OpenAI 圖像生成每周達 40 億張，Images 2.6 同步推出

OpenAI 表示，其用戶現時每周會創作 40 億張圖像，同時推出 Images 2.6，承諾提供更快的生成速度及更多編輯控制。OpenAI 圖像生成總量涵蓋 ChatGPT、Codex 及 API，即開發者用來把模型連接至應用程式的介面。比較這項公告與較早前的里程碑時，這個範圍相當重要。

9 月 8 日，OpenAI 曾報告，ChatGPT Images 及其 API 模型每周合共生成逾 30 億張圖像。其 11 月 4 日公布的數字則明確包括 Codex。這些公告顯示出可觀的已報告活動量，但其措辭不足以支持精確、可獨立驗證的增長率。

這次發布亦令 OpenAI 與 Google 的 Nano Banana 系列，在速度及可用輸出方面展開實際競爭。對開發者和創意團隊而言，核心張力在於生成更多圖像與完成更多工作之間。生成計數器可反映活動量，但無法證實多少結果通過審核、交付給客戶，或取代了既有的製作步驟。

OpenAI 圖像生成數字實際證明了甚麼

OpenAI 已公布兩個里程碑，但比較時需要加入限定條件。

公司的 Images 2.6 發布指出，ChatGPT、Codex 及 API 每周合共生成 40 億張圖像。其日期為 9 月 8 日的 Images 2.5 發布，則指出 ChatGPT Images 和 API 模型每周合共生成逾 30 億張。

兩次公告相隔約八周。它們屬於公司披露，而非經獨立審計的採用率衡量。

這個分別把原本可能被濃縮成一個標題的幾個問題區分開來。發生了多少生成活動？有多少人參與？多少活動來自應用程式？多少輸出成為完成的工作？

合併總數無法逐一回答這些問題。一名嘗試插畫的消費者，以及一個生成產品變體的應用程式，都會計入同一個廣泛的活動指標。他們的行為對留存、基礎設施需求及商業用途有不同含義。

統計範圍亦值得留意。Codex 在較新的總數中被明確列出，而較早的里程碑則提及 ChatGPT Images 和 API 模型。單憑這一措辭，無法證實底層統計方式是否有所改變。

因此，現在便將全部差異歸因於不變用戶群中的增長，仍屬言之過早。同樣地，過早把增長視為統計方式改變亦不恰當。兩個結論都無法從已公布的措辭推導出來。

較早的數字還有另一個限制：「逾 30 億」是一個門檻，而非精確的起始數值。把它當作剛好 30 億，會製造虛假的精確性。

把標題數字相除可以得出吸引人的百分比，但同時會掩蓋分母和產品涵蓋範圍的不確定性。負責任的比較應保留原有描述，而不是把經四捨五入的里程碑轉化為詳盡的增長模型。

時間點構成另一條分析界線。每周使用量數字伴隨產品發布出現，但無法證明新版本導致了該活動量。衡量 Images 2.6 的採用情況，需要在其推出後觀察。

對讀者而言，較為站得住腳且更有用的結論較為有限。OpenAI 報告的每周圖像總量，高於其在 9 月披露的數字。公司正把這項規模主張，配合其圖像產品的另一輪更新。

較大的數字究竟代表參與者範圍更廣、既有使用者用量更高、增加了產品入口，還是多項因素的組合，仍未有定論。即使標題總數相同，這些解釋意味著不同的業務結果。

更快生成令應用程式開發者面臨壓力

開發者面對一項產品決策：更快的生成速度會在何處足以改善體驗，並改變用戶行為？

OpenAI 表示，Images 2.6 的圖像生成速度較以往快 50%。API 現提供 GPT-Image-2.6 Flare 和 Sunburst，以及 GIF 建立功能和額外的編輯控制。

