本文来自微信公众号： 知危 ，编辑：大饼，作者：知危编辑部，原文标题：《新出的Image 2.5一致性狠到能做动图？能，但不稳定》
OpenAI最新发布的GPT-Image 2.5模型，最大的亮点，应该就是极稳定的一致性了。
它可以正确和精确执行用户的编辑需求，又不会带来额外的变化、画面漂移或是抖动。
因此，脑洞大开的网友发明出了一种邪修玩法，用ChatGPT Work（或Codex）结合GPT-Image 2.5，一次性生成多张图片用作视频帧，来做gif动图。
来源：https://x.com/8co28/status/2097423580229521849
要做出这种gif动图，一般是让GPT-Image 2.5生成一张图片，里面包含所有16帧镜头按4x4阵列排布，然后让ChatGPT Work将单张图切分成16张，再合成gif文件，在制作过程中，如果ChatGPT Work发现生成内容有偏差，还会进行修改。
还有一些更极致和烧token的做法，是每一帧画面都来自独立生成的图片，比如Higgsfield展示的这个案例，左边是GPT-Image 2生成的，可以看到明显的画面漂移，右边是GPT-Image 2.5生成的，已经丝滑到了视频级甚至实拍级的程度。
来源：https://x.com/higgsfield/status/2097555699832443050
GPT-Image 2.5的这种级别的稳定性能升级很多商业场景的体验，比如营销图片的微调，甚至能解锁给视频修帧的场景，也能极大减少对PS等专业软件的依赖。
当然，本着“测评就是找茬”的精神，知危还是打算探一探GPT-Image 2.5在gif这个邪修玩法下，能厉害到什么程度，或者在什么情况下会翻车。
我们会以一个人物作为主体，如下图，是仿照《爱丽丝漫游仙境》的元素画出来的粘土风格持剑少年。
测试场景分为两类，基础类和极限类。基础类包括动作、运镜、环境和空间、物理等类型，极限类是指模仿Higgsfield的案例来一个终极考验——变形金刚变身。
注意：在ChatGPT Work这个环境下，暂时无法确认使用的是基础的Sunburst模型，还是更具性价比的Flare模型。后面会提到，即便明确用GPT-Image 2.5 Sunburst Max，也不能保证结果是完美的。
首先是基础类测试中的动作类型，会包含三个场景：
简单踢腿动作；
主体自身静止并旋转360度；
两个主体的简单动作；
先来一个最简单的，让少年做一个踢腿动作，ChatGPT Work里调用的大语言模型是GPT-6 Astra（思考强度：high）。
提示词：
为我生成图中角色的定格动画风格的GIF表情包每一帧的图片。
具体而言，先生成一张图片后，再切分成一张张正方形的小图，切分时尽量切掉更多的空白，然后合成GIF动图。
使用4行x4列布局在一张图中共生成16个小图片。16个小图片呈现连贯的踢腿、收腿动作，使用这16张可以组成一个完整的、循环动画，动作流畅逼真，最后一帧应流畅地循环回到第一帧。
每张小图片的主体都不要超出所在小图片的画面区域。
生成结果如下，可以看到生成的踢腿动作还是很流畅的，也正确衔接回了第一帧形成了循环动画，主体各部分画面细节都没有出现随机漂移，跟网友分享的案例质量接近。
下图是裁切前的完整图像，包含了所有16个动作，也看不出有什么问题。
但如果把这个踢腿动作再复杂化，增加拔剑、挥砍动作，并把图片数增加到48张（3张原图，每张画16帧镜头），问题就出现了。
提示词：
为我生成图中角色的定格动画风格的GIF表情包每一帧的图片。
具体而言，先生成一张图片后，再切分成一张张正方形的小图，切分时尽量切掉更多的空白，然后合成GIF动图。
