ChatGPT依赖DALL·E生成图像，而谷歌Gemini已实现原生图像生成，展现了更强大的多模态能力！

目前，大多数主流的AI模型，如DeepSeek的V3和R1，以及OpenAI的GPT-4系列（包括GPT-4.5、GPT-4o、o1和o3-mini），都专注于文本处理。这些模型能够理解和生成文本，支持对话、问答等任务，但无法直接生成图像。它们最多只能处理图片输入（例如分析图片内容），但输出仅限于文本形式。

你可能听说过ChatGPT可以“画图”，但实际上，这并不是由GPT模型本身完成的。ChatGPT的图像生成功能是通过集成其他专门的“文生图”模型（如Dall·E 3）实现的，而不是GPT模型直接生成的。例如，GPT-4o的官方说明明确指出，它仅支持文本输出，不具备直接生成图像的能力。

总结来说，当前的AI模型在文本处理方面已经非常强大，但在图像生成方面，仍然依赖于专门的模型（如Dall·E、Stable Diffusion等），而不是通过对话模型直接实现。

在过去，AI模型的功能一直存在明显的界限：专注于文本处理的模型无法生成图像，而专注于图像生成的模型则无法进行复杂的对话。这种分工主要是由于文本大模型和绘图大模型在底层架构上的差异所导致的。

然而，这一局面如今被谷歌率先打破。2024年3月13日，谷歌AI Studio产品负责人Logan Kilpatrick宣布，Gemini 2.0 Flash已经支持生成原生图像。这意味着，Gemini 2.0 Flash不仅能够进行高质量的文本交互，还能直接生成图像，实现了文本与图像生成能力的无缝结合。这一突破标志着AI模型在多功能集成方面迈出了重要的一步。

乍一听，这似乎只是一个普通的画图功能，没什么特别之处。但实际上，这一功能的实现意义重大。要知道，Gemini 2.0 Flash原本只是一个专注于文本处理的模型，只能用于聊天和文本生成。而现在，它直接集成了图像生成能力，用户无需切换模型，就能在对话过程中实时生成图像，真正实现了“边聊边画图”的体验。

更值得一提的是，“原生图像生成”这一功能，曾是OpenAI为GPT-4o描绘的一个未来愿景，但迟迟未能实现。如今，谷歌率先将其变为现实，无疑在AI领域取得了重要的技术突破。

从实际效果来看，Gemini 2.0 Flash的图像生成功能不仅操作简单——用户无需精心设计复杂的提示词，还能在对话中自然流畅地生成图像。更重要的是，生成结果的一致性非常高，展现了其在多模态任务中的强大能力。这一功能的推出，标志着AI模型在文本与图像生成的无缝结合上迈出了关键一步。

图片

Logan指出，Gemini模型之所以在“原生”图像生成功能上表现如此出色，主要得益于其本身具备的丰富世界知识。这些知识来源于海量的训练数据，使得模型能够更深入地理解上下文和用户意图，从而生成更精准、更符合需求的图像。这种能力是传统AI图像生成模型所不具备的，因为传统模型通常缺乏对复杂语义和世界知识的深度理解。正是这种独特的优势，让Gemini在图像生成领域脱颖而出，实现了更自然、更智能的“边聊边画图”体验。

例如，用户可以通过简单的指令对图片中的特定物体进行定向修改，比如将一匹马的颜色调整为黑白色，或者将地面上的花朵颜色替换为黄色。这种精细化的图像编辑能力，展现了模型对图像内容的理解和操控能力，使得用户无需复杂的操作就能实现高度定制化的图像生成和修改。

要体验Gemini 2.0 Flash的原生图像生成功能非常简单。用户可以直接在谷歌AI Studio中选择Gemini 2.0 Flash-Exp实验模型（注意，这是实验版本，而非正式版的Gemini 2.0 Flash）。这一功能完全免费开放使用。此外，该功能也已支持通过API调用，方便开发者将其集成到自己的应用中。

打开谷歌AI Studio，选择Gemini 2.0 Flash-Exp实验模型，我们可以亲自体验其原生图像生成功能的效果。无论是中文还是英文提示词，模型都能很好地支持。

例如，我们可以让Gemini 2.0 Flash-Exp解析一首古诗，并根据诗意生成相应的配图。这种能力不仅展现了模型对文本的深度理解，还体现了其在图像生成上的灵活性和创造力。通过这种方式，用户可以将抽象的文字转化为生动的视觉内容，进一步丰富了交互体验。

月落乌啼霜满天，江枫渔火对愁眠。 姑苏城外寒山寺，夜半钟声到客船。 逐句讲解并配图

仅仅通过一句简单的提示词，Gemini 2.0 Flash-Exp不仅输出了整首古诗的详细解析，还为每一句诗生成了对应的配图。这种能力让语文老师欣喜若狂，因为它不仅帮助学生更好地理解古诗的意境，还能通过生动的图像将文字内容直观地呈现出来，极大地提升了学习体验。

经过实际测试，Gemini 2.0 Flash-Exp在“边讲故事边画图”方面表现得非常出色。它能够根据故事内容实时生成相应的图像，几乎可以完美复现Logan展示的GIF动画效果。这种能力不仅让故事讲述更加生动有趣，还为用户提供了一种全新的交互体验，真正实现了文本与图像的动态结合。

即使是动画风格的内容，Gemini 2.0 Flash-Exp也能轻松应对。它能够根据提示词生成符合动画风格的图像，无论是角色设计、场景构建还是动态效果，都能很好地还原。这种能力进一步扩展了模型的应用场景，使其不仅适用于静态图像生成，还能满足动画创作的需求，为用户提供了更多可能性。

接下来，我们可以测试一下Gemini 2.0 Flash-Exp的定向修图功能。首先，让它生成一张猫的图片。通过简单的提示词，模型能够快速生成一只猫的图像，为后续的定向修改提供基础。这种能力不仅展示了模型在图像生成上的灵活性，也为用户提供了更多个性化的创作空间。

接着，我们可以让Gemini 2.0 Flash-Exp对生成的图片进行定向修改，比如调整背景。这种功能本质上相当于AI抠图或P图，但操作更加智能和便捷。用户只需通过简单的指令，就能实现对图片的精细调整，无需复杂的工具或技术。这种强大的图像编辑能力，充分展现了模型在多模态任务中的卓越表现，令人惊叹不已。

最后，我们可以将修改前和修改后的图片进行对比展示。通过这种方式，用户可以直观地看到Gemini 2.0 Flash-Exp在图像生成和编辑上的强大能力。无论是背景替换、颜色调整还是细节优化，模型都能高效完成，充分体现了其在图像处理领域的先进性和实用性。这种对比不仅展示了技术的进步，也让用户更清晰地感受到AI带来的创作便利。

图片

结语

凭借其简洁的提示词输入、实时配图生成、高度一致的风格表现以及精准的定向修图能力，谷歌的Gemini 2.0 Flash-Exp正在突破传统AI模型的局限，展现出令人惊叹的多模态处理能力。这种将文本与图像生成无缝结合的技术，不仅为用户提供了更自然、更高效的创作体验，也标志着AI模型在多功能集成领域迈出了重要一步。可以说，Gemini 2.0 Flash-Exp正在引领AI技术向更智能、更全能的方向发展。

我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。在这里，您可以找到最新的AI科普文章、工具评测、提升效率的秘籍以及行业洞察。