GIF 是常用於短循環播放的動態圖像檔案。其加入擴展了應用程式可提供的素材種類，毋須把每個視覺要求都變成影片專案。

對應用程式開發者而言，速度改變的不只是提交提示後的等待時間，也會影響用戶會否保持投入、比較不同選項，或在檢視結果前放棄工作。

緩慢操作會鼓勵抽離式工作流程：提交要求、轉做其他工作，稍後再回來。較短等待時間則可支持圍繞圖像展開互動。用戶可在原本意圖仍然清晰時檢視結果。

這是一項分析含義，而非證明每個應用程式都會提升互動。好處取決於等待目前在哪個環節中斷體驗。

一個上載緩慢或審核控制繁瑣的圖像編輯器，未必會從更快模型中獲得太多好處。用於即時創意討論的工具則可能更直接受惠。周邊介面決定模型速度有多少能真正傳達給使用者。

因此，開發者需要評估從提出要求到取得可接受結果的完整時間。模型回應時間只是其中一環。上載參考資料、檢查內容、顯示預覽及取得批准同樣需要時間。

對主要提供生成按鈕的應用程式而言，亦存在競爭含義。當供應商改善底層模型時，所有使用該模型的應用程式都可繼承部分改善。

這會降低單純提供存取權的獨特性。應用程式需要讓用戶留下來的理由，而不只是能夠要求生成圖像。

有用的差異化可來自保留專案脈絡、協調審核，或把已批准的素材連接至其最終用途。這些是產品機會，並非此次發布已記錄的成果。

試想一家準備季節性創意素材的假設零售商。快速生成背景固然有幫助，但素材仍需要正確的產品、已批准的文字，以及合適的投放位置。未能符合這些要求的快速圖像，只會增加一次審核循環。

這種壓力亦延伸至評估競爭應用程式的買家。示範應展示經過修訂與驗收的路徑，而不是在第一次出現吸引人的預覽時便停止。

對開發者而言，這次發布令一個既有問題更難延後：應用程式是否協助用戶完成視覺工作？更快生成提高了期望，但完成工作仍是產品本身的責任。

編輯控制令競爭焦點轉向完成的素材

最具影響力的改善，會是從初始圖像到獲批准版本之間出現更少不必要的變動。

OpenAI 的 圖像生成控制把渲染品質與複雜度區分開來，後者決定生成前的規劃程度。文件警告，較高複雜度可能增加等待時間，並引入不必要的變動。

這項警告令「最高設定必定帶來最佳工作流程」的簡單假設變得複雜。針對性修正與擁擠構圖，面對的是不同要求。

就聚焦的編輯而言，不必要的重新詮釋可能構成失敗。更改背景不應暗中改變前景產品。修正文字不應要求重建原本已獲批准的構圖。

就複雜場景而言，額外規劃可能有助滿足物件之間的關係或詳細指示。關鍵問題是，這項投入是否足以改善所要求的結果，從而合理化其後果。

這形成一個機制，令圖像模型毋須僅僅生成更多令人印象深刻的獨立圖片，也能變得更有用。更佳控制可縮短既有素材與所要求修訂之間的距離。

其價值取決於保留能力。團隊往往先批准圖像的部分元素，才批准整體。一旦獲批，這些部分便成為後續工作的約束。

若每次修訂都重新打開已敲定的決策，工作流程便會變得不穩定。審核者必須反覆檢查自己早已接受的細節。此時，生成速度便要與偵測意外變動所需的人力競爭。

一個假設的宣傳活動可說明這個問題。設計師批准構圖，產品專家批准包裝，而編輯要求修正文字。下一個結果必須同時尊重所有這些決定。

這正是為何一個吸引人的首次輸出，只能為生產適用性提供不完整的證據。模型還需要處理隨後較不光鮮的工作：保留細節、接受修正，以及避免引入新錯誤。

參考圖像是用來引導外觀或內容的輸入資料。它們有助界定要求所關乎的內容，但提供參考圖並不保證可精確保留。

OpenAI 的 圖像編輯指引建議以相同提示、參考資料、尺寸及品質設定比較模型。這種方法令差異更容易解讀。

它亦能為買家提供比互不相關的展示圖片更可信的比較。共用任務可顯示某個選項是否需要額外重試或人手修補。

因此，OpenAI 圖像生成應按一連串流程來評估，而不是透過單一結果。相關單位是已完成的工作指派，包括令結果可用所需的修正。

這不代表每張圖像都必須符合專業製作標準。休閒插畫與探索性草圖有不同的驗收準則。重點是按模型本應完成的工作來評估它。

一個工具可以非常適合探索，同時在嚴格受限的編輯上仍不可靠。認清這個分別，有助開發者選擇合適用途，避免把發布公告轉化為普遍能力主張。

Google 提供競爭參照，而非可比較的使用量計數器

競爭重疊之處在於速度、編輯及整合；這些公告並不足以建立市場佔有率排名。

Google 於 6 月 30 日推出 Nano Banana 2 Lite。該公司將此模型定位為適用於快速、高產量圖像工作流程，並同時提供其他滿足不同要求的 Nano Banana 選項。

