那个在OpenAI修中文的人

文 | 字母 AI

OpenAI 研究科学家陈博远在知乎上发了一篇文章，开头非常直接：

"大家好，我是 GPT Image 团队的研究科学家陈博远。上周发布的 GPT 生图模型就是我主力训练的！"

他还提到，这次终于修好了模型的中文渲染。如果中文用户有什么反馈，可以直接回复他。

ChatGPT Images 2.0 发布之后，很多人的第一反应是：这个模型的中文能力，强得有点不讲道理。

过去的图像模型多少有些"看不懂字"。它们能画风景、画人物，但一旦涉及中文，就很容易变成一团难以辨认的鬼画符。但 GPT-image-2 不一样，它不仅能写对字，还能排版、分段、生成带逻辑结构的中文信息图。

曾经那种"看文字判断是不是 AI 生成"的办法，到这一代已经行不通了。

陈博远是 GPT Image 2 训练和能力展示里真正站到前台的人之一。在发布会上，他和奥特曼一起演示了文字渲染能力。发布后，他又在知乎上解释了官网图片背后的很多花絮：LMArena 双盲测试时，GPT Image 2 曾用" duct-tape "（布基胶带）作为代号；官网 blog 里的很多图片，是他亲手用模型做出来的；中文漫画、米粒刻字、多语言文字、视觉证明、自动生成二维码，这些看起来像宣传素材的图片，其实都是一次次有设计目的的能力测试。

对这个" duct-tape "的胶带，他用了一个很有趣的解释：

"至于为啥起名叫布基胶带嘛 .. 当然是因为你可以用布基胶带把香蕉贴在墙上啦！"

他在问一个更慢的问题

陈博远并不是那种一眼就能被记住的研究员。没有频繁的公开演讲，也没有刻意经营个人表达。他会写博客、发一些轻松的内容，但这些更像是记录，而不是建立影响力。

相比之下，他的存在感更多来自模型本身。

他现在是 OpenAI 的一名研究员，参与图像模型的训练。在此之前，他在麻省理工学院完成电子工程与计算机科学博士学位，同时辅修哲学，也曾在谷歌 DeepMind 参与多模态模型的研究工作。

这些经历已经足够亮眼，但更重要的是他长期关注的问题。

从 DeepMind 到 OpenAI，陈博远的研究方向几乎没有改变。当大多数人还在讨论模型能不能写得更好、画得更像的时候，他关心的是更基础的一层：模型究竟在"理解"什么。

具体可以看作三个问题：模型如何理解图像？图像和语言之间到底是什么关系？当一个模型面对真实世界时，它究竟是在生成结果，还是在模拟世界？

这些问题听起来抽象，但它们几乎决定了今天这一代模型的边界。

在他的个人主页上，他把自己的研究方向写得很直接：世界模型、具身智能、强化学习。

所谓世界模型，可以理解为一件事：让 AI 在内部形成一个对世界的判断。

它不仅要知道眼前发生了什么，还要能预测接下来会发生什么。

这和今天常见的 LLM（大语言模型）有一点区别，LLM 更像是在处理语言，而世界模型更接近一种结构：它需要理解空间、时间、因果，以及行为的结果。

用一个很简单的例子来说，AI 如果真的"理解"世界，它应该知道塑料杯掉在地上会弹一下，而玻璃杯会碎掉。

具身智能和强化学习，则可以理解为这个问题的延伸——如果一个模型真的理解世界，它就不应该只是回答问题，还应该能够行动，并在行动中不断修正自己的判断。

他参与的工作，往往不是单一任务优化，而是试图把生成模型、视觉理解和决策系统连在一起。

他最有代表性的工作之一，是一项名为 Diffusion Forcing 的研究。

这项研究试图解决一个很基础的问题：模型到底是一步一步生成，还是一次性生成？

配资白名单平台开户

LLM 是前者，它擅长灵活生成，但在长内容里容易出错；扩散模型更接近后者，它更稳定，但缺乏结构。

陈博远的做法，则是把这两种方式放在同一个模型里，让模型既能逐步生成，又能对整体进行约束。

如果说 Diffusion Forcing 是在时间维度上做统一，那么他参与的另一项工作 SpatialVLM，则是在空间维度上补齐能力。

这个工作针对一个长期存在的问题：模型虽然能看图说话，但并不真正理解空间关系。它不知道远近、大小，也不清楚物体之间的相对位置。

为了解决这一点，他所在的团队构建了一套三维空间推理体系，让模型不仅能"看见"，还要能"推理"。

类似的思路也出现在其他工作中，比如利用历史信息指导生成的 History-Guided 方法，或者将视觉、动作与语言统一建模的研究。这些工作看起来分散，但都指向一个方向：让模型不只是输出结果，而是在内部形成一种稳定的表示。

