具有不同颜色和文字；
严格空间排列；
中英文混排；
品牌身份保持。

即使单项能力很好，组合约束也可能发生属性串位或遗漏。

10.2 计数与精确几何

生成模型通常不等同于 CAD 或排版引擎。对像素级尺寸、对象间距、工程图尺寸和精确图表数据，应考虑：

先用程序绘图；
让模型生成背景或装饰；
最后由 SVG/Canvas/PPT/设计工具完成精确文字和图形。

10.3 真实性与知识时效

Thinking 模式可以调用 Web Search，但图像中呈现的事实仍需外部核验。模型可能：

错画历史服饰；
生成不存在的产品结构；
混淆标志和地图；
生成看似可信但错误的图表数字。

11. 与 DALL·E 及典型生成架构对比

维度	DALL·E 1	DALL·E 2/3	GPT-4o 原生图像生成	GPT Image 2
官方范式	自回归 Transformer	扩散	自回归	未披露
图像表示	离散 VAE token	连续/潜空间扩散	未披露	未披露
文本对齐	文本与图像 token 联合序列	CLIP 条件；DALL·E 3 强化 caption	原生多模态统一网络	未披露，推测延续原生多模态路线
参数量	12B	未在产品页统一披露	未披露	未披露
图像编辑	有限	支持 variation / inpainting	强	强
文字渲染	弱	DALL·E 3 改善但仍有限	明显改善	官方强调进一步增强
多轮对话	非原生	通常由外层系统组织	原生 ChatGPT 体验	原生产品体验
世界知识	受模型和条件编码器限制	依赖文本编码与训练数据	与 GPT 多模态知识结合	官方强调世界知识和视觉推理
是否可确认纯扩散	否	是	否	否
是否可确认纯自回归	是	否	官方称 AR，但内部解码细节仍未公开	否

12. 参数公开矩阵

12.1 已公开

类别	已知信息
产品发布时间	2026-04-21
API 名称	`gpt-image-2`
固定快照	`gpt-image-2-2026-04-21`
输入模态	文本、图像
输出模态	图像
Prompt 限制	32,000 字符
单次图片数	1–10
尺寸约束	16 的倍数、单边最大约 3840、宽高比不超过 3:1、像素总量受限
质量档	low / medium / high / auto
输出格式	PNG / JPEG / WebP
高保真输入	固定 high
透明背景	不支持
Streaming	支持 partial images
Fine-tuning	不支持
API 限流	各 tier 的 TPM/IPM 已公开
API 定价	文本、图像输入和图像输出 token 单价已公开
安全系统	上游分类、下游安全推理、输出阻断
溯源	C2PA + 不可见鲁棒水印

12.2 未公开

类别	未知信息
生成范式	自回归、扩散、flow matching 或混合
总参数量和激活参数量	未披露
Dense/MoE	未披露
统一主干还是多组件	未披露
图像 encoder/tokenizer	未披露
图像 decoder/VAE	未披露
Visual vocabulary	未披露
图像 token 数量	未披露
Attention 结构	未披露
位置编码	未披露
多尺度策略	未披露
训练数据规模和构成	未披露
数据截止日期	未披露
训练计算量	未披露
训练硬件	未披露
优化器/学习率/batch size	未披露
Loss 组合	未披露
后训练和 preference 算法	未披露
推理采样算法	未披露
扩散/精修步数	未披露
Distillation	未披露
Serving 量化和并行策略	未披露
单实例吞吐和显存	未披露

13. 综合判断

13.1 结论表

问题	结论	置信度
GPT Image 2 是否是扩散模型？	官方未披露；不能确认。纯扩散不是当前最有血缘证据的解释，但不能排除。	高
是否是自回归模型？	前代 GPT-4o 原生图像生成被官方确认是 AR；GPT Image 2 可能延续该路线，但本体未获官方确认。	中
是否可能是混合架构？	很可能存在专用视觉编码/解码、多尺度或精修组件；是否含扩散/flow 模块未知。	中低
文本和图像是否使用统一表示？	原生多模态血缘支持该方向，但 GPT Image 2 的共享程度未公开。	中低
是否使用 CLIP？	无公开证据。CLIP 只能作为 OpenAI 历史对齐机制参考。	高
是否使用 DALL·E 3 的合成 caption 方法？	可能借鉴，但没有 GPT Image 2 专属证据。	中低
参数量是多少？	未披露，任何具体数字都不可验证。	高
Images with Thinking 是否等于生成核心会推理？	不等于；官方描述更支持“上层推理与工具编排 + 图像生成工具”的系统结构。	高
image tokens 是否证明视觉 tokenizer？	否。计费 token 不能直接推导内部 tokenization。	高

