OpenAI hat seinen Bildgenerator ChatGPT Images umfassend überarbeitet. Die neue Version 2.0 soll Bildanfragen nicht mehr nur spontan deuten, sondern gezielter und strukturierter umsetzen.
Von der groben Annäherung zur gezielten Konstruktion
OpenAI beschreibt ChatGPT Images 2.0 als grundlegende Weiterentwicklung bei der Verarbeitung visueller Eingaben. Statt eine Anfrage nur grob zu interpretieren, soll die KI Bilder nun bewusster aus einem Verständnis der Aufgabe heraus konstruieren. In einem Livestream betonten CEO Sam Altman und sein Team, die generierten Bilder näherten sich nun eher einer Antwort an, die aus der Bedeutung der Eingabe abgeleitet wird, statt einer lockeren Annäherung daran.
Altman nannte Images 2.0 „einen riesigen Schritt nach vorn“ und verglich den Sprung mit dem Wechsel von GPT‑3 auf GPT‑5. Er hob insbesondere die gestiegene Fähigkeit hervor, sehr ansprechende Bilder zu erzeugen, und lobte die Arbeit des Entwicklungsteams.
Am sichtbarsten wird der Fortschritt in Bereichen, in denen frühere Bildmodelle häufig scheiterten. Deutlich lesbarer Text in Bildern ist ein zentrales Beispiel. Poster, Menüs, Präsentationsfolien und andere Layouts, die auf klaren Schriftzügen beruhen, galten bisher als unzuverlässig. Verzerrte Buchstaben, schwankende Abstände und dadurch verlorene Bedeutung waren typische Probleme.
Mit ChatGPT Images 2.0 soll die Struktur sicherer getroffen werden. Wenn Ihr ein Layout mit klar definierten Elementen an bestimmten Positionen beschreibt, ist die Wahrscheinlichkeit gestiegen, dass das Ergebnis dieser Vorgabe entspricht. Offensichtlich behandelt das Modell die Eingabe weniger als grobe Anregung und stärker als Anweisung.
Auch in kleineren Details zeigt sich das Update. Mehrere Bilder aus derselben Idee bleiben eher visuell konsistent, etwa indem eine Figur wiedererkennbar bleibt oder ein Stil über eine ganze Bildserie hinweg gehalten wird.
„Denken“ vor dem Bild: neue Zwischenstufe beim Generieren
Die wichtigste Neuerung ist ein zusätzlicher Denkschritt vor der eigentlichen Bilderzeugung. ChatGPT Images 2.0 analysiert eine Anfrage zunächst, bevor es ein finales Bild berechnet. Praktisch bedeutet das: Die KI zerlegt die Eingabe in Teilaufgaben, ordnet sie und entscheidet, wie diese Elemente zusammenpassen sollen. Anschließend entsteht ein Bild, das auf diesem internen Plan basiert.
Dabei kann das System zusätzliche Kontexte nutzen, etwa hochgeladene Dateien oder weitere Quellen im Netz. Die Generierung dauert dadurch etwas länger, soll aber zu besseren Ergebnissen führen und Euch im Alltag Wiederholungen ersparen.
Damit nähert sich die Bildgenerierung dem Verhalten fortgeschrittener Textmodelle an. Der Ablauf ist nicht mehr rein reaktiv, sondern interpretativ. Das Ergebnis spiegelt eine Abfolge einzelner Entscheidungen statt eines einzigen Durchlaufs wider. Besonders bei komplexen Anfragen mit mehreren Ebenen – etwa mehrteiligen Designs oder Bildfolgen mit erzählerischem Charakter – soll das System die Bestandteile zuverlässiger zusammenhalten.
Offener Schlagabtausch mit Gemini bei Multimodalität
Im Wettbewerb um multimodale KI-Anwendungen positioniert OpenAI ChatGPT Images 2.0 als stärkeren Gegenpol zu Google Gemini. Gemini setzt stark darauf, Text, Bilder und Kontext in einem System zu verbinden und quer über verschiedene digitale Ökosysteme zu nutzen. Bislang wirkten die Bildausgaben von Gemini im direkten Vergleich oft überlegen, doch OpenAI sieht die Lücke nun kleiner.
Vor allem die verbesserte Logik rund um Schrift und strukturierte Inhalte soll ChatGPT näher an die Stärken von Gemini heranführen. Ein klarer Sieger ist damit zwar nicht ausgemacht, doch OpenAI sieht sein System nun in mehr Bereichen auf Augenhöhe. Textmodelle haben bereits gezeigt, wie flüssig und kontextbewusst Antworten ausfallen können. Wenn ähnliche Fähigkeiten in die Bildgenerierung einfließen, rücken Schreiben und Visualisieren näher zusammen: Beide greifen dann auf ein gemeinsames Verständnis im Hintergrund zu.
Für die meisten Nutzer:innen zählen letztlich weniger die technischen Details als eine reibungslose Nutzung und bessere Bilder. Kann sich ChatGPT Images 2.0 hier sichtbar absetzen, dürfte es für Google schwieriger werden, Anwender:innen in das eigene KI-Ökosystem zu holen oder dort zu halten.
