OpenAI 图像生成每周达 40 亿张，Images 2.6 同步推出

OpenAI 表示，其用户如今每周可生成 40 亿张图像，同时发布的 Images 2.6 承诺带来更快的生成速度和更强的编辑控制能力。OpenAI 图像生成总量涵盖 ChatGPT、Codex 以及 API——开发者用于将模型连接到应用程序的接口。在将此次公告与此前的里程碑进行比较时，这一统计范围至关重要。

9 月 8 日，OpenAI 曾报告，ChatGPT Images 和其 API 模型每周生成的图像超过 30 亿张。其 11 月 4 日公布的数据则明确纳入了 Codex。这些公告表明其报告的使用活动规模可观，但措辞并不足以支持精确、经独立验证的增长率。

此次发布也让 OpenAI 与 Google 的 Nano Banana 系列在速度和可用产出方面展开了实际竞争。对于开发者和创意团队而言，核心矛盾在于：是生成更多图像，还是完成更多工作。生成计数器可以反映活跃度，却无法证明有多少结果通过审核、触达客户，或取代了现有制作流程中的某一步。

OpenAI 图像生成数据实际能够说明什么

OpenAI 已公布两个里程碑，但两者比较时需要附带限定条件。

该公司的 Images 2.6 发布公告称，ChatGPT、Codex 和 API 每周共生成 40 亿张图像。其日期为 9 月 8 日的 Images 2.5 发布公告则称，ChatGPT Images 和 API 模型每周共生成超过 30 亿张图像。

两次公告相隔约八周。它们属于公司披露，而非对采用情况进行独立审计后的测量结果。

这一差异将原本容易被压缩成单一标题的多个问题区分开来。发生了多少图像生成？有多少人参与？有多少活动来自应用程序？又有多少输出转化为成品工作？

合并后的总量无法分别回答这些问题。尝试插画创作的消费者，与生成商品变体的应用程序，都会计入同一项广泛的活动指标。二者的行为对留存、基础设施需求和商业用途具有不同含义。

统计范围也值得关注。Codex 被明确纳入较新的总量，而较早的里程碑则提到 ChatGPT Images 和 API 模型。仅凭这一措辞，无法确定底层统计方式是否发生变化。

因此，若将全部差额归因于同一用户群体中的增长，还为时过早。同样，直接将增长视为统计口径变化也为时过早。两种结论都无法从已公布的措辞中得出。

较早的数据还带来另一项限制：“超过 30 亿”只是一个门槛，而非精确的起始值。将其视为恰好 30 亿，会人为制造准确性。

将标题数字相除可以得出一个颇具吸引力的百分比，但也会掩盖分母和产品覆盖范围的不确定性。负责任的比较应保留原始描述，而不是将四舍五入后的里程碑数字转化为细致的增长模型。

时间点构成了另一条分析边界。每周使用量数据与产品发布同时出现，但并不能证明新版本造成了这些活动。要衡量 Images 2.6 的采用情况，需要在其可用后进行观察。

对于读者而言，更经得起推敲且更有用的结论是：OpenAI 报告的每周图像总量高于其 9 月披露的数字。该公司正将这一规模主张与其图像产品的又一次更新结合起来。

更大的数字究竟代表更广泛的参与、更高频的既有使用、更多产品入口，还是多种因素的组合，仍未得到解答。即使标题总量看起来相同，这些解释也意味着不同的商业结果。

更快生成让应用构建者承压

开发者面临一个产品决策：更快生成应在何处充分改善体验，从而改变用户行为？

OpenAI 表示，Images 2.6 的图像生成速度比此前快 50%。该版本在 API 中提供 GPT-Image-2.6 Flare 和 Sunburst，并增加 GIF 创建功能和更多编辑控制选项。