在严肃的研究方向之外，陈博远也会偶尔流露出一种很鲜活的个人趣味。

比如这次在知乎上发表的文章，又比如他在个人主页特别介绍了自己的兴趣是珍珠奶茶（making boba），就连知乎名都是" MIT 奶茶店长"。

他还写了一篇博客，给美国计算机科学名校做了一个排名，标准不是科研实力，而是珍珠奶茶。

他把伯克利排在第一位，因为校园周围"几乎被高质量奶茶店包围"，而 MIT 则被他打了一个不太高的分数，理由是"附近奶茶店太少，而且质量不稳定"。

这类表达很轻松，但可以看出他的研究习惯：把复杂的问题拆开，找到可以比较的维度，再做判断。

他的工作本身也在做类似的事情，只不过对象换成了模型。

元股证券:ygzq.hk

他避开了更容易的方向

如果只看图像模型的发展路径，过去的逻辑其实很清晰：更大的数据、更高的分辨率、更稳定的生成过程。大多数改进，权威股票配资，多空杠杆，炒股配资杠杆，平台排名集中在"画得更像"这件事上。

但随着模型开始处理更复杂的内容，这条路径也走到了瓶颈：当图像里不仅有视觉元素，还包含文字、结构甚至逻辑关系时，问题不再只是像或不像，而是这些信息如何同时成立。

问题从生成质量，转向了结构一致性。

这类问题并不是所有研究者都会去做，它既不直接对应某一个评测指标，也很难在短期内转化成产品效果。相比之下，做分辨率、做风格、做细节，往往更容易看到提升。

而陈博远的路径，恰好避开了那些"更容易"的方向：从他在学术阶段的研究开始，他关注的就不是单一模态的能力，而是不同能力之间如何被连接在一起。

在很长一段时间里，视觉模型、语言模型和决策系统，是各自发展的。它们可以通过接口连接，但在内部往往是分开的。因此，模型虽然可以"调用能力"，却很难表现出一致的理解。

陈博远做的工作，就是试图改变这种状态。

这次模型的很多能力展示，本来就发生在"图像、文字、梗、真实物体和文化语境"的交界处。

陈博远说，官网 blog 里的很多图片都是他亲手做的。整个 blog 都是用图片生成的，完全没有普通文本。换句话说，用户在官网上看到的很多示例，不只是宣传物料，而是模型能力本身的一部分。

比如那张中文彩蛋漫画。

他想做一个很搞笑的漫画，于是用到了"接住梗"和"香蕉梗"。为了展示文字能力，他特意让模型在图里加入多国语言文字，又在家乡海报的右下角生成特别特别小的中文，用来测试模型到底能处理多细的细节。

更关键的是，这张图不是拼接出来的——按照他的说法，整张图，包括画中画和画中画中画都是一次性生成的。他担心大家以为这是拼接图，还特意在图底加了备注。

这正好说明 GPT Image 2 的难点在哪里。过去的图像模型如果能写出几个不出错的大字，已经算很不错了。但 GPT Image 2 要处理的是一整套层级：它要知道这是一张漫画书照片，漫画书里有图，图里还有图；它要在不同层级里放入不同语言的文字；它还要让这些文字和画面关系成立，而不是随机散落在图里。

再比如米粒刻字。

陈博远说，他一开始觉得普通文字渲染还不够惊艳，于是在队友提示下做了一张 4K 图：画面里是一堆米粒，其中一颗米粒上刻着字。

这测试了模型在极小尺度里的文字控制能力。

还有那张黑板视觉证明。

陈博远表示："如果让他解普通数学题方程啥的，似乎就太简单了。nano banana 似乎通过思考模式 + 文字渲染的方式也能做。于是我想到了我非常喜欢的一个视觉证明来真正考验 GPT Image 2 独特的视觉推理效果。图里提示词说的是，在黑板上用视觉（而不是代数）证明从 1 开始的奇数之和是一个平方。普通的模型其实很容易推理出代数解，但是图形解只有视觉模型才能做了。"

这也是 GPT Image 2 这次发布里最值得注意的变化之一：它开始能把一个抽象关系变成图像结构，再把这个结构用视觉方式表达出来。

所以，与其说 GPT Image 2 在"生图"，不如说它在生成一种带有结构的视觉表达。

漫画、海报、视觉证明……这些东西本质上都不是纯图片，它们同时包含文字、排版、层级、对象关系、任务目标和审美判断。

过去的图像模型容易在这里崩掉，是因为它们把图像当成像素结果。而这一代更强的图像模型，必须把图像当成一种带结构的表达。

他不是一个人

在 OpenAI 内部，真正参与模型训练的人其实不多。GPT-image-2 发布之后，研究负责人 Gabriel Goh 在社交媒体上公开感谢了他们的团队成员。

名单并不长，只有十几个人。