已验证70% 置信观点时间未知
GPT-Image-2很可能采用了原生多模态架构，文本理解和图像生成共享同一个Transformer骨干网络
4
来源数
70%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
实测GPT-Image-2：一句话出图效果炸裂，设计师该何去何从？
bilibili诸事皆顺god9
涉及实体
相关事实
待验证文章声称GPT-Image可以生成漫画/连环画序列76% 相似待验证新一代多模态模型通过统一的Transformer骨干网络将文字、图像、视频转化为同一向量表示空间进行推理，实现原生多模态理解73% 相似待验证Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理73% 相似待验证Codex 内置的 image_gen 技能可调用 GPT image 模型生成图片，computer use 插件包含操作 App、屏幕录制、键盘操作等72% 相似已验证多模态大模型通过视觉编码器（通常基于Vision Transformer架构）将输入图像分割为若干patch并编码为向量序列，与文本token在同一Transformer架构中进行联合注意力计算71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/25589API
curl https://kongchang.com/api/v1/knowledge/claims/25589MCP
get_claim(id=25589)