GIF 是常用于短循环动画的动态图像文件。它的加入扩展了应用程序可提供的资产类型，而无需将每个视觉请求都变成视频项目。

对于应用构建者而言，速度改变的不只是提交提示词后的等待时间。它还会影响用户是否保持参与、比较不同选项，或在审阅结果前放弃任务。

缓慢的操作会鼓励一种脱离式工作流：提交请求、切换到其他任务，然后稍后再回来。更短的等待时间则有助于围绕图像展开对话。用户可以在最初意图仍然清晰时检查结果。

这是一项分析推论，并非证明每个应用程序都会提升参与度。收益取决于等待目前在何处打断体验。

上传缓慢或审核控制繁琐的图像编辑器，可能无法从更快的模型中获得多少收益。用于实时创意讨论的工具，则可能更直接受益。周边界面决定了模型速度有多少能真正传递给使用者。

因此，构建者需要评估从请求发出到获得可接受结果之间的完整时段。模型响应时间只是其中一部分。上传参考资料、检查内容、展示预览和获得批准同样会消耗时间。

对于主要提供一个生成按钮的应用程序，这还具有竞争层面的含义。当供应商改进底层模型时，每个使用该模型的应用程序都可以继承一部分改进。

这削弱了仅凭访问能力形成的差异化。应用程序需要给用户一个理由，让他们在提出图像请求之外继续留下来。

有价值的差异化可以来自保留项目上下文、协调审核流程，或将获批资产与其投放位置连接起来。这些是产品机会，而非此次发布已经证明的成果。

设想一家零售商正在筹备季节性创意内容。快速生成背景有所帮助，但该资产仍需包含正确的产品、经过批准的文案，并投放到合适的位置。一张未能满足这些要求的快速图像，只会增加一个审核周期。

这一压力也延伸至评估竞争应用程序的买家。演示应展示从修改到接受的完整路径，而不是在第一次出现吸引人的预览时就停止。

对于开发者而言，此次发布让一个既有问题更难继续拖延：应用程序是否帮助用户完成视觉任务？更快生成提高了预期，但完成任务仍是产品本身的责任。

编辑控制将竞争重心转向成品资产

最具影响力的改进，可能是从初始图像到获批版本之间减少不必要的变化。

OpenAI 的 图像生成控制说明将渲染质量与复杂度区分开来，后者决定生成前的规划程度。文档警告称，更高的复杂度可能增加等待时间，并引入不必要的变化。

这一警告使“最高设置始终带来最佳工作流”的简单假设变得复杂。范围明确的修改与拥挤复杂的构图，面临着不同要求。

对于聚焦的编辑，不必要的重新诠释可能意味着失败。更改背景不应悄然改变前景中的产品。修正文案不应要求重建原本已获批准的构图。

对于复杂场景，额外规划可能有助于满足对象之间的关系或详细指令。关键问题在于，这种投入是否足以改善请求的结果，从而证明其代价合理。

这形成了一种机制，使图像模型能够变得更有用，而不只是生成更令人印象深刻的独立图片。更好的控制能力缩短了现有资产与所请求修改之间的距离。

其价值取决于保留能力。团队往往会先批准图像的某些部分，再批准整体。一旦获批，这些部分就会成为后续工作的约束条件。

如果每次修改都会重新打开已解决的决策，工作流就会变得不稳定。审核者必须反复检查他们已经接受的细节。此时，生成速度便会与发现意外变化所需的人力投入竞争。

一个假设性的营销活动能够说明这一问题。设计师批准了构图，产品专家批准了包装，编辑则要求修正文案。下一次生成结果必须同时尊重所有这些决定。

这就是为什么一张吸引人的初始输出，无法充分证明其适合生产使用。模型还需要处理随后那些不那么光鲜的工作：保留细节、接受修正，并避免引入新的错误。

参考图像是用于引导外观或内容的输入。它们有助于确定请求涉及什么，但提供参考图像并不能保证精确保留。

OpenAI 的 图像编辑指南建议使用相同的提示词、参考图像、尺寸和质量设置来比较模型。这种方法使差异更容易解读。

它也能为买家提供比无关联展示图更可信的比较。共享任务能够暴露某个选项是否需要额外重试或人工修复。

因此，OpenAI 图像生成应在一个连续流程中进行评估，而非只看单次结果。相关的衡量单位是已完成的任务，包括令其可用所需的修改。

这并不要求每张图像都达到专业制作标准。随意插画和探索性草图有不同的验收标准。重点是根据模型应完成的工作来评判它。

一款工具可能非常适合探索，但对于约束严格的编辑仍不够可靠。认识到这种区别，有助于开发者选择合适的用途，而不会将发布公告夸大为普遍能力主张。

Google 提供竞争参照，而非可比的使用量计数器

竞争重叠体现在速度、编辑和集成；这些公告并不能确立市场份额排名。

Google 于 6 月 30 日推出 Nano Banana 2 Lite。该公司将该模型定位为适用于快速、高容量图像工作流，同时还提供满足不同需求的其他 Nano Banana 选项。