使用4行x4列布局在一张图中共生成16张小图片，总共生成3张大图，切分成48张小图片，每张大图最后一张小图承接下一张大图第一张小图的内容。48张小图片呈现主体连贯的侧踢腿、收腿、拔剑、挥砍的动作。使用这48张可以组成一个完整的、循环动画，动作流畅逼真，最后一帧应流畅地循环回到第一帧。
每张小图片的主体都不要超出所在小图片的画面区域。
生成结果如下，人物开始有比较明显的随机抖动。并且，可以明显地感受到，它还是容易犯图像生成模型经常犯的错误，也就是对非标准条件的错误处理。乍一看踢腿动作没问题，但拔剑和入鞘动作就有很明显的错误，毕竟这个姿势确实不是常规的拔剑预备姿势。
再来看下图具体的帧分解，就能发现另一个常见的错误，也就是人体的生物准确性错误，第6帧和第7帧之间出现了右腿换左腿的错误，第13帧和第14帧又反过来。
再来看看下一个场景，也就是“主体自身静止并旋转360度”场景下，会是什么效果。
生成结果如下，旋转动态并不是匀速的，视觉观感上也不丝滑，后半部分从侧身旋转回正面的时候有快速跳变，再观察脚部的旋转过程会有更明显的感受，头部有些微摆动，但至少头发这种复杂度极高的对象基本保持了一致。
但总体来说，画面稳定性还是比较强的。至于跳变可能也难以避免，毕竟只有16张图片，还是裁切出来的低像素图，而上述Higgsfield的案例用了60张高清图来呈现这个过程。
接下来是动作类型的最后一个场景“两个主体的简单动作”，这里需要对参考图片做一个修改，在右边增加一个微调过外观的持剑少年。
然后让他们做不一样的动作，左边的少年做踢腿动作，右边的少年做挥手动作。生成结果如下，出现了很明显的画面漂移，特别是水平方向上，看来同时处理两个主体确实增加了控制的难度。
接下来是基础类测试中的第二种也就是运镜类类型，包含两个场景：
镜头拉远和推近；
垂直环绕运镜；
第一个场景完成的不错，也不令人意外。
在第二个场景中，模型在处理从头顶绕到背后的时间节点的镜头时，出现了突兀的跳变，相当于让主体先旋转了180度再去拍摄他的背面。
在帧分解图中，可以看到是在处理第11帧的时候出现了跳变，这个节点确实也是相机拍摄中很少出现的机位，所以处理的不太好。实际上，模型采用了正确的拍摄角度，但把相机的上下位进行了翻转，造成了突变的效果。
但接下来的基础类测试的第三种也就是环境和空间类型会更难，这其中包含三个场景：
背景变化；
空间透视处理；
穿透三维空间；
在背景变化测试中，我们先把少年放入爱丽丝式仙境的背景中，然后让少年保持静止，背景中的蘑菇、树木、猫猫、兔子、扑克牌持续跳舞。
生成结果如下，这种设置其实类似前面处理两个主体条件下的情况，可以看到不参与跳舞的其它对象，特别是山体、城堡、月亮、树木等都无法保持静止不动。
接下来测试一下空间透视处理场景，让少年持剑挥向镜头，这时剑末端离镜头非常近，就会有明显的空间透视效应。
生成结果如下，对剑的透视处理确实做的挺好的，但画面的随机抖动变多了，持剑手的生物准确性有明显的错误，腿部的前后脚做了一致的放大，不符合空间透视中近大远小的原则。
最后一个穿透三维空间测试更是地狱级，我们先让少年出现在下图的小木屋门口，再让少年转身打开正门进入小木屋，最后右转从侧门走出来。
下图是小木屋内从正门看过去的视角，也会提供给模型做参考。
生成结果如下，首先视觉观感就太差，室内走动部分一帧带过，毫无动态可言，更不用说从侧门出来时还变换了镜头，虽然是常规的手法，但不符合我们的基本测试条件，即连续的帧变化。
所以，接下来要修改一下设置，和测试踢腿动作时类似，把图片数增加到48张，再要求模型采用一镜到底的运镜方式，并把思考强度提高到xhigh。
