GPT-Image-2 提示技巧与案例

2026-09-10

ChatGPT Images 2.0（OpenAI 图像生成模型，内部代号 GPT-Image-2）正式发布，定位从「创意工具」转向「可用输出的视觉工作流平台」。

这是 OpenAI 第一次把「会思考」装进图像模型，之前只有 Google 的 Nano Banana Pro 做到了这件事。

核心变化

• 会思考了：先推理再生成，复杂任务可以边想边上网查资料，不是一步出图
• 一次出 8 张连贯图：人物、物体、风格跨图保持一致，多格漫画、故事板、多图系列一次搞定
• 文字不糊了：小字、UI 元素、图标能精确渲染，TechCrunch 实测做餐厅菜单直接能用
• 中日韩印孟语排版稳了：非拉丁字符渲染明显改进，海报里可以直接嵌日语、印地语、孟加拉语
• 尺寸任你选：从 3:1 超宽幅到 1:3 超高清全覆盖，横幅、竖屏、手机截图、书签直接出
• 2K 高清能送印：API 上限 2K 分辨率，大尺寸图比老版 GPT Image 1.5 还便宜
• Arena 三榜全 #1：第三方评测平台 Image Arena 上文生图、单图编辑、多图编辑全部登顶，文生图比第二名 Nano Banana 2 高 242 分，官方说是历来最大差距

OpenAI 在官方博客里给这次升级的定调是：「图像是一种语言，不是装饰。一张好图做的事跟一句好话一样，选取、排列、揭示。」

下面这张图是 GPT 自己介绍自己，也是它自己生成的：

把「思考」塞进画图里

思考模式是这次最大的变化。以前的图像模型是一步到位，你给 prompt，它渲染成像素。ChatGPT Images 2.0 的思考模式不一样，它会先把任务拆开分析，必要时打开搜索查资料，然后再生成。

打开思考模式之后，能做以前做不到的三件事。

一次出最多 8 张连贯图。过去做一套故事板，得一张一张出，最后人脸风格对不上、物件不一致再手动 P 图。现在一个 prompt 丢进去，8 张图里的主角长相、服装、画风都能保持一致，像一本小册子一次印出来。

生成前搜网。思考模型可以边想边联网查最新信息。官方演示里有一个 prompt 是「帮我做 OpenAI 最新的周边商品海报」，模型会先搜一下官方商店有哪些新货，再画成一张产品拼图。这把图像生成从「凭记忆画」推到了「现查现画」。

提示内容：生成一张图展示生成前搜网能力，比如大疆刚发布的 pocket 4 新产品，你生成下它的详细介绍和图像展示。

自我检查。思考模式会在生成前后做多轮核对，比如问自己「我画的这个英文菜单有没有拼错字」，然后修正。有媒体在采访里问 OpenAI，ChatGPT Images 2.0 到底是扩散模型还是自回归模型，OpenAI 没回答。这跟之前 GPT-4o 那代图像模型一样，官方对底层架构一直没松口。

文字不糊了，多语言也稳了

早期图像生成模型普遍存在文字乱码问题，根本原因是扩散模型学到的是视觉纹理模式，文字只占图像极小一部分像素，模型没有真正理解文字结构。Images 2.0 把这个问题系统性地解决了。

具体覆盖范围：

• 小字：标注文字、说明文字、图表标签，不再变形或拼错
• 图标文字：按钮标签、徽章文字、界面元素中的文字
• UI 界面元素：模拟截图、产品界面图、应用原型图中的文字内容
• 密集排版：多段落、多列、高信息密度的版面，字符间距和行间距保持正确
• 微妙风格约束：不同字体风格、手写感、印刷感的还原
• 分辨率：API 端最高支持 2K 输出，文字清晰度得到保障

OpenAI 官方表述是「能够遵循指令、保留细节、渲染那些经常让图像模型崩塌的精细元素」。

Images 2.0 对非拉丁语系文字的支持是专项升级，覆盖语言包括：日语（平假名、片假名、汉字）、韩语（Hangul）、中文（简体、繁体）、印地语（天城文）、孟加拉语。

重点不只是把字符「写对」，而是让语言作为设计元素自然融入整体排版，标签和说明读起来像原生设计，不是翻译后硬塞进去的。这对做海报、教育图表、多语言品牌物料的用户来说是实质性的能力扩展。

提示词：生成一个超多文字的图像，多种语言在一起，展示你文字不糊了、多语言的能力，你自己发挥下，而且要好看、美观、整洁，有审美。

TechCrunch 拿同一个 prompt 测了 ChatGPT Images 2.0，画一张墨西哥餐厅菜单。出来的菜单直接能拿去餐厅用，拼写没错，价格合理，排版规整，顾客看不出来是 AI 画的。

