{"id":1329,"date":"2025-03-27T10:09:06","date_gmt":"2025-03-27T09:09:06","guid":{"rendered":"https:\/\/www.jakobhauer.at\/blog\/?p=1329"},"modified":"2025-07-25T19:27:51","modified_gmt":"2025-07-25T17:27:51","slug":"gpt-4o-und-neue-art-der-bildgenerierung","status":"publish","type":"post","link":"https:\/\/www.jakobhauer.at\/blog\/gpt-4o-und-neue-art-der-bildgenerierung\/","title":{"rendered":"GPT-4o und neue Art der Bildgenerierung"},"content":{"rendered":"\n

Das neueste Modell von OpenAI sorgt derzeit f\u00fcr gro\u00dfes Aufsehen. Lange Zeit war es eine Herausforderung, dass KI-Bildgenerierungen Texte und Personen nicht pr\u00e4zise darstellen konnten. Doch diese Zeiten sind nun vorbei.<\/p>\n\n\n\n

Ein kurzer R\u00fcckblick<\/strong><\/h3>\n\n\n\n

Erinnern wir uns zur\u00fcck: OpenAI hat mit dem urspr\u00fcnglichen DALL-E Pionierarbeit geleistet, einem Modell, das zeigte, dass KI Ideen verstehen und in visuelle Informationen umwandeln kann. Die Ergebnisse waren oft surreal und beeindruckend, aber die praktische Anwendbarkeit war begrenzt. Die Integration von DALL-E 3 in ChatGPT Plus und Enterprise war ein entscheidender Fortschritt, der es Nutzern erm\u00f6glichte, Bilder direkt aus dem Chat heraus zu erstellen.<\/p>\n\n\n\n

Aber selbst diese Integration f\u00fchlte sich manchmal noch wie eine separate Funktion an. Die wahre Magie, so argumentiert OpenAI, ist eine tiefere, nat\u00fcrlichere Integration \u2013 eine F\u00e4higkeit, die nun mit GPT-4o Realit\u00e4t wird. Wie Sam Altman, CEO von OpenAI, anmerkt, war die Bildgenerierung bisher oft eine „Neuheit“. Man konnte zwar coole Kunstwerke erstellen, aber das Potenzial, in verschiedenen Bereichen wirklich n\u00fctzlich zu sein, blieb oft ungenutzt. Das soll sich nun \u00e4ndern.<\/p>\n\n\n\n

Was ist neu?<\/strong><\/h3>\n\n\n\n

Der zentrale Unterschied liegt in der Architektur von GPT-4o selbst. Es ist kein Sprachmodell, dem eine Bildgenerierungsfunktion hinzugef\u00fcgt wurde. GPT-4o ist von Grund auf als multimodales Modell konzipiert \u2013 oder wie OpenAI es nennt, ein „Omni-Modell“. Das bedeutet, es kann nahtlos mit verschiedenen Arten von Informationen umgehen: Text, Audio und eben Bilder, sowohl als Eingabe als auch als Ausgabe.<\/p>\n\n\n\n

Diese native Multimodalit\u00e4t erm\u00f6glicht eine viel nat\u00fcrlichere und leistungsf\u00e4higere Interaktion. Sie k\u00f6nnen nicht nur per Text ein Bild anfordern, sondern auch Bilder hochladen und ChatGPT bitten, sie zu analysieren, zu bearbeiten oder als Stilvorlage f\u00fcr andere zu verwenden. Der Gespr\u00e4chsfluss bleibt erhalten; die Bilderstellung wird Teil des nat\u00fcrlichen Gespr\u00e4chs, nicht ein zus\u00e4tzlicher Befehl. Praful, der Leiter der multimodalen Forschung bei OpenAI, betont genau diesen Aspekt: Das Modell versteht den Kontext aus Bild und Text und nutzt beides, um das gew\u00fcnschte Ergebnis zu erzielen.<\/p>\n\n\n\n

