Echo-4o：利用GPT-4o合成图像提升图像生成性能

近期，GPT-4o 凭借其在图像生成任务中的出色表现引发广泛关注，而开源模型在此方面仍存在明显差距。已有若干研究尝试通过蒸馏 GPT-4o 生成的图像数据来提升开源模型的性能，取得了显著进展。然而，一个关键问题仍待解答：既然现实世界中的图像数据集本身已是高质量数据的天然来源，为何还需使用 GPT-4o 生成的合成数据？在本研究中，我们识别出合成图像的两大优势。其一，它们能够补充现实数据集中罕见的场景，例如超现实幻想图像或多参考图像生成，这类需求在用户查询中频繁出现；其二，合成图像提供了清晰且可控的监督信号。相比之下，真实世界数据常包含复杂的背景噪声，且文本描述与图像内容之间存在固有的不一致性，而合成图像则具备纯净背景和长尾分布的监督信号，有助于实现更精准的文本到图像对齐。 基于上述洞察，我们提出了 Echo-4o-Image，一个由 GPT-4o 生成的、规模达 18 万的合成图像数据集，旨在利用合成数据的优势，弥补现实世界数据覆盖的盲区。基于该数据集，我们对统一的多模态生成基线模型 Bagel 进行微调，构建出 Echo-4o 模型。此外，我们还提出了两个新的评估基准，以实现更准确且更具挑战性的图像生成能力评测：GenEval++ 通过提升指令复杂度来缓解评分饱和问题，而 Imagine-Bench 则专注于评估模型对想象力内容的理解与生成能力。 实验结果表明，Echo-4o 在多个标准基准上均展现出强劲性能。更重要的是，将 Echo-4o-Image 应用于其他基础模型（如 OmniGen2、BLIP3-o）时，均在多个指标上实现了稳定且一致的性能提升，充分体现了该数据集出色的可迁移性。