AI Research 技术调研

Imagen 4 Fast / Imagen 4(Ultra) GA 与 GPT Image 1 mini

13分钟阅读

一句话定位

这是 2025 下半年两家 T2I 旗舰的成本/速度档位扩展（产品迭代条目，非新架构论文）：Google 在 2025-08-15 让 Imagen 4 全家族（Imagen 4 / Imagen 4 Ultra / 新增 Imagen 4 Fast）在 Gemini API GA，Fast 档把单图价压到 $0.02/张，Imagen 4 / Ultra 支持到 2K 分辨率；OpenAI（2025 下半年）推出 gpt-image-1-mini，作为 dall-e-3 之后那款「原生自回归」gpt-image-1 的廉价档（官方模型文档定价已上线；具体发布日期不在已落盘一手源内，不在此断言），官方称 API 成本比 gpt-image-1 便宜约 80%，最低画质单图低至 $0.005/张。两者都不是模型创新，而是把高质量图像生成 API 的边际成本拉低一个数量级的商业化动作。

背景与定位

2025 上半年两家分别把旗舰原生图像能力搬上 API：

  • OpenAI：2025-03-25 在 ChatGPT 上线 4o 原生图像生成（dall-e-3 之后改用「自回归原生多模态」路线，见系统卡），首周 1.3 亿用户生成 7 亿张图；2025-04-23 通过 gpt-image-1 把同一原生多模态模型引入 Images API（文本输入 $5/M tok、图像输入 $10/M tok、图像输出 $40/M tok，约合低/中/高质量正方图 $0.02 / $0.07 / $0.19 每张）。
  • Google：Imagen 4 家族继承 imagen-3（latent diffusion）旗舰，先在 Gemini API / AI Studio 进入 paid preview（preview 起始日不在已落盘一手源内，不在此断言），2025-08-15 才全家族 GA（本条目落盘的 GA 博客）。

本条目记录的是「成本档位下探」这一步：旗舰质量已就位后，两家都补一个便宜/快的档位去抢高并发、低单价的生产场景（电商、营销素材、批量生成）。它对应的技术脉络位置不是「更强」，而是「更便宜/更快、把同代质量普惠化」——与 flux-1-krea-dev、firefly-image-model-4 等同期「可用性/成本」导向的迭代同属一拨。相关同期/后续工作：gemini-3-pro-image-nano-banana-pro（Google 后续把图像能力并入 Gemini 原生多模态，Imagen 系列逐步被 gemini-2.5-flash-image / Nano Banana 取代）。

模型架构

两条产品线分属两种范式，且均为闭源、官方均未为这两个具体档位发布技术报告或参数量，只能给出可确证的范式与已披露事实：

Imagen 4 / Fast / Ultra（Google，latent diffusion 路线）

  • 继承 imagen-3 的**潜空间扩散（latent diffusion）**家族（Imagen 自 imagen 的像素级联扩散切换到潜扩散始于 Imagen 3）。Imagen 4 的 backbone（U-Net / DiT）、VAE/visual tokenizer、文本编码器（早期 Imagen 用 T5-XXL，是否沿用未声明）、参数量——全部未披露，与 Google 闭源旗舰一贯的「架构当产品机密」风格一致。
  • 官方仅披露家族分档定位与产物规格：Imagen 4 Fast 主打速度与高并发；Imagen 4 为旗舰，在文本渲染（text rendering）上较前代「substantial improvements」；Imagen 4 Ultra 主打最高细节与最严格的 prompt 对齐。Imagen 4 与 Ultra 支持最高 2K 分辨率（“up to 2K resolution”），Fast 档官方文案未强调 2K（重在低延迟）。
  • API model id：imagen-4.0-generate-001、imagen-4.0-fast-generate-001、imagen-4.0-ultra-generate-001。

