先澄清标题中的事实：截至 2026 年 8 月 30 日，OpenAI 的官方模型目录没有名为“DALL-E 4”的公开产品。官方当前列出的图像生成与编辑模型是 GPT Image 2，对应 2026 年 4 月发布的 ChatGPT Images 2.0。
这并不妨碍我们讨论“零样本学习”。相反，名称混淆正好提醒我们：产品代号、模型架构和学习范式是三个不同层次，不能因为编号听起来更新，就假定它使用了某种特定技术。
## 什么叫零样本
在经典监督学习中，模型先看大量带标签的例子，再学习分类。例如要识别斑马，训练集里通常要有许多标成“斑马”的图片。
零样本学习要求模型在没有针对目标任务专门训练样本的情况下完成任务。CLIP 是直观例子：它从大规模图文配对中学习图像与语言的对应关系，面对新的分类数据集时，只要给出类别名称，就能把图片与文本描述放到同一个表示空间中比较。
这里的“零”不是模型从未见过任何相似内容，也不是没有预训练数据。它表示在执行这个特定下游任务时，没有再用该任务的标注样本更新模型参数。
因此，零样本能力更像迁移：模型把预训练中形成的概念关系带到新任务，而不是凭空发明知识。
## 图像生成里的零样本不是零样本分类
文本到图像模型接收一句从未见过的提示，也可能生成合理画面，人们常把这种现象称为零样本生成。但它和分类基准中的严格零样本设置并不完全相同。
生成模型在预训练时已经接触大量图像与文字关系。新提示通常是旧概念的新组合，例如“玻璃做的茶壶放在雪地里”。模型未必见过这张具体图片，却可能分别学过玻璃、茶壶、雪地和空间关系。
真正的挑战是组合泛化：能否把熟悉概念按新关系绑定，保持数量、位置、材质和动作一致。会画每个物体，不等于会正确组合它们。
## 从 DALL-E 3 到 GPT Image 2，变化不只是编号
DALL-E 3 的论文把提示理解问题部分归因于训练图像说明过于简短。研究团队先用更详细的合成说明重新描述训练图像，再训练文本到图像系统，并让语言模型把用户短提示扩展成更具体的描述。
这说明生成质量不仅取决于图像解码器，也取决于训练时图文对是否能精确表达关系，以及推理时提示怎样被解释。
后来，OpenAI 的图像产品线转向原生多模态模型和 GPT Image 系列。官方资料显示，GPT Image 2 同时支持文本输入、图像输入、图像输出，以及生成和编辑端点。它能在已有图片上执行修改，而不只是从随机噪声重新画一张。
模型名称改变反映的是产品与架构路线变化，不能简单推导出“DALL-E 4 一定存在”或“版本号越大，零样本越强”。判断能力仍要看公开模型说明和针对性测试。
## 怎样测试一台图像模型的零样本泛化
随便输入几个新奇提示，再挑最好看的结果，不能构成可靠评测。测试至少要把要求拆开。
第一类是对象覆盖：常见物体、罕见工具、不同地域器物能否被识别并呈现。第二类是属性绑定：红色是否给了正确物体，透明材质是否保留背后结构。第三类是空间和数量：左侧、内部、遮挡以及明确数量能否稳定满足。
第四类是跨风格保持内容。把同一场景改成纪实摄影、木刻或模型摄影时，主体关系是否仍然一致。第五类是编辑保持：只改变衣服颜色时，人物姿态、背景和光线是否被无意重画。
每个提示都应生成多个随机样本，并事先定义通过条件。否则评价者很容易把偶然的好图当成稳定能力。
## 为什么提示措辞会改变结果
CLIP 的公开研究已经指出，零样本分类会对类别措辞敏感。图像生成同样如此。“一只鹤”可能被理解为鸟，也可能被理解为起重机；“在杯子旁边”没有说明视角和距离，模型就会自行补全。
好的提示不是堆叠越多形容词越好，而是把可观察约束写清楚：主体是什么、各有几个、彼此在哪里、正在做什么、镜头从何处看，以及哪些元素必须保持不变。
若同一要求换一种措辞就完全失效，说明模型学到的可能是提示模板，而不是稳健概念。产品应保存提示版本、随机种子和输入图，才能复现问题并比较模型升级。
## 零样本不等于可靠
模型能响应陌生描述，不代表事实正确，也不代表所有概念覆盖均匀。训练数据较少的器物、语言和视觉传统可能更容易被简化成常见模板。计数、精细空间关系、长文字和多对象身份保持也经常比单主体画面更难。
此外，生成结果看起来逼真，只说明像素关系合理，不能证明其中的装置能工作、历史场景准确或科学结构正确。需要事实性的插图仍应由领域人员检查。
## 把三个问题分开
面对任何“某某新模型拥有零样本能力”的说法，可以依次问三件事：这个产品名是否在官方渠道存在；所谓零样本是分类、生成、编辑还是下游任务；评测是否在未见任务上重复测试，而不是展示少数精选图片。
按这套方法，“DALL-E 4”首先是一个需要纠正的名称，而零样本学习则是一种可以独立理解和测量的泛化方式。把两者分开，才不会被虚构版本号带着走，也能更准确地认识当前 GPT Image 2 真正能做什么。
## 参考资料