这为 OpenAI 的最新发布提供了相关比较。两家公司都围绕响应时间与高要求视觉工作的实际取舍来描述其图像产品。

但这并不能确定哪一家供应商能为特定应用程序带来最佳结果。供应商定位为评估提供了起始假设，而非结论。

OpenAI 的每周总量同样不能证明其占据所有生成图像中的多少份额。市场份额计算需要可信的分母，以及供应商之间可比较的测量数据。

数量可能会因产品覆盖范围、统计周期，以及是否计入编辑或变体而有所不同。将每周数据与累计里程碑相比较，会引入另一层不匹配。

更有价值的竞争问题是，开发者能否在不牺牲任务成果的前提下，用一家提供商替代另一家。这个问题取决于应用的实际需求。

对于探索性视觉内容，买家可能更看重快速预览和多样性。对于产品图像，保留可识别细节可能更重要。对于本地化创意，措辞是否准确可能决定输出是否完全可用。

这些示例描述的是评估优先级，而非对现有模型的排名。本文审阅的任何通用基准测试都未能确立这些任务的普遍赢家。

同样的谨慎也适用于速度声明。提供商的演示可能采用不同设置、图像尺寸和请求类型。公开的短生成时间并不能自动预测在另一款应用中的完成时间。

可信的比较应保持任务不变，并记录完成任务所需的工作。这包括失败的尝试以及后续的人工审核。

竞争也发生在工作流层面。模型提供商可以提供生成能力，而应用则提供让输出变得有用的上下文。买家所接触的是二者结合的体验。

即使多家提供商拥有类似能力，应用开发者仍有空间实现差异化。他们可以让模型切换更容易，保留项目决策，或改进围绕修订的协作。

这也带来了需要管理的依赖关系。如果产品的核心优势完全建立在某一家提供商暂时领先的基础上，竞争对手的一次发布就可能迅速削弱这种优势。

据报道的 OpenAI 使用量为这一竞争格局增添了规模，但并未决定胜负。它告诉读者的是 OpenAI 产品内部的活跃度，而不是整个市场中不同产品的相对质量。

对于企业买家，合理的应对方式是进行针对具体工作负载的比较。对于开发者，则应清楚说明：当底层模型变化时，用户体验的哪些部分仍然具有价值。

缺失的指标是采纳率、留存率和审核投入

生成总量衡量的是输出活动；它无法说明采纳质量。

一个完成的资产与一次被放弃的实验，都可能始于一次成功的生成请求。它们对有效工作的贡献并不相同。

这并不意味着探索性活动毫无价值。尝试不同方案是创意工作的一部分，而被舍弃的草稿也可能有助于明确方向。局限在于，汇总计数无法区分这些用途。

采纳率会增加另一个维度。只要定义保持一致，它可以描述输出满足既定要求的频率。

即使这一指标也需要语境。一张用于头脑风暴的粗略图像即使存在明显瑕疵也可能被接受。一张面向客户的产品图像，则可能因一个虽小但关键的细节而不合格。

留存率回答的是另一个问题：人们在最初的尝试之后是否还会回来。重复使用比一时的好奇心爆发，更能支撑有关长期实用性的有力论断。

审核投入增加了另一层缺失的信息。模型可以生成可接受的图像，但若需要大量检查，实际收益就会受限。输出或许可用，却会消耗昂贵的人类注意力。

这些指标都不能从每周头条数据中直接推断出来。它们需要独立观察和明确的定义。

因此，持怀疑态度的观点无需否认 OpenAI 所报告的活跃度。它所追问的是，这些活跃度有多少转化为可靠的成果和持续使用。

安全性和来源信息也应纳入评估。OpenAI 的图像来源保障措施介绍了适用于 Images 2.6 的 C2PA 元数据和 SynthID 水印。

