共计 1182 个字符，预计需要花费 3 分钟才能阅读完成。
那个在 OpenAI 修中文的人
导语: 过去, 中文常是 AI 生图最容易“露馅”的地方; 到了 GPT Image 2, 文字、排版和图像结构开始被放在同一套能力里处理。OpenAI 研究科学家陈博远的公开分享, 也让外界看见了这次中文渲染提升背后的研究脉络。
📌 从“鬼画符”到可读中文, 生图模型出现明显转折
在不少用户的印象里, 图像模型擅长画人物、场景和风格化画面 , 但一旦要求它写中文, 结果往往变成难以辨认的符号。GPT Image 2 发布后, 外界关注的变化不只是“字写对了”, 还包括分段、排版、多语言混排以及信息图式表达。
陈博远在知乎发文称, 自己是 GPT Image 团队的研究科学家, 并提到上周发布的 GPT 生图模型由其主力训练。他还表示, 这次终于修好了模型的中文渲染, 并欢迎中文用户反馈。这一表态让他迅速成为中文社区关注的名字。
🔍 发布前后: 示例图不只是宣传素材
从公开信息看,GPT Image 2 的一些展示图并非简单“炫技”。陈博远提到, 官网博客中的不少图片由他使用模型生成, 其中包括中文漫画、多语言文字、米粒刻字、视觉证明以及二维码等示例。
- 中文漫画: 需要理解画中画、文字位置、梗和视觉层级。
- 米粒刻字: 考验极小尺度下的文字控制能力。
- 黑板视觉证明: 不是只给出代数答案, 而是用图形结构表达数学关系。
- 多语言与二维码: 要求模型在图像中维持可读性和功能性。
💡 研究背景: 他关注的不是单点能力
陈博远目前是 OpenAI 研究员, 此前曾在麻省理工学院完成电子工程与计算机科学博士学位 , 并辅修哲学, 也曾在谷歌 DeepMind 参与多模态相关研究。与其说他只是在“修中文”, 不如说中文渲染是其长期研究方向在产品中的一次显性呈现。
据其个人主页介绍, 他关注的方向包括世界模型、具身智能和强化学习 。简单理解, 世界模型强调 AI 在内部形成对现实的判断, 不仅识别当前画面, 还要理解空间、时间、因果和行动后果。对于图像模型来说, 这会影响它是否能把文字、物体、位置和任务目标放进同一个稳定结构中。
📊 为什么中文渲染很难: 问题不止在字体
中文生图难, 并不只是“笔画多”这么简单 。模型需要知道文字该出现在哪里、和画面内容有什么关系、是否符合阅读顺序, 还要在复杂构图中保持一致。过去的模型往往能生成局部漂亮画面, 却在文本细节上崩掉, 原因正是缺少这种结构性约束。
GPT Image 2 受到关注 , 恰恰是因为它在示例中表现出更强的综合能力: 它要同时生成图像、文字、排版、语义关系和视觉逻辑。前后变化很清晰——早期用户常用错误文字判断 AI 图, 如今这一判断方法正在失效。
🚀 行业观察: 图像模型进入“视觉表达”阶段
围绕“那个在 OpenAI 修中文的人”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