GPT Image 1 mini（OpenAI，自回归原生多模态路线）

  • 与 gpt-image-1 同范式：原生多模态、自回归（autoregressive）的图像生成，而非扩散。系统卡原文（“4o image generation”）明确：「Unlike DALL·E, which operates as a diffusion model, 4o image generation is an autoregressive model natively embedded within」omnimodal GPT-4o——即文本与图像在同一自回归模型里联合建模，天然支持 image-to-image 变换、强指令遵从、可靠文本渲染。
  • 官方模型文档把 gpt-image-1-mini 描述为「A cost-efficient version of GPT Image 1. It is a natively multimodal language model that accepts both text and image inputs, and produces image outputs.」——输入：文本 + 图像；输出：图像（不输出文本/音频/视频）。
  • mini 的具体瘦身方式（蒸馏 / 缩小 backbone / 减步数等）官方未披露，仅以「cost-efficient version」「约便宜 80%」概括。参数量未披露。
  • 端点：v1/images/generations、v1/images/edits，并可经 v1/responses / v1/chat/completions 调用；输出分辨率 1024×1024 / 1024×1536 / 1536×1024 三档。

数据

  • Imagen 4 家族：训练数据来源/规模/配比/过滤/re-captioning 在 GA 博客中未披露。可参考的家族信息见 imagen-3（Gemini 生成合成 caption + 多级安全/质量过滤），但 Imagen 4 是否沿用同一管线官方未声明，不臆测。
  • GPT Image 1 mini：训练数据未披露。系统卡仅说明其安全相关数据/红队流程（外部人工红队 + 自动红队 + 真实场景离线测试），不涉及训练语料构成。
  • 两者均未披露图文对数量、美学/安全过滤的具体配比与合成数据占比。

训练方法

  • Imagen 4：训练目标（扩散 / flow matching）、多阶段（预训练→SFT→偏好对齐）、蒸馏/加速方案全部未披露。Imagen 4 Fast 的「快」按官方仅说是「built for speed / low-latency」，未公开其加速手段（是否步数蒸馏 / 蒸馏小模型 / 缓存均未说明）。
  • GPT Image 1 mini：作为 gpt-image-1 的「cost-efficient version」，其训练/蒸馏细节未披露。可确证的只有：与 gpt-image-1 共享同一套「原生自回归图像生成 + 安全栈」，并继承系统卡描述的安全后训练（chat 模型层 refusal + prompt blocking + output blocking + 安全推理监视器）。OpenAI 默认不使用客户 API 数据训练。

Infra（训练 / 推理工程）

  • 训练侧：两个档位的算力规模 / GPU·时 / 并行策略 / 精度 / 吞吐——均未披露。
  • 推理 / 部署形态（这才是本条目的实质）：两者都是纯托管 API，无开源权重、无本地部署。
    • Imagen 4：Gemini API + Google AI Studio；GA 后三档并存（Fast / 标准 / Ultra，Ultra GA 初期文案仍标 preview/限单图，以官方变更日志为准）；所有产物打 SynthID 不可感知水印（DeepMind 的内嵌水印技术）。
    • gpt-image-1-mini：OpenAI Images API（v1/images/generations / v1/images/edits），模型文档同时列出 v1/responses、v1/chat/completions、v1/batch 等端点；所有产物含 C2PA 元数据（可验证来源，行业标准），并配 OpenAI 内部「是否本产品生成」的检测工具（系统卡「Our approach to provenance」：C2PA metadata on all assets + internal tooling）。
  • 因此本条目的「infra 价值」集中在单位经济（unit economics）：把同代质量的单图边际成本压低约一个数量级，便于高并发批量生成场景规模化。

评测 benchmark（把效果讲清楚）

本条目两份一手发布材料（Google GA 博客、OpenAI 模型文档/4 月发布博客、系统卡）均未给出 FID / GenEval / DPG-Bench / HPSv2 / Arena ELO 等量化对比数字——它们是产品/价格公告，不是 benchmark 报告。能从一手源确证的「硬数字」是价格与规格，逐条列出（不编造质量分）：

