作者：林克

4月22日，前幾天還在灰測的GPT-image-2正式公測，其實際使用效果引發了AI圈的熱議。

和之前的圖像生成的最關鍵變化是：字更清楚了、海報更像設計稿了、UI截圖終於能用。這也讓圖像生成模型開始被當成生產工具來討論了。

先看看生成效果：

顆粒度更高的效果背後，其實一條技術路徑在拐彎。

過去幾年主流方法來自擴散模型diffusion的思路。它的出發點很樸素：如果一張清晰圖片可以一步步加噪聲變成雪花，那麼反過來，從雪花一步步去噪，就有機會還原出一張圖。

於是模型被訓練去做一件事，在不同噪聲階段判斷「下一步應該往哪兒收斂」。

這套方法在視覺上很成功。它擅長處理連續變化的東西，比如光影、紋理、人物細節。但它有一個幾乎繞不過去的結構性限制：生成幾乎是「整體發生」的，沒有順序概念。

從噪聲到圖像的過程中，所有元素一起浮現出來。人物、背景、裝飾、文字，都在同一個收斂軌道里被「塗抹」出來。模型沒有「先寫第一個字、再寫第二個字」的能力，因為在它的世界裏，並不存在「字符」這種離散單位。

這就是早期模型為什麼在文字上集體失靈。它看到「HELLO」，學到的是幾種常見的筆畫組合；生成時，會在某個區域給出一塊「像文字的紋理」。至於字母順序、拼寫規則、句子長度，這些約束不在它的表達體系裏。

很多團隊試圖用更多數據、更高分辨率去彌補，但效果有限，因為在連續系統去模擬離散結構，總會在關鍵位置出錯。

GPT-image-2這一代模型的變化，恰好發生在這個斷點上。

它首先把圖像換了一種表示方式。通過視覺分詞器tokenizer，圖像被拆成一系列離散單元，類似文本里的token。這樣一來，圖像就變成可以逐步生成的序列。

一旦進入序列空間，語言模型那套成熟的方法就可以直接接入。生成過程就有了順序，可以「從前到後寫出來」。順序、長度、上下文約束，都可以在這個過程中被顯式控制。

更關鍵的一步，是引入了接近「agent」的訓練思路。

Agent特點是先理解任務，再形成計劃，最後執行。GPT-image-2的生成鏈路裏，語言模型承擔了類似「規劃器」的角色。它會根據輸入，把需求拆解成結構，例如哪裏是標題，寫什麼內容，大致佔據什麼位置，是否需要多行排版。這個過程對用戶不可見，但在模型內部形成了一個隱式的佈局草圖。

接下來，視覺部分在這個草圖約束下去完成渲染。文字成為一個被提前定義好的目標。字符的順序和內容由語言模型決定，視覺模型負責把它們以合適的樣式呈現出來。

從工程角度看，這是一條「規劃—執行」鏈路被內嵌進模型本身，像agent一樣有步驟、有結構、有中間決策。

這種結構對文字的影響是立竿見影的。因為文字本質就是一種強約束的序列任務，而語言模型正好擅長處理序列。當兩者對齊之後，「寫對字」不再依賴運氣，而成為一個可以被穩定優化的目標。

這也是為什麼GPT-image-2在海報、UI、電商圖這些場景表現突出。這些場景的難點一直在結構和約束，而不是純視覺。只要結構被提前鎖定，後續渲染的自由度反而更容易控制。

國內模型目前大多處在兩條路徑的交界處。

豆包圖像已經開始引入語言模型參與生成決策，在中文短文本和簡單排版上有明顯改善。這說明「規劃層」正在形成，但在長文本和複雜佈局上仍有波動，意味着離散表示和視覺渲染之間的對齊還不夠穩。

快手的Kolors在視覺表現上非常突出，風格和質感接近行業第一梯隊，但文字更多還是在視覺階段被補償，缺乏前置約束，一旦文本變長就容易失控。

阿里千問和百度的優勢在於數據和場景，尤其電商與搜索生態，具備構建大規模結構化數據的條件。但目前圖像生成仍然延續原有路徑，語言模型尚未成為生成鏈路的核心控制者。

從方法論上看，差距集中在三點：圖像是否被離散化為可序列處理的單位，語言模型是否進入生成主鏈路，以及是否建立了帶佈局與文本標註的數據體系。這三者一旦打通，文字問題基本會隨之消失。

這條路徑和文本模型的發展方向也在逐漸重合。像Claude之所以被很多開發者用於實際工作，核心原因是因為它在執行復雜任務時更穩定。

長上下文處理、結構化輸出、步驟完整，這些能力讓它更像一個可以交付結果的系統。GPT系列從對話走向工具的過程，本質也是在強化這種「完成任務」的能力。

圖像生成正在經歷類似的階段。從「生成一張好看的圖」，走向「完成一個帶視覺約束的任務」。

當語言模型、離散表示和類似agent的規劃機制疊加在一起，圖像就不再只是視覺結果，而成為表達和執行的一種新載體。