4o画像生成（自己回帰モデル）の出力メモ

Last update 4-3-2025
※ (5-4-2025) Microsoft Copilotでも生成ができたので記事を書きました。
※ (4-24-2025) 参考まで、画像生成のみが「gpt-image-1」としてAPI経由で利用できるようになりました（参考：https://platform.openai.com/…image-generation-model=gpt-image-1）
※ とりあえずな感じの、短時間で書いた記事です。

■ 0. 概要

▼ 0-0. 本記事について

　3月下旬、OpenAIはChatGPT上にて新しい画像モデルをリリースしました。無料ユーザーの筆者は3-30-2025から使えるようになりましたが、公式には日本時間の4-1-2025からとなっているようです。

　本記事ではいくつかの使用例を引用してから、筆者が実際に出力した画像を掲載します。

　4oの画像生成は今後、ChatGPTのデフォルトとなる予定です。従来のDALL·E 3はおそらく、既存のGPTsアプリ（及びAPI）としてのみ残されるものとみられます。

▼ 0-1. OpenAIの新しい画像モデル

　現在のところ「4o Image Generation」と呼ばれているそれは、従来とは異なる自己回帰モデルと言われています。まだ情報は少ないですが、今後は拡散モデルよりも自己回帰モデルが増えていくことが考えられます。

参考：
GPT-4oとGemini-2.0の画像生成能力はいかにして作られているのか
https://zenn.dev/discus0434/articles/gemini-2-0-mm 

参考：
Introducing 4o Image Generation
https://openai.com/index/introducing-4o-image-generation/ 

▼ 0-2. その他の自己回帰モデル

　Grokに搭載されているAuroraも自己回帰モデルに該当します。入力した画像を編集する機能が搭載されたので、こちらで練習してみると良いでしょう。ただし、品質や精度は少し劣っています。

　Gemini 2.0 Flash Experimentalの画像生成も自己回帰モデルと言われています。しかし、筆者が見る限りでは能力に違いがあるようで、三者は必ずしも同じこと（操作）ができるわけではありません。筆者が試してみたことは下記の記事に掲載してあります。

　さらに、4-3-2023にローカルで実行可能なLumina-mGPT 2.0がリリースされました。大量のVRAMを要求するため、実行できる環境は少ないと思われます。
→ https://github.com/Alpha-VLLM/Lumina-mGPT-2.0 

■ 1. 4o Image Generationの使用例

▼ 1-1. 文字入りのレイアウトを構築

　他の方の出力された、4o Image Generationの使用例をいくつか挙げます。本例で分かるとおり、オブジェの配置や、日本語を含む文字を挿入する能力が格段に向上しました。

　単純なt2iで生成された場合は、プロンプトを尋ねると返ってきます。そうでは無い場合は、尋ねられても答えないようです。

▼ 1-2. 狸の生成

　本記事の趣旨とは少し異なりますが、このモデルでは狸が生成できるようになりました（今まではアライグマになってしまった）。従来よりも幅広い概念に対応している可能性が高いです。

▼ 1-3. 画風スタイルの変更

　画像を入力して指示を与えます。誰にでも理解しやすい、実用性の高い用途と考えられます。配置やポーズまで再現されるのが、自己回帰モデルの特徴です。

▼ 1-4. ピクトグラムの作成

　ピクトグラムは、画風スタイルの一つと考えて良いと思います。

▼ 1-5. その他

　挙げるときりが無さそうなので1例だけにしておきます。

■ 2. 筆者による出力

▼ 2-1. 4コママンガ

　ぶるぺんさんがチャットのURLをシェアしてくださったので、続きのチャットでプロンプトを尋ね、新規のチャットで生成しました。

　試したのは1回だけで、下記の画像が出力されました。

　さらに「カラーでレトロな少女マンガ風に」と指示しました。配置やポーズがほとんど同じなので、直前の画像が入力されたものと考えられます。

▼ 2-2. 画像の模倣

　まずは、下記の画像を入力しました。

　次に、「添付の画像を注意深く再現してください」と指示を行いました。比較してみて、表現がモデルの能力に依存しているらしい（＝模倣には限界がある）ことがわかりました。

　1-3.のように、画風スタイルの変更もできます。

　参考まで、Grokの出力も掲載しておきます。4o画像生成よりも品質や精度は落ちますが、それでも元画像と似ていることがわかります。

▼ 2-3. 人物の入れ替え

　2-2.の最初の画像と、下記の画像を同時に入力しました。

　指示は、【「草原で猫を抱いている女の子」の画像の女の子の全身を、「紫の瞳の女の子」の全身で置き換えてください。全身とは髪型、顔から服装、足までの全てが対象です。抱いている猫はそのまま残してください。】としました。

　画像は縦長に変わってしまいましたが、元の画像の配置やポーズを保ちつつ、人物だけが入れ替わったことがわかります。

▼ 2-4. 画風スタイルの変更

　まず、英語プロンプトを入力して画像を生成しました。4o画像生成の「Japanese anime style」は、このような特徴を持っているようです。

　次に「粗い3Dポリゴン風にしてください」と指示を行いました。ここでも、直前の画像の配置やポーズが保たれています。

　DALL·E 3で同じプロンプトを使用すると、同じ画風スタイルでも出力の傾向がまったく異なることがわかります。

■ 3. その他

　私が書いた他の記事は、メニューよりたどってください。

　記事に関することで何かありましたら、Xの@riddi0908までお願いします。