Viel mehr als nur h\u00fcbsche Bilder<\/strong><\/h3>\n\n\n\n

Die OpenAI-Pr\u00e4sentation demonstrierte in einer Reihe von Demos eindrucksvoll die Leistungsf\u00e4higkeit der neuen Bildgenerierung. Hier sind einige der herausragenden F\u00e4higkeiten:<\/p>\n\n\n\n

    \n
  • Scharfe Textdarstellung in Bildern:<\/strong> Eine der gr\u00f6\u00dften Herausforderungen f\u00fcr fr\u00fchere Bild-KIs war die Textdarstellung in Bildern. GPT-4o beherrscht dies hervorragend. Gabe, ein f\u00fchrender Forscher, demonstrierte dies, indem er das Modell ein Bild seiner detaillierten Gespr\u00e4chsnotizen erstellen lie\u00df \u2013 mit Fokus auf das Papier und unscharfem Hintergrund. Das Ergebnis war nicht nur lesbar, sondern auch stilistisch \u00fcberzeugend. Selbst in Allens Manga-Beispielen und Lus Gedenkm\u00fcnzen ist der Text pr\u00e4zise und passend eingebettet. Sam Altman betont, wie beeindruckend es immer noch ist, vollst\u00e4ndig gerenderten Text in KI-Bildern zu sehen, etwas, worauf viele lange gewartet haben.<\/li>\n\n\n\n
  • Verst\u00e4ndnis und Verwendung von Bildeingaben:<\/strong> Das Modell kann hochgeladene Bilder als Referenz verwenden. Praful erstellte ein Selfie der Gruppe und lie\u00df es in eine Anime-Szene umwandeln. Mengjiao verwendete eine bestehende „Sora“-Sammelkarte und ein Foto seines Hundes Sanji, um eine neue Karte im gleichen Stil, aber mit seinem Hund als Motiv, zu erstellen. Dies demonstriert die F\u00e4higkeit zur Stilanalyse und -replikation.<\/li>\n\n\n\n
  • Iteratives Bearbeiten und Verfeinern:<\/strong> Die Konversationsdynamik erm\u00f6glicht die schrittweise Bearbeitung von Bildern. Nachdem Praful das Anime-Bild hatte, bat er ChatGPT, daraus ein Meme mit dem Text „Feel the AGI“ zu erstellen. Lu lie\u00df ihre transparente Gedenkm\u00fcnze neu erstellen, was f\u00fcr die praktische Weiterverwendung (z. B. Drucken) erforderlich ist. Diese M\u00f6glichkeit, Anpassungen im Gespr\u00e4ch vorzunehmen, macht den Prozess benutzerfreundlicher und flexibler.<\/li>\n\n\n\n
  • Komplexe Szenen und Layouts:<\/strong> Komplexe Manga-Seiten, die die Relativit\u00e4tstheorie auf unterhaltsame Weise erkl\u00e4ren, k\u00f6nnen erstellt werden. Das Ergebnis \u00fcberzeugt nicht nur durch typische Manga-Gestaltung und passende Charaktere (Einstein!), sondern auch durch ein komplexes Panel-Layout und eingebetteten Text (auch in verschiedenen Sprachen).<\/li>\n\n\n\n
  • Kombination von Konzepten und Bildern:<\/strong> Die Kombination der Gedenkm\u00fcnze aus Lus Demo mit fr\u00fcheren Ergebnissen (Manga, Sammelkarte) war beeindruckend. Sie lud nicht nur fr\u00fchere Ergebnisse (Sammelkarte, Manga) hoch, sondern auch Fotos des Studiohintergrunds der Objekte. All diese Eingaben wurden vom Modell verstanden und harmonisch in die M\u00fcnze integriert, einschlie\u00dflich eines vordefinierten Hex-Farbcodes und eingef\u00fcgtem Text („4o Imagegen“ und Datum).<\/li>\n<\/ul>\n\n\n\n
    \n