ChatGPT Images 2.0: En guide till OpenAIs nästa generations bildmodell

Vad är nytt i ChatGPT Images 2.0?

En av de största lärdomarna från lanseringen av ChatGPT Images 1.5 var en stor ökning i prestandahastighet. Vid lanseringen sades det vara 4x snabbare. Vi försökte verifiera det påståendet men såg att det gällde redigeringar, inte generering av nya bilder. 

Den här gången är det stora påståendet intelligens. ChatGPT Images 2.0 är en "tänkande" bildmodell: Den ska kunna söka, resonera kring fakta och översätta grova indata (anteckningar, skisser, referenser) till färdiga visuella resultat med mycket mindre manuell promptning.

Andra huvudteman från tillkännagivandet är:

• Större precision och kontroll över själva genereringen
• Starkare prestanda över språk och skriftsystem
• Mer stilistisk finess och realism
• Förbättrad verklighetsintelligens inbyggd i modellen
• Flexibla bildförhållanden för allt från mobil till bannerformat

En modell som tänker

Ett av de största påståendena i lanseringen är att den nya modellen “tänker” och agerar som en “visuell tankepartner”. Tanken är att agenter gör ett arbete i bakgrunden för att noggrant förstå uppgiften och resonera kring den innan de utför genereringsbegäran.

Dess förståelse av världen har uppdaterats till ett cutoff-datum i december 2025, så utdata blir mer kontextuellt korrekta. Detta framhålls som något som gör den nya modellen utmärkt för pedagogiska grafik och flerstegade arbetsflöden som kräver sammanhang.

Sök på webben

För att överbrygga gapet mellan cutoff och färsk, aktuell information kan Images 2.0 söka på webben för att hitta relevant information. Det är inte klart från OpenAIs versionsanteckningar exakt hur det fungerar, men som vi förstår det används webbsökning som ett verktyg som anropas av den tänkande agenten ovan.

Skapa flera bilder från en prompt

Den nya modellen stöder också inbyggt att generera flera bilder från samma promtar. Detta var möjligt med en workaround i API:et (att prompta efter en “komposition”), men kan nu även göras i gränssnittet, för upp till tio bilder. OpenAI utlovar kontinuitet för karaktärer och objekt i alla dessa utdata.

Test av ChatGPT Images 2.0

Dags att se vad den nya modellen faktiskt kan! Vi testade följande funktioner och kapabiliteter i Images 2.0:

• Redigeringsarbetsflöde
• Tänkeläge och webbsökning
• Stilistiskt omfång
• Förfining av grova skisser
• Flexibilitet i bildförhållanden
• Kreativitet

Test av redigeringsarbetsflödet

OpenAIs pitch för 2.0 betonar iteration: grovt in, polerat ut, med förbättringar i instruktionsefterföljning och tät textrendering. Vi testade den loopen med ett berömt amerikanskt frimärke från 1898 kallat Western Cattle in Storm.

Här är en bild av ett av frimärkena i fint skick. 

För att specifikt testa redigeringsarbetsflödet använde vi följande prompt utan tänkeläge. Det innebär också att modellen inte har tillgång till webbsökning, vilket vi testade separat.

Please create for me a picture of the famous 1898 Western Cattle in Storm stamp issued by the U.S. Post Office as part of the Trans-Mississippi Issue . The name of the stamp is "Western Cattle in Storm" Quality should be Fine to Very Fine -Centering: design shifted right, left margin twice as wide as right margin, perfs nearly touching design on the right side -Perforations: two short teeth on the top edge, slightly uneven spacing along the bottom -Gum: quarter-inch matte hinge remnant in upper-center of back, small paper fragment still -attached -Paper: diagonal gum bend across lower-left quadrant, light yellow toning along top edge -Cancellation: partial black circular datestamp in lower-right corner, moderate coverage over the cattle

Och här är resultatet: 

Promptning med enbart text fungerade inte. En detaljerad beskrivning av frimärket och dess konditionsgrad blev fel på de flesta viktiga sätt — fel färg, fel valörlayout, tecknad felcentrering. Att återskapa en specifik historisk artefakt enbart från text är en svår uppgift.

Att ge modellen referensbilden och be om riktade redigeringar var där 2.0 gjorde sig förtjänt av namnet: perforeringsojämnheter, ett gångjärnsrester, en diagonal gumböj, lätt toning och en partiell annullering. 