這為 OpenAI 最新發布提供了一項相關比較。兩家公司都把圖像產品描述為在回應時間與高要求視覺工作之間作出實際選擇。

但這並不能證明哪一個供應商能為特定應用程式帶來最佳結果。供應商定位只提供評估的起始假設，而不是結論。

OpenAI 的每周總數亦不能證實其佔所有生成圖像的比例。市場佔有率計算需要可信的分母，以及各供應商之間可比較的衡量方式。

不同產品覆蓋範圍、報告期，以及對編輯或變體的計算方式，都可能令數字有所不同。將每週數字與累積里程碑比較，會引入另一種不一致。

更有用的競爭問題是，開發者能否在不犧牲任務成果的情況下，以一家供應商取代另一家。這取決於應用程式的實際需求。

就探索性視覺內容而言，買家可能更重視快速預覽和多樣性。就產品圖像而言，保留可識別的細節或許更為重要。就本地化創意內容而言，措辭是否準確，可能決定輸出結果是否根本可用。

這些例子說明的是評估優先次序，並非對現有模型的排名。本文所檢視的任何通用基準測試，均未能為這些任務確立一個普遍的勝出者。

同樣的審慎態度亦適用於速度聲稱。供應商示範所採用的設定、圖像尺寸和請求類型可能各有不同。公開的短暫生成時間，並不必然預示在另一個應用程式內的完成時間。

可信的比較應在相同任務下進行，並記錄完成工作所需的投入。這包括未成功的嘗試，以及其後的人手審核。

競爭亦在工作流程層面展開。模型供應商可以提供生成能力，而應用程式則提供令輸出結果變得有用的背景脈絡。買家所接觸的是兩者結合的體驗。

即使多家供應商提供相近能力，這仍讓應用程式開發者有空間作出差異化。他們可以讓切換模型更容易、保留項目決策，或改善圍繞修訂的協作。

這亦帶來需要管理的依賴性。若產品的核心優勢完全建基於某一家供應商的短暫領先地位，競爭對手的新發布便可能迅速削弱該優勢。

報道中的 OpenAI 用量為這個競爭環境增添規模，但並未定論勝負。它告訴讀者的是 OpenAI 產品內的活動情況，而非市場上的相對品質。

對企業買家而言，合理的回應是按工作負載作出具體比較。對開發者而言，則是清楚交代當底層模型改變時，使用者體驗中哪些部分仍具價值。

缺失的指標是採用率、留存率和審核投入

生成總量衡量的是輸出活動；它未能解決採用品質的問題。

一項已完成的資產與一個被放棄的實驗，都可能始於一次成功的生成請求。它們對有用工作的貢獻並不相同。

這並不代表探索性活動毫無價值。嘗試不同方案是創作工作的一部分，而被捨棄的草稿可以有助釐清方向。限制在於，匯總計數無法區分這些用途。

採用率會增加另一個維度。只要定義保持一致，它可以描述輸出結果符合既定要求的頻率。

即使這項衡量也需要背景脈絡。一張粗略的腦力激盪圖像即使有明顯瑕疵，也可能是可接受的。面向客戶的產品圖像，則可能因一個微小但影響重大的細節而不合格。

留存率回答的是另一個問題：人們在最初實驗後是否會再回來使用。重複使用比短暫的好奇心高峰，更能支持其長期實用性的說法。

審核投入增加了另一個缺失層面。模型可以生成可接受的圖像，卻需要大量檢查，以致限制實際效益。輸出結果或許可用，但在人手注意力上的成本很高。

這些衡量均無法從每週標題數字直接推斷。它們需要獨立觀察和明確定義。

因此，質疑者的觀點毋須否定 OpenAI 所報告的活動量。它所問的是，當中有多少活動能轉化為可靠成果和持續使用。

安全性和來源資訊亦應納入這項評估。OpenAI 的圖像來源保障措施說明，Images 2.6 採用 C2PA 元資料和 SynthID 浮水印。