整体还是流畅了很多，至少有了一些定格动画的质感，只是第20帧到第21帧之间出现明显的跳变和错误，从动图中也能直观感受出来。但就从静态图像的角度来评估帧分解图的精细程度，用来做漫画或分镜设计应该有极大的潜力。
接下来是基础类测试的第四种也就是物理类型，包含两个场景：
流体流动；
弹性体跳动；
直接看结果即可，水被处理的像凝胶，篮球弹跳时有一瞬间不自然的变形，因为在第9帧中篮球在落地前就出现了不符合物理规律的竖直向拉伸。
到此，基础类测试基本完成了。
接下来是极限类测试，也就是动图或视频的每一帧都是单独生成的图片，每一秒包含10帧，视频时长为3到5秒，模型思考强度为xhigh。
在正式开始测试变形金刚案例前，先尝试还原Higgsfield展示的参考案例。
这类任务难度会大很多，耗时也长，前面的任务基本都能在5分钟内完成，但让“持剑少年原地旋转360度”这个任务就执行了30分钟，而实现效果则远达不到Higgsfield展示案例的丝滑程度。
把画风调整为更简单的线条和纹理后（皮克斯风格），也没有变得更好，甚至过程中出现了很明显的发型变化。
即便把图片数增加，从30张增加到72张，每秒达到了24帧，结果没有变好，反而更差（为降低难度刻意让模型生成分辨率更低的图像，但模型没有遵循，而是先生成高清图再压缩）。
暂时还不知道怎么继续优化输入条件，只能先换到变形金刚这个案例。在这个案例中，我们要求模型呈现从跑车到变形金刚的动态过程。
生成结果如下，变形金刚的变形过程做得倒是不错，整体没有严重的随机抖动。为了增加难度，不让模型走捷径，也要求它严格遵循机械变形的物理特性，至少前半部分是有遵循的，后半部分开始用流体性质的变形手法，这也是扩散模型机制绕过物理约束的常见手段了。
当然，最终形态距离提供的参考图还有一定距离。
测评结束！
总体来看，在基础类测试中，GPT-Image 2.5基本只擅长处理透明或纯色背景下单主体的简单动作和简单运镜，稍微增加一些难度，比如动作多一点，运镜刁钻一点，基本都会翻车，比如随机抖动，还很容易触发一些低级的错误，比如人体的生物准确性。
在极限类测试中，由于无法实现最简单的旋转动作，即便变形金刚案例的效果不算翻车，也无法保证其发挥是稳定的。
所以，综合观感其实是比较失望的，毕竟网上的案例太过惊艳，提高了期待值，而我们既没能还原已有的案例，也无法在更难的场景中收获足够的惊喜。
虽然不排除大量使用Flare模型而没有使用Sunburst的原因，但我们也简单尝试了在Lovart里先用GPT-Image 2.5 Sunburst Max生成帧分解图，再用ChatGPT Work切分和合成gif的做法，实际结果也是没那么完美，比如下图中，少年在旋转过程中会有明显的头部摆动。
最重要的是，即便最终能输出完美的结果，这也是GPT-Image 2.5和GPT-6 Astra合力的结果，不完全是GPT-Image 2.5的功劳。GPT-6 Astra会在执行过程中持续检查画面连续性，并修复有错误的部分图片。
当然，GPT-Image 2.5仍然达到了里程碑式的进步，毕竟这些基础动效过去需要用专业动画软件才能实现，这背后其实反映了图像生成工作流中最关心的指标即抽卡成功率——预计将会大幅提升，直接对应生产成本的下降。
还有一个隐含的优势是，GPT-Image 2.5在连续生成30到72张图像后，图像质量仍然保持一定水准，没有出现其它模型常见的多轮编辑后的大量模糊、噪点、线条扭曲等图片缺陷（甚至撑不到10轮编辑），从而可以更好支持深度工作。当然这一点没有经过直接验证，大家可以亲自试试。
GPT-Image 2.5发布之后，预计未来的图像模型竞争焦点，将是在长流程、多步骤、强约束任务中的稳定性和成本效益。