Redigeringarna hamnade ungefär där vi bad. Modellen introducerade en regression i bildförhållande, men en enkel uppföljning med tydligt språk fixade det. Slutresultatet är inte rättsmedicinskt grade — "$1" ser lite utdraget ut, majsen är annorlunda — men loopen fungerade: skakig start, korrigerad kurs, användbart resultat på tre vändor.

Test av tänkeläge och webbsökning

Vi var tvungna att vara lite försiktiga med hur vi testade webbsökningsförmågan, för om du berättar för modellen vad du vill ha i prompten testar du inte sökning, du testar instruktionsefterföljning. Det renaste testet är att be om något väldigt färskt och väldigt specifikt, ge modellen nästan ingen information och se om den kan fylla i luckorna korrekt.

Vi valde gårdagens Boston Marathon. Loppet avgjordes måndagen den 20 april — dagen före tillkännagivandet av ChatGPT Images 2.0 — och herrarnas banrekord slogs för första gången sedan 2011. Det ger mig en konkret uppsättning fakta (vinnare, land, tid, marginal, kontext) som modellen omöjligen kan ha från träningen, men som är enkla att verifiera med en snabb sökning.

Här är prompten, medvetet avskalad på detaljer. Och du kan se i resultatet att modellen faktiskt söker på webben!

Create a celebratory poster-style infographic commemorating the course record set at yesterday's Boston Marathon. Include the winner's name, country, finish time, and the margin by which the previous record was broken. Include one or two additional stats or context details that make the achievement meaningful.

Resultatet är visuellt mycket tilltalande och hålls i Boston Marathons färgskala, vilket är ett trevligt extra. Alla nämnda fakta är korrekta, vilket vi dubbelkollade och verifierade.

Det blir ännu mer imponerande när du jämför med utfallet från den gamla modellen (Images 1.5) eller den nya modellen utan tänkeläge, med samma prompt:

Stilmässigt kan den konkurrera, men här finns en hel del problem relaterade till siffror.

• Loppet var den 130:e upplagan av Boston Marathon, så det borde stå “129 år av tradition”, inte 127.
• Påståendet att han är den “tredje löparen i historien som sprungit under 2:04 på ett maraton” är också falskt. Runt 20 löpare har gjort det.
• Enligt Boston Athletic Associations webbplats var hans andra halva 1:00:02, inte 1:01:05 (vilket ändå kan ha varit den snabbaste andra halvan någonsin)
• Viktigast: ChatGPT Images blandade ihop den nya och gamla rekordtiden. Det gamla rekordet var 2:03:02; det nya rekordet är 2:01:52. Skillnaden är 1:10 minuter.
• Givet att John Korir också vann förra årets Boston Marathon, verkar det rimligt att anta att den inte hade fått namnet rätt om det varit en annan vinnare

Sökkapaciteten gör skillnad när det gäller att visuellt presentera aktuell information. För att använda dem måste tänkeläget vara aktivt.

Test av stilistiskt omfång

OpenAI utlovar verkliga framsteg i stilistisk sofistikation — över fotografi, illustration, manga, pixelkonst och andra visuella stilar. Det ärliga testet är inte om en enskild bild ser bra ut, utan om samma motiv, återgivet i tre olika stilar, känns autentiskt i varje genre, eller om allt kommer tillbaka med samma AI-aktiga glans under ytan.

För att testa det bad vi om tre olika versioner av en espressomaskin på en träarbetsbänk (fotografi, manga, pixelkonst). Här är promptarna och resultaten:

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 35mm street photography, gritty, natural window lighting, Kodak Portra 400, shallow depth of field.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, Katsuhiro Otomo style.

Detta var ett intressant resultat, och ganska ironiskt, om man betänker att Image 1 blev känd för Studio Ghibli-montage som alla gjorde för ett år sedan (vi också). Det verkar som att OpenAI har blivit lite mer försiktiga med upphovsrätt och immateriella rättigheter sedan dess.

Genom att beskriva Katsuhiro Otomos stil utan att nämna honom specifikt fungerade det. En sak att notera är att vi var tvungna att öppna en ny chatt för att det skulle fungera. I samma chatt som den ursprungliga prompten verkade modellen inse att vi försökte kringgå blockeringen.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 1990s Japanese manga, black and white ink drawing, screentone shading, bold linework, hyper-detailed mechanical illustration, dramatic high contrast, retro-cyberpunk aesthetic.