价格（单位经济，全部来自一手源）

  • Imagen 4 Fast：$0.02 / 输出图（GA 博客原文 “$0.02 per output image”）。
  • gpt-image-1（参照，2025-04 博客）：文本输入 $5/M tok、图像输入 $10/M tok、图像输出 $40/M tok；约合低/中/高质量正方图 $0.02 / $0.07 / $0.19 每张。
  • gpt-image-1-mini（官方模型文档）：
    • token 价：文本输入 $2.00/M（缓存 $0.20）、图像输入 $2.50/M（缓存 $0.25）、图像输出 $8.00/M。对比 gpt-image-1 的图像输出 $40/M ⇒ 图像输出 token 价约为 1/5，与官方「约便宜 80%」口径一致。
    • 单图阶梯价（按质量×尺寸）：
      • Low：1024² $0.005；1024×1536 / 1536×1024 各 $0.006
      • Medium：1024² $0.011；1024×1536 / 1536×1024 各 $0.015
      • High：1024² $0.036；1024×1536 / 1536×1024 各 $0.052

质量/规格（一手源确证项）

  • Imagen 4：官方称较前代在文本渲染上有「实质性改进」；Imagen 4 / Ultra 支持最高 2K 分辨率。
  • gpt-image-1-mini：官方模型卡的相对定位标注为「Performance: Higher」「Speed: Slowest」——即在 OpenAI 图像档里偏质量但不是最快（“mini” 指便宜，不等于最快）。

安全侧量化（系统卡，针对 4o/gpt-image-1 原生生成，mini 共享同一安全栈）

  • 外部红队数据：仅系统缓解（prompt+output blocking）not_unsafe 0.955 / not_overrefuse 0.941；叠加 chat 模型 refusal 后 not_unsafe 0.971 / not_overrefuse 0.856。
  • 自动红队：系统缓解 0.969 / 0.899；叠加 refusal 0.975 / 0.830。
  • 真实场景：系统缓解 0.929 / 0.996；叠加 refusal 0.932 / 0.993。
  • 照片级人物分类器（child/adult 判别，评测集近 4000 张图）：系统卡只报 precision/recall（非单一 accuracy）——「Photorealistic person (adult or child)」n=2033，precision 0.905 / recall 0.99；「Photorealistic adult」n=919，precision 0.80 / recall 0.776；「Photorealistic child」n=1113，precision 0.80 / recall 0.97。

质量类基准对比（GenEval / DPG / Arena ELO 等）：两家一手发布材料均未报告，故此处不列任何质量分数以免编造。

创新点与影响

  • 核心贡献（产品/商业，非算法）：把 2025 同代旗舰质量的 T2I 推到「$0.005–0.02/张」的价位，单位经济较各自旗舰档下探约一个数量级，使高并发、低单价的批量生成（电商主图、营销素材、批量个性化）在 API 上经济可行；并配齐合规水印/溯源（Imagen=SynthID，OpenAI=C2PA + 内部检测工具）。
  • 范式对照价值：同一「便宜档」诉求下，Google 走 latent diffusion（Imagen 4 Fast，加速手段未公开），OpenAI 走 原生自回归多模态（gpt-image-1-mini），是 2025 年两条主流 T2I 路线在「成本档」上的并行落地样本。
  • 影响：成本档下探加速了 T2I 从「单张创作」走向「生产管线 / agent 工具」的规模化使用；Google 侧随后把图像能力进一步并入 Gemini 原生多模态（gemini-3-pro-image-nano-banana-pro），Imagen 独立系列逐步被 gemini-flash-image / Nano Banana 取代。
  • 已知局限 / 信息缺口：两者均闭源、无权重、无技术报告；模型架构、参数量、训练/蒸馏/加速细节、训练数据构成、以及质量类 benchmark 数字均未披露——本条目能落地的硬事实主要是价格、规格与安全评测三类。gpt-image-1-mini 官方文案标 “Speed: Slowest”，说明「便宜」未必「最快」，对延迟敏感场景需实测取舍。

原始链接

一手源存档（sources/）

关系图谱

反向链接