| 輸出可唔可以設定? | 可以。API 文件列出 model、生成數量、quality、output format、size、background 等參數。 |
| Mask 係咪可以絕對鎖死某個範圍? | 唔好咁期望。OpenAI Cookbook 提醒,即使用 mask,model 仍可能修改 mask 入面某啲部分,只係會盡量避開。 |
| 足唔足夠證明 GPT Image 2 改圖「非常好」? | 未足夠。現有文件證實 API 能力,但冇提供針對 GPT Image 2 edit 嘅完整官方質素 benchmark。 |
所以實際建議係:如果你想用 prompt 經 API 改圖,GPT Image 2 可以列入測試名單;但如果你需要商業級穩定、細位完全唔走樣,就要用自己嘅真實圖片做 benchmark。
最穩陣可以講嘅係:GPT Image 2 可放入一個「輸入圖片 → prompt 指示 → 輸出修改後圖片」嘅 workflow。OpenAI Image generation 文件將 Edits 解釋為修改現有圖片,而 API reference 亦寫明有 image(s) to edit
由官方文件可支持嘅能力包括:
image(s) to edit至於換背景、換天空、產品圖 restyle、混合多張參考圖等比較具體嘅用法,主要見於第三方平台示例。例如 fal.ai 嘅 openai/gpt-image-2/edit endpoint 示例包括將背景改成雨夜東京街道、將天空換成戲劇化夕陽。 WaveSpeedAI 亦描述過換背景、產品 restyle、混合多張參考圖同細節修改等 use case。
不過,呢類第三方頁面比較適合作為「可以試咩任務」嘅靈感,唔應該直接當成 GPT Image 2 喺所有圖片、所有 prompt、所有製作標準下都穩定做好嘅證明。
如果要客觀講「好」,通常要有呢啲量度:
OpenAI 有 Cookbook 講 image generation 同 editing use case 嘅 image evals,但今次提供嘅來源入面,未見到一份針對 GPT Image 2 edit 嘅具體官方公開 benchmark 表。 部分第三方 review 聲稱測試過 product photography、文字較多嘅海報、自然語言改圖或 API automation,但現有摘錄未足以完整核實測試圖片集、評分準則、原始輸出圖,或者結論有幾獨立。
因此,較安全嘅講法係:有足夠證據支持你去試 GPT Image 2 改圖;但未有足夠公開證據,支持一句話斷定佢喺所有生產場景都已被證實好用。
如果你需要自然語言改圖、想經 API 整合入自己工具,或者想由同一張圖快速產生多個版本,GPT Image 2 值得放入測試。Image Edit API 本身有基本組件:輸入圖片、model、prompt 同輸出選項。
可以先試嘅場景包括:
但呢啲都應該視為測試起點,而唔係品質承諾。若圖片涉及產品、品牌識別、人像、細字或高精準度內容,仍然應該有人工覆核。
如果你嘅 workflow 要求 pixel-perfect、某些區域完全唔可以變、或者每批輸出都要高度一致,就要小心。即使用 mask,OpenAI Cookbook 都提醒 model 仍可能修改 mask 入面部分,只係會嘗試避開。
以下圖片類型尤其應該逐項測試:
真係想放入內容或產品 pipeline,建議唔好只睇 demo 圖,而係用可重複方法測試:
GPT Image 2 有清楚嘅技術基礎可用於改圖 workflow:OpenAI API 文件有 GPT Image 2 model,Image Edit 亦係用 GPT image models 修改現有圖片嘅流程。 API 同時提供 quality、format、size、background 等輸出設定。
但「好唔好」呢條問題,現有來源未能俾出一個一錘定音嘅答案。暫時未見到足夠詳細嘅官方 benchmark,證明 GPT Image 2 改圖一定好過其他工具、所有任務都穩,或者 mask 可以做到絕對精準。
最實際做法係:將 GPT Image 2 當成一個值得測試嘅 API 改圖工具,用你自己嘅真圖、真 prompt、真驗收標準跑一輪 benchmark,先決定可唔可以正式放入生產流程。
Comments
0 comments