A battered, vintage espresso machine sitting on a wooden workbench next to a potted fern. Style: 16-bit pixel art, isometric perspective, crisp edges, limited SNES color palette.

Enligt vår mening ser alla tre bilderna utmärkt ut och förkroppsligar de mycket specifika stilar vi bad om på ett autentiskt sätt. Fotografiet ser mycket naturligt ut, och de andra två versionerna skulle kunna vara hämtade direkt ur en mangabok respektive ett SNES-spel.

En annan sak som sticker ut i testet ovan är hur modellen utnyttjade sina flexibla bildförhållanden för att anpassa sig till varje bild: 16:9 landskap för fotografiet, porträttformat för mangaversionen och en kvadratisk pixelkonstbild.

Test av flexibla bildförhållanden

Lanseringen stöder bildförhållanden från 3:1 till 1:3 och upplösningar upp till 2K. Den intressanta frågan är inte om den kan producera en hög eller bred bild — utan om modellen komponerar om intelligent mellan format eller bara beskär.

För att blotta modellens underliggande rumsliga logik behöver vi en scen med tydliga, icke-förhandlingsbara element på flera axlar (något högt, något brett och ett centralt motiv).

Som test genererade vi vårt motiv (en astronaut i en specifik miljö) från en basprompt och bad sedan modellen att återskapa den som en mobilbakgrund, en banner och en kvadrat för att se hur kompositionen anpassas.

Basprompten:

A lone astronaut standing on a rocky, desolate hill. To the far left, a massive, blocky futuristic rover is parked. In the sky directly above the astronaut, a gigantic, luminous ringed planet dominates the starry backdrop.

Låt oss se hur det ändras:

Recreate the original image as a banner

Recreate the original image as a mobile wallpaper

Recreate the original image as a square

Var och en av versionerna valde ett passande bildförhållande för begäran, inkluderar alla viktiga element (astronaut, rover, planet), har dem arrangerade som vi bad i den ursprungliga prompten och ser till att de är centrerade. Test godkänt.

Test: grova indata till polerad output

Tankepartnerramverket bygger på att modellen accepterar vaga eller röriga indata — en grov skiss, punktlistor, några referenser — och förvandlar dem till en färdig resurs. Det är loopen som lanseringen verkligen kretsar kring, och den som är mest värd att testa direkt. 

För att testa det laddade vi upp följande mycket grova blyertsskiss av en stuga vid sjön:

För att göra det knepigt innehåller den ganska många detaljer, använder det finska ordet för brygga, “laituri”, och ger utrymme för förvirring genom att innehålla två typer av byggnader (hus och stuga) och två typer av vattenytor (sjö och damm)

Turn this crude layout into a photorealistic, cinematic landscape of a modern cabin at sunset. Keep elements where I mapped them out. The cabin includes a sauna with smoke coming out of the chimney.

Resultatet i icke-tänkeläge ser okej ut, men inte särskilt fotorealistiskt. Ändå matchar ljussättningen väl och bilden fångar promptens känsla perfekt. Vi kan se nästan alla element från skissen. Några detaljer stämmer inte:

• Båten saknas
• Bryggan ligger vid dammen, inte sjön
• Solens position är inte uppe i högra hörnet.

När vi provade samma prompt med samma skissbild i tänkeläge såg resultatet mycket mer realistiskt ut och rättade till alla småfel:

Bilden innehåller varje element från skissen på angiven plats och ser mycket prydlig ut. Huvudslutsatsen här är att använda tänkeläget för bästa resultat när du förvandlar grova skisser till fotorealistiska bilder.

Test av kreativitet

För vårt nästa test ville vi se om den kunde återskapa Niikuni Seiichis konkreta poesi. 

Den här berömda dikten visar den japanska kanjin för regn, omgiven av regn, så det är som att fånga regn i språket, som vi ser det.

Här är vår prompt:

Please recreate the concrete poetry of Niikuni Seiichi. I want to see "Ame" meaning Rain. But make it different using your creativity.

Och här är resultatet:

Detta tycker vi är intressant. Den återskapade inte bilden exakt, men den skapade något annat som var fascinerande. I den nya kompositionen är kanjin för “regn” inte omgiven av regn, utan den faller ner som regn. Symbolernas komposition verkar mycket slumpmässig, ungefär som man förväntar sig av regndroppar, men den ger en fin kontrast till det mycket ordnade originalet.

Hur får jag tillgång till ChatGPT Images 2.0?