C2PA 會記錄資產的來源和歷史資訊。SynthID 則嵌入不可見浮水印，旨在協助識別生成內容。

這些機制處理的是來源訊號。它們並不能證明一張圖像準確描繪真實事件，亦不能保證每個元素都符合商業簡報的要求。

一張生成的圖表即使保留來源訊號，仍可能包含錯誤標籤。一個逼真的場景即使可檢測其生成狀態，仍可能是虛構的。

因此，審核責任仍與使用方式掛鈎。發布事實性材料的團隊需要檢查事實內容。使用某人肖像的團隊，則需要適當的審批流程。

對知識工作者而言，保留決策軌跡可令日後審核更容易。獲批准的簡報、參考材料和修訂理由，往往在有人重新檢視某項資產時相當重要。

一個可搜尋的知識庫提供了相關的組織方法，讓技術決策保持易於存取。它透過保留工作背景脈絡，補足圖像創作流程。

當項目易手時，這尤其有用。一個視覺上精緻的檔案，無法解釋為何早前版本被拒絕，或哪個細節必須維持不變。

因此，更全面的評估應同時涵蓋資產及其周邊證據。更多輸出會擴大創意選項，而可靠的記錄有助團隊了解他們批准了哪些選項。

三個訊號將釐清下一階段

下一項有用證據，將把所報告的規模與可比較的衡量和已完成工作連結起來。

第一個訊號是後續的使用量披露，且範圍清晰一致。讀者應留意 OpenAI 是否列出相同的產品介面，並說明何者符合圖像的定義。

可比較的後續資料，將加強每週活動持續擴大的解讀。若再次改變範圍，即使標題數字上升，趨勢仍會更難解讀。

消費者產品與 API 活動之間的細分，將進一步增加清晰度。它有助區分個人實驗與嵌入外部應用程式的生成活動。

這項區分很重要，因為兩種採用形式對產品設計和支援提出不同要求。一個合併計數無法顯示哪一種會推動下一階段。

第二個訊號是來自真實工作負載、可重複的證據。開發者應留意那些讓提示、參考資料、設定和驗收標準維持一致的評估。

有用的報道會把修訂和失敗案例與成功示例一併納入。它會衡量達到可接受結果所需的時間，而非只衡量收到輸出結果所需的時間。

若 Images 2.6 能在保留所需細節的同時縮短整個周期，生產方面的理由便會更充分。若人手修正消耗了節省下來的等候時間，實際效益便會較為有限。

不同任務的結果亦可能不同。在宣傳插畫上表現強勁，並不會自動證明其適合製作詳細技術圖表或精確產品呈現。

第三個訊號是應用程式建構者和競爭供應商如何回應。重要的發展是，新能力會否成為產品日常工作流程中反覆出現的一部分。

在公告中出現某項功能，只是第一步。持續使用、可靠處理修訂，以及與審批流程整合，將提供更有力的持久價值證據。

競爭產品的發布亦應接受同樣檢視。另一項速度聲稱，最重要的是它能否在可比較條件下改變使用者可完成的工作。

這些訊號提供了一種追蹤故事的方式，而不會把它簡化為大數字之間的競賽。它們亦讓分析保持開放，容納會削弱公告最強解讀的證據。

對 OpenAI 圖像生成而言，活動增加與控制改善是相連的問題，但仍是兩項獨立衡量。規模確立所報告業務的大小。工作負載證據則確立它對特定工作的實用性。

在改變圖像工作流程之前，先找出你的團隊已經理解的任務，以及令其結果可接受的條件。比較從簡報到批准的完整路徑，包括修訂、審核和任何人手修復。讓輸入維持足夠一致，以便解釋結果，並記錄更快回應在哪些地方改變了體驗。然後，當可比較的使用量披露和競爭產品發布出現時，再重新檢視這項決定。OpenAI 的每週里程碑給了讀者留意的理由；有文件記錄的已完成工作改善，才給了買家更換工具的理由。新發布實際會縮短你目前流程中的哪一部分？