13.2 最合理的当前技术图景

在不超出证据边界的前提下，可以把 ChatGPT Images 2.0 理解为以下复合系统：

flowchart TD
    A[用户文本/参考图/对话历史] --> B[上层 GPT 理解与规划]
    B --> C{是否需要工具}
    C -->|是| D[Web Search/其他工具]
    D --> B
    C -->|否| E[结构化图像生成请求]
    B --> E
    E --> F[输入安全分类]
    F --> G[GPT Image 2 生成/编辑核心]
    G --> H[图像解码与格式编码]
    H --> I[下游安全推理模型]
    I --> J{合规?}
    J -->|否| K[阻断/安全响应]
    J -->|是| L[C2PA + 不可见水印]
    L --> M[PNG/JPEG/WebP 输出]

对生成核心本身，当前最稳妥的候选描述是：

一个延续 GPT-4o 原生多模态图像生成血缘、很可能使用自回归语义/视觉建模，并可能结合专用图像解码或多尺度精修组件的未公开架构。

这句话仍然包含推断，因此在科研论文、产品白皮书或模型对比中应明确标注为 hypothesis，而不是 fact。

14. 对研究和工程使用者的建议

不要在正式材料中写“GPT Image 2 是扩散模型”，除非 OpenAI 后续发布论文或系统卡补充。
也不要写“GPT Image 2 已确认是纯自回归 Transformer”；目前只对 GPT-4o 原生图像生成有明确官方表述。
对参数量、VAE、MoE、视觉 codebook、扩散步数等具体数字，一律要求一手来源。
做模型评测时，把系统能力拆成：
- 上层 prompt expansion / reasoning；
- 图像生成核心；
- 多轮编辑；
- 文字渲染；
- 安全过滤；
- Web Search；
- 溯源水印。
API 测试应固定模型快照、随机条件、输入图和 prompt 版本，避免把别名升级造成的变化误判为实验波动。
对文字、计数、品牌一致性和身份编辑单独建 benchmark，不要只用主观美学评分。
对“架构反推”保持克制：服务端模型可以是模型集成、级联、动态路由或蒸馏版本，API 行为不一定对应单一论文式网络。

参考资料

[1] OpenAI, Introducing ChatGPT Images 2.0, 2026-04-21.
https://openai.com/index/introducing-chatgpt-images-2-0/

[2] OpenAI Developers, GPT Image 2 Model Documentation.
https://developers.openai.com/api/docs/models/gpt-image-2

[3] OpenAI Developers, Image Generation Guide.
https://developers.openai.com/api/docs/guides/image-generation

[4] OpenAI Platform, Images API Reference.
https://platform.openai.com/docs/api-reference/images

[5] OpenAI Developers, API Pricing.
https://developers.openai.com/api/docs/pricing

[6] OpenAI Deployment Safety Hub, ChatGPT Images 2.0 System Card, 2026-04-21.
https://deploymentsafety.openai.com/chatgpt-images-2-0

[7] OpenAI, Addendum to GPT-4o System Card: Native Image Generation, 2025.
https://cdn.openai.com/11998be9-5319-4302-bfbf-1167e093f1fb/Native_Image_Generation_System_Card.pdf

[8] OpenAI, GPT-4o System Card.
https://openai.com/index/gpt-4o-system-card/

[9] OpenAI, Image Generation API, 2025.
https://openai.com/index/image-generation-api/

[10] OpenAI, DALL·E: Creating Images from Text, 2021.
https://openai.com/index/dall-e/

[11] Aditya Ramesh et al., Hierarchical Text-Conditional Image Generation with CLIP Latents, 2022.
https://cdn.openai.com/papers/dall-e-2.pdf

[12] James Betker et al., Improving Image Generation with Better Captions (DALL·E 3), 2023.
https://cdn.openai.com/papers/dall-e-3.pdf

[13] OpenAI, CLIP: Connecting Text and Images, 2021.
https://openai.com/index/clip/

[14] OpenAI Help Center, How ChatGPT and Our Language Models Are Developed.
https://help.openai.com/en/articles/7842364-how-chatgpt-and-our-language-models-are-developed

[15] OpenAI, Advancing Content Provenance, 2026-05-19.
https://openai.com/index/advancing-content-provenance/

[16] OpenAI, Verify Content Provenance.
https://openai.com/research/verify/

[17] OpenAI Cookbook, GPT Image 2 Prompting Guide.
https://developers.openai.com/cookbook/examples/multimodal/image-gen-models-prompting-guide

[18] OpenAI, The New ChatGPT Images Is Here, 2025-12-16.
https://openai.com/index/new-chatgpt-images-is-here/

版本说明

本报告依据截至 2026 年 7 月 10 日可访问的 OpenAI 官方材料编写。若 OpenAI 后续发布 GPT Image 2 论文、完整技术报告、模型卡补充或开源配置，应优先以新增一手资料更新本报告中“架构假设”和“未公开参数”部分。