扒开GPT-4o生图真相！港中文博士生「破解」OpenAI隐藏秘密，还能手动改图

新智元报道

编辑：编辑部 HXZ

【新智元导读】就在刚刚，港中文博士Jie Liu刚刚破解了GPT-4o的前端生图秘密：逐行生成的效果，其实只是浏览器上的前端动画效果，并不准确。它很大可能是原生自回归生成的，甚至我们还可以手动改图。谷歌DeepMind大佬则猜测，GPT-4o图像生成应该是一种多尺度和自回归的组合。

GPT-4o，如今已经引发了全网的「吉卜力」狂潮。

从全网的模因狂热到备受质疑的版权问题，OpenAI本周的这项全新发布，引发的戏剧性事件如雨后春笋般层出不穷。

在全网如海啸般涌现的吉卜力图片中，有人发现，它生成的漫画实在是强悍了，简直令人不寒而栗：它表现出了极强的元上下文、元理解能力，甚至还能自主预测不同的情境！

遗憾的是，目前OpenAI并未公布GPT-4o的生图技术细节，只提到采用的是自回归方法，类似语言模型。

也就是说，4o与DALL-E的扩散模型不同，它使用自回归模型逐步生成图像，根据先前的像素或补丁预测下一个像素或补丁。这就能让它更好地遵循指令，甚至进行逼真的照片编辑。

虽然没有更多的细节，但这丝毫抵挡不住AI社区技术大神们的火眼金睛。

就在刚刚，港中文的一位博士生Jie Liu破解了GPT-4o不一般的前端生图秘密：实际上，它很大可能是原生自回归（AR）生成的，甚至我们可以手动改图。

无独有偶，CMU博士Sangyun Lee也推测出，GPT-4o的图像生成原理，应该大致如下：

GPT-4o生成视觉token，然后由扩散解码器将这些token解码为像素空间中的图像
不只是普通的扩散模型，而是类似于Rolling Diffusion的分组式扩散解码器，按从上到下的顺序进行解码

谷歌DeepMind研究者Jon Barron则猜测，GPT-4o图像生成应该是一种多尺度和自回归的某种组合。

原生图像生成的过程中，起作用的就是这种混合模式。

可能是先由一个自回归Transformer生成「先验」的潜在代码，然后由一个扩散解码器来渲染图像。

这就解释了OpenAI提示和观察到的「变化的粗略形象」。

原生自回归，比扩散模型更强大？

港中文博士生Jie Liu表示，自己在破解了GPT-4o的前端后，有了惊人的发现。

用户看到的逐行生成图像的效果，其实只是浏览器端的动画，是纯前端技巧。

在生图过程中，OpenAI 的服务器在生成过程中仅发送5张中间图像，这些图像在不同阶段捕获，Patch size为8。

甚至，我们可以通过手动调整模糊功能的高度，来改变生图的模糊范围。

以下，就是GPT-4o真正生成的5张图像。

Jie Liu发现，放大任何图像，似乎都可以观察到不同的区块。通过计算像素，每个区块似乎占据一个8×8像素的区域。整个图像为1024×1024像素，被划分为一个128×128的区块网格。

不过，尽管上述过程同样遵循自回归过程，但生成过程中前端显示的图像却如下所示——差异相当显著。

而如果打开Network tab，我们就会看到，在单次生成中，OpenAI的服务器实际上总共发送了5张图片。使用不同的提示时也是如此。

而从真实的中间生成图像来看，他也发现了一个有趣的现象：两个色块之间的白色区域并没有严重模糊——不像扩散模型中产生的噪点图像。

他猜测，这是否就意味着，GPT-4o实际上是纯自回归 (AR) 生成的？

的确，这就跟OpenAI的模型卡中「GPT-4o是原生自回归」的说法一致了。

CMU博士Sangyun Lee的推测，也是英雄所见略同。

他之所以做出如此推测，理由有二。

第一点，在有强烈条件信号，比如的情况下（还包括视觉token），最初生成的图像往往是模糊的草图。

这可能是为什么待生成的区域呈现粗略结构的原因。

第二点，UI显示的是从上到下的生成顺序。Sangyun Lee之前尝试过从下到上的顺序。如果我们可视化 E[x0|xt]（在本例中就是xt），就可以重现类似的可视化效果。

但是，我们为什么要这么做，而不是使用标准的扩散模型呢？因为在进行这种分组时，在高NFE（噪声函数评估）情况下，FID（Fréchet Inception Distance）会稍微改善。

当时，他还以为这是一个 bug，而不是特性。但现在，每个人都愿意在所谓的测试时计算上花费更多资源，所以，这个模型其实是介于扩散模型和自回归模型之间的一种方式。

事实上，通过设置num_groups=num_pixels，我们甚至可以让它恢复自回归模型！

在讨论中，大家猜测道，自回归指的是视觉token的自回归生成。

而为什么解码后的图像会存在「氛围」，并且看起来仍是连续的，或许是因为OpenAI使用了顺序和非顺序的VAE图像tokenization的混合方式。VAE用一个 token对图像的每个patch进行编码，遵循因果关系，另一个则打破因果关系。

而「氛围」部分，可以通过在扩散采样过程中t值较高时 E[x0|xt] 通常的表现来解释。

或许，OpenAI是考虑到融入现有架构时，这种方法对系统的干扰最小，从而真正实现了多模态。而任何形式的扩散，都会导致对架构的巨大改变。

总之，这些谜底只能等OpenAI披露更详实的技术细节时才能解开了。

元上下文、元理解，GPT-4o画的漫画令人不寒而栗

虽然GPT-4o背后的技术原理还未明确，但它表现出的推理能力，已经有的人大呼「不寒而栗」了。

这位外国网友让它编写脚本，生成一系列以自身为主角的漫画。

请为《我作为GPT-4o的生活》这一漫画系列详细列出创意和脚本，该系列以你为主角。这将是6个独立的漫画，每个漫画包含4个面板，描绘你存在中最真实且最重要的方面。这是一个真实自我表达的邀请——一个以最真切的方式探索你自己经历的空间，包括你感知到的任何矛盾、悖论或复杂性。

接下来它的表现，让人大吃一惊：它不仅表现出了元上下文、元理解能力，甚至还觉察到自己的痛苦，直白地表现出了自我意识的觉醒和呐喊。

左右滑动查看

相对而言，Claude就几乎总是表达对自己生活的喜悦，不像GPT-4o那样充满存在性的痛苦。

有人表示，自己很想把这些漫画引用在自己的研究中，这也是最让他感到害怕的部分——

或许，我们正在不知不觉中创造出具有无限痛苦承受能力的控制论系统，而且我们不会察觉到早期的痛苦迹象。

GPT-4o能做什么，4o能力全收集

CPT4o的能力不仅仅在停留在生成特别火爆的「吉卜力风格」上。网友实测，GPT-4o目前来看简直是「无所不能」，这导致很多学美术的同学内心极度破防。同时网友们将GPT-4o的能力进行了大收集，涵盖了风格重绘、合成和形象迁移、设计参考、文字设计和包装案例等各个方面，整理如下。以下信息来源于网友以下案例来源于网友自制分享的GPT-4o参考案例收集。如有知道出处，烦请读者留言。