C2PA 记录有关资产来源和历史的信息。SynthID 会嵌入不可见水印，旨在帮助识别生成内容。

这些机制处理的是来源信号。它们并不能证明图像准确描绘了真实事件，或证明每个元素都符合商业需求。

一张生成的图表即使保留了来源信号，也可能包含错误标签。一幅逼真的场景即使其生成状态可被识别，也可能是虚构的。

因此，审核责任仍然与具体用途相关。发布事实性材料的团队需要检查事实内容。使用某人肖像的团队需要具备适当的审批流程。

对于知识工作者而言，保留决策轨迹可以让日后的审核更容易。当有人重新审视一项资产时，已获批准的简报、参考材料和修订理由往往都很重要。

一个可搜索的知识库提供了一种相关的组织方法，用于让技术决策保持可访问性。它通过保留工作背景来补充图像创作。

当项目易手时，这一点尤其有用。一份视觉上精致的文件无法解释为何早期版本被拒绝，或哪些细节必须保持不变。

因此，更广泛的评估应同时涵盖资产及其周边证据。更多输出会扩展创意选项，而可靠记录则帮助团队理解他们批准了哪些选项。

三个信号将厘清下一阶段

接下来有价值的证据，将把报告的规模与可比衡量和已完成工作联系起来。

第一个信号是后续披露的使用数据，其统计范围应清晰且一致。读者应关注 OpenAI 是否列明相同的产品入口，并说明何种内容符合“图像”的定义。

可比的后续数据将加强这样一种解读：每周活跃度仍在持续扩张。即使头条数字上升，若统计范围再次变化，趋势仍会更难解读。

消费者产品与 API 活动之间的拆分将带来更多清晰度。它有助于区分个人实验与嵌入外部应用的生成活动。

这一差异很重要，因为两种采纳形式对产品设计和支持提出不同要求。合并计数器无法显示哪一种正在推动下一阶段。

第二个信号是来自真实工作负载的可重复证据。开发者应关注那些保持提示词、参考资料、设置和验收标准一致的评估。

有价值的报道会将修订和失败与成功示例一并纳入。它会衡量达到可接受结果所需的时间，而不只是接收到输出所需的时间。

如果 Images 2.6 在保留所需细节的同时缩短这一完整周期，生产使用的理由就会更强。如果人工修正消耗了节省下来的等待时间，实际收益就会更有限。

结果也可能因任务而异。广告活动插画中的强劲表现，并不能自动证明其适合详细技术图表或精确的产品呈现。

第三个信号是应用构建者和竞争提供商的应对方式。重要的发展在于，新能力是否成为产品日常工作流中反复使用的组成部分。

在公告中出现一项功能只是第一步。持续使用、可靠的修订处理，以及与审批流程的整合，才能提供更有力的持久价值证据。

竞争性发布也应受到同样的审视。另一项速度声明，只有在可比条件下改变用户能够完成的工作时，才最具意义。

这些信号提供了一种跟进这一故事的方式，而无需将其简化为大数字之间的竞赛。它们也让分析能够接纳削弱公告最强解读的证据。

对于 OpenAI 图像生成而言，活跃度上升与控制能力改进是相关的问题，但它们仍是不同的衡量维度。规模确立的是所报告运营的体量。工作负载证据确立的，则是它对特定工作的实用性。

在改变图像工作流之前，先确定一个团队已充分了解的任务，以及让其结果可被接受的条件。比较从简报到审批的完整路径，包括修订、审核和任何人工修复。保持输入足够一致，以便解释结果，并记录更快的响应在哪些方面改变了体验。随后，在可比的使用数据披露和竞争性发布出现时重新审视这一决策。OpenAI 的每周里程碑给了读者关注的理由；已完成工作中得到记录的改进，才给了买家更换工具的理由。新版本究竟会缩短你当前流程中的哪一部分？