Tillgång följer samma mönster som den tidigare lanseringen. Den behåller den dedikerade kreativa arbetsytan som introducerades i december — redigeraren i canvas-stil, beständiga artefakter, stilförinställningar — och byter under huven till en avsevärt mer kapabel modell.

• Webb, mobilapp och Codex: ChatGPT Images 2.0 finns i fliken Images för Free-, Plus- och Pro-användare, med användningsbegränsningar som skalar per nivå. Tillgång för Business och Enterprise följer vanligtvis efter den inledande utrullningen.
• API: Utvecklare kan använda den nya modellen via OpenAI API och Azure OpenAI Service, via slutpunkter för bildgenerering och redigering. Liksom i 1.5 prissätts bildutdata i tokens, och partiell regenerering under redigeringar håller kostnaderna lägre än att generera om en hel bild varje gång.

ChatGPT Images 2.0 vs. Nano Banana 2

Du kanske undrar hur ChatGPT Images 2.0 står sig mot Nano Banana 2. Båda modellerna är nya, båda är standardupplevelsen i sina respektive ekosystem, och båda marknadsförs kring hastighet, resonemang och verklighetsintelligens.

När ska du använda ChatGPT Images 2.0 vs. Nano Banana 2

Använd ChatGPT Images 2.0 när …

• Du behöver en referensstyrd redigeringsloop. Modellen accepterar en referensbild och tillämpar riktade ändringar (texturdetaljer, positionskorrigeringar, fixar av bildförhållande) över flera vändor, där enkla uppföljningar med naturligt språk pålitligt styr utdata utan att börja om, vilket också sparar tokens
• Du förvandlar grova indata till polerade tillgångar. Tänkeläget löser vaga skisser och rumsliga instruktioner till exakta, fotorealistiska kompositioner med element placerade precis som avsett
• Faktisk korrekthet i bilden är kritisk. Webbsökningsförankring hämtar liveinformation och återger den korrekt i själva bilden, vilket gör den pålitlig för eventaffischer, nyhetsinfografik eller vilket visuellt material som helst där siffror och namn måste vara rätt. Kom ihåg att använda tänkeläget för att aktivera webbsökning

Använd Nano Banana 2 när …

• Du placerar specifika verkliga objekt eller platser i en scen. Image Search Grounding hämtar visuella live-referenser från Google och återskapar specifika platser (även via GPS-koordinater) korrekt och kombinerar dem med ämneskonsistenta karaktärer i en enda generering
• Du behöver bibehålla identitet över flera karaktärer och objekt i ett arbetsflöde. Modellen stöder uttryckligen upp till fem karaktärer och fjorton referenser totalt (karaktärer + objekt) med strikt konsistens. Detta gör den till ett starkt val för storyboard, produktbilder eller berättelser med flera karaktärer
• Du bygger inom Googles ekosystem. Nano Banana är inbyggt i Gemini-chatt, Google Sök, Google Ads, Firebase och Vertex AI

Båda är bra val när det gäller textrendering i bild, stilistiskt omfång och konversationell redigering.

Avslutande tankar

Ramverket med en “visuell tankepartner” håller – men bara med tänkeläget på. Utan det kämpar modellen med rumslig logik och fotorealism; med det förvandlar den tvetydiga indata till utdata som känns samarbetande snarare än mekaniska. Två områden där modellen glänser även utan tänkeläge är stilistisk autenticitet och flexibilitet i bildförhållanden.

Webbsökningsförankring känns som den största uppgraderingen jämfört med Images 1.5. I Boston Marathon-testet såg vi tydligt den skillnaden: 2.0 fick alla fakta rätt, medan 1.5 inte var uppdaterad. Det är viktigt att veta att webbsökning också bara fungerar i tänkeläge.

En intressant iakttagelse var att skyddsräcken kring upphovsrätt är stramare, och det märks. Om du vill återskapa en stil som ett visst företag eller en viss person är känd för, måste du ta det extra steget att identifiera essensen i deras stil och beskriva den (vilket, får man säga, är lätt att göra i dag).

Sammantaget är modellen en betydande uppgradering jämfört med sin föregångare och utmanar Nano Banana 2:s status som det främsta verktyget för AI-bildgenerering och -redigering. 

För att få ut mesta möjliga av sådana verktyg är det en grundläggande färdighet att kunna prompta. Vi rekommenderar varmt våra kurser Understanding Prompt Engineering och Prompt Engineering with the OpenAI API för en teoretisk och praktisk grund.