ChatGPT Image Prompt Generator: Von der 4o-Bildgenerierung zu Images 2.0

Veröffentlichungsgeschichte: native 4o-Bildgenerierung, die API, dann Images 2.0

OpenAI führte im März 2025 die native 4o-Bildgenerierung in ChatGPT ein und positionierte sie als leistungsfähigeren Nachfolger der DALL·E-3-Ära in Bezug auf Fotorealismus, Bildtransformation, detaillierte Anweisungen und Text in Bildern. Im April 2025 wurde dieselbe Generierungsfähigkeit als gpt-image-1 für Entwicklerinnen und Entwickler verfügbar. GPT-Image-1.5 folgte im Dezember 2025 mit stärkerer Instruktionsbefolgung, präziserer Bearbeitung, besserer Darstellung von dichtem Text und schnellerer Generierung.

Am 21. April 2026 stellte OpenAI ChatGPT Images 2.0 sowie einen optionalen Denkmodus in ChatGPT vor. Die Veröffentlichung positioniert das neue System um stärkeres Weltwissen, komplexere Bildinhalte, dichteren Text und bewussteres Planen. Halten Sie Produktname, ChatGPT-Modus und API-Modellbezeichnung auseinander: Es handelt sich um verwandte, aber nicht austauschbare experimentelle Bedingungen.

Was am Workflow technisch besonders ist

Das zentrale Produktverhalten ist multimodale Instruktionsbefolgung. Sie können eine generierte Szene anfordern, ein vorhandenes Bild bereitstellen und eine lokale Änderung verlangen, oder iterativ ausgewählte Details bewahren, während andere transformiert werden. Das macht den Prompt weniger zu einer Liste von Stil-Tags und mehr zu einer Bearbeitungsspezifikation: Bestimmen Sie das Ziel, benennen Sie die Änderung, und benennen Sie explizit, was stabil bleiben muss.

Für Images 2.0 dokumentiert OpenAI einen Denkmodus, der Reasoning und Tools nutzen kann, um eine Ausgabe zu planen und zu verfeinern, einschließlich Live-Websuche in unterstützten Produktabläufen. Das kann komplexe Arbeiten verbessern, ist aber auch ein anderes Systemverhalten als die sofortige Generierung. Ein fairer Vergleich muss festhalten, ob der Denkmodus aktiviert war, ob externe Informationen genutzt wurden und ob eine Ausgabe einmalig generiert oder über eine mehrstufige Konversation verfeinert wurde.

Was der technische Bericht betont: Sicherheit ist Teil des Systems

Die System Card von ChatGPT Images 2.0 ist kein Paper zur Modellarchitektur. Sie konzentriert sich auf das Verhalten im Einsatz: die neuen Risiken, die durch größeren Realismus entstehen, die Evaluation schädlicher Bildanfragen und die Schutzmaßnahmen vor und nach der Generierung. Der dokumentierte Stack umfasst vorgelagerte Textklassifikatoren, Prüfungen von Bildeingaben und einen sicherheitsfokussierten multimodalen Monitor, der generierte Ausgaben vor der Anzeige überprüft.

Die adversarielle Evaluation des Berichts ist gerade deshalb nützlich, weil sie End-to-End-Ergebnisse berichtet. Im veröffentlichten Test mit anspruchsvollen Prompts erzielte die Standardkonfiguration von Images 2.0 nach dem kombinierten Sicherheits-Stack eine Safe-Output-Rate von 99,1 %; die Denkmodus-Konfiguration meldete 99,2 %. Das sind Sicherheitsmessungen an einem bewusst adversariellen Datensatz, keine Bildqualitätswerte und keine Schätzungen der Fehlerrate normaler Nutzerinnen und Nutzer. Verwenden Sie sie nicht als Beleg dafür, dass ein künstlerischer Prompt zu 99 % korrekt ist.

Herkunft, Richtlinien und Prompt-Zuverlässigkeit

OpenAI dokumentiert C2PA-Metadaten und ein nicht wahrnehmbares Wasserzeichen als Herkunftsnachweise für ChatGPT Images 2.0. Diese Maßnahmen helfen nachgelagerten Systemen, Herkunftssignale zu erkennen, machen ein generiertes Bild aber nicht selbstverifizierend und garantieren nicht, dass Metadaten jeden Exportpfad überstehen. Behandeln Sie Herkunftsnachweise als mehrschichtiges Signal, nicht als Ersatz für Offenlegung oder redaktionelle Prüfung.

Sicherheitsverhalten ist auch ein Produktionsmerkmal. Wenn ein Workflow Persönlichkeiten des öffentlichen Lebens, Minderjährige, medizinische Anweisungen oder sensible Ereignisse berührt, messen Sie Ablehnungs- und sichere Umleitungsverhalten neben der Renderqualität. Ein Prompt-Generator, der routinemäßig unbrauchbare oder richtlinienwidrige Formulierungen vorschlägt, ist von geringerer Qualität, selbst wenn seine erfolgreichen Beispiele stark aussehen.

Ein Benchmark, der Prompt-Formulierungen tatsächlich vergleichen kann

Erstellen Sie eine Testsuite mit eingefrorenen Eingabebildern und Erfolgskriterien, bevor Sie generieren. Beziehen Sie textlastige Assets, Bearbeitungen von Produktetiketten, erhaltungssensible Porträtbearbeitungen, räumliche Beziehungen, mehrsprachige Typografie und sichere, aber anspruchsvolle Anfragen ein. Generieren Sie mehrere Durchläufe pro Bedingung. Protokollieren Sie für jeden Durchlauf die genaue Konversation, den Modus, die Anzahl der Runden, die Modelloberfläche, das Datum und jede manuelle Nachbearbeitung.

Bewerten Sie dann separate Dimensionen: Einhaltung der Anweisungen, Erhalt geschützter Details, Lesbarkeit, Bildrealismus oder Stiltreue, Lokalität der Bearbeitung und Sicherheitsergebnis. Veröffentlichen Sie Erfolgsquoten nach Aufgabenfamilie statt einer einzigen vermischten Zahl. Das legt den Kompromiss offen, der in der echten Arbeit zählt: Ein Modell kann bei einem Poster mit Text exzellent sein und gleichzeitig weniger zuverlässig darin, ein Gesicht über mehrere Bearbeitungen hinweg zu bewahren.

• Verwenden Sie Exact-Match- oder Character-Error-Rate-Prüfungen für spezifizierten sichtbaren Text, mit menschlicher Überprüfung von Typografie und Platzierung.
• Verwenden Sie nebeneinandergestellte, verblindete Bewertungen für die ästhetische Qualität; lassen Sie die bewertende Person nicht sehen, welche Prompt-Vorlage das Bild erzeugt hat.
• Messen Sie die Lokalität der Bearbeitung mit einer Checkliste geschützter Elemente, nicht nur mit globaler visueller Ähnlichkeit.
• Berichten Sie Ablehnungen getrennt von fehlerhaften oder minderwertigen Ausgaben, damit eine Sicherheitssperre nicht fälschlich als Rendering-Fehler eingestuft wird.

Wie man Prompts schreibt, die Iterationen überstehen

Stellen Sie das Ergebnis voran und legen Sie dann Invarianten fest. Bei einer neuen Generierung: Motiv, Szene, Komposition, Licht, Typografie und Ausgabeformat. Bei einer Bearbeitung: zuerst die gewünschte Änderung, dann die visuellen Elemente, die sich nicht verändern dürfen. Vermeiden Sie widersprüchliche globale Adjektive wie „minimalistisch, aber vollgepackt mit Details“, es sei denn, Sie erklären, wohin dieses Detail gehört.

Arbeiten Sie bei komplexen Assets in Durchgängen. Legen Sie zuerst Komposition und Hierarchie fest; verfeinern Sie zweitens Text und Materialien; fordern Sie drittens eine begrenzte Korrektur an. Dieser Ansatz macht Fehler diagnostizierbar und liefert eine aussagekräftigere Evaluationsspur, als wiederholt zu verlangen, ein Bild solle „besser“ werden.