这次在非拉丁文字上的改进更显著。日语、韩语、中文、印地语、孟加拉语这些以前经常糊成一团的文字，现在能直接嵌进海报和漫画里。OpenAI 给的一个案例是整页日语漫画，对白、拟声词、标题文字都清晰可读。

PetaPixel 的评测里指出，这不是单纯翻译能力变强，而是模型能把文字当成视觉设计的一部分来生成。比如一张印度语书店展示图，书脊上的南亚语言字体看起来是印刷排版出来的，不是贴图。

宽高比、分辨率、知识截止

具体参数层面有三个改动。

宽高比 从 3:1 超宽幅到 1:3 超高瘦全覆盖。做横幅广告、演示文稿幻灯片、海报、手机竖屏、书签、社媒图，不用再手动裁剪拼凑。

分辨率 API 上限给到 2K，超过 2K 的输出还在 beta，质量可能不稳。

知识截止 是 2025 年 12 月。这个参数影响模型对近期事件、新品牌、新 meme 的生成准度，2026 年之后的内容它不知道，所以涉及最近新闻的生成要靠思考模式联网补。

Image Arena 评测：三榜全 #1，文生图差距史上最大

第三方评测平台 Image Arena 在发布当天就把 GPT-Image-2 推到了三个主榜单的第一名。

三大榜单 #1：

• 文生图：1512 分，领先第二名 Nano-banana-2 带网页搜索变体（gemini-3.1-flash-image）242 分。Arena 官方说这是他们见过的历来最大差距
• 单图编辑：1513 分，领先第二名 Nano-banana-pro（gemini-3-pro-image）125 分
• 多图编辑：1464 分，领先第二名 Nano-banana-2 90 分

被超越的模型包括 Nano-banana-2、Nano-Banana-Pro 变体、MAI-Image-2、Reve-V1.5、Grok-Imagine-Image，这几乎是当前图像生成的第一阵营。

7 个文生图子类全部 #1，相对上一代 GPT-Image-1.5-High-Fidelity 的分数提升：

文本渲染提升最大，+316 分，肖像、卡通动漫、3D 这几个创作核心类别都有接近 +300 分的跃升，意味着做头像、插画、产品 3D 渲染这些场景，换 v2 差距肉眼可见。

Arena 给出的是相对位置的信号。OpenAI 在能力层跟进 Google 的思考模式路线，但单看榜单分数，GPT-Image-2 把 Nano Banana 全家以历来最大差距甩开。能力维度跟进、分数维度领先，两件事同时成立。

Instant 和 Thinking 两种模式

Images 2.0 分两个版本，面向不同场景。

Instant 模式

快速出图模式，适合对速度有要求、内容相对直接的任务。生成逻辑和以往类似，不做多步推理。

Thinking 模式

Images 2.0 的核心新能力，是 OpenAI 第一个带推理能力的图像模型。它在生成前会先分析任务、调用信息、做多步规划，再出图。

多图连贯输出（Thinking 模式专有）

以往生成多张图需要逐张请求，人物外貌、物件外观、色调风格很难保持一致，拼凑起来需要大量手工调整。Images 2.0 可以在一次请求里生成最多 8 张图，并在跨图之间保持：

• 角色一致性：同一人物在不同场景中外貌、服装、神态保持连贯
• 物件一致性：同一产品或道具在不同图里形态统一
• 叙事顺序：8 张图可以按顺序构建、互相衔接，适合分镜板、漫画条、视觉叙事

视觉风格保真度

Images 2.0 对各类视觉风格的还原精度全面提升，覆盖风格包括：

• 写实照片：包括微小瑕疵的还原，如镜头暗角、颗粒感、景深虚化，增加照片真实感
• 电影感截图：宽画幅、色调、光线特征的准确还原
• 像素艺术：像素对齐、色块边缘、低分辨率视觉特征
• 漫画风格（manga）：线条风格、网点、分格构图等日式漫画视觉语言
• 其他风格化语言：各类插画、设计风格的纹理、光线、构图特征更稳定

Thinking 模式（联网搜索、多图连贯输出、自我校验）仅限付费用户，免费用户只能用 Instant 模式。

API 价格，大尺寸变便宜，方图反而贵了

开发者可以通过 API 调 gpt-image-2，按 token 计价。

• 图像输入 $8 / 百万 token
• 图像输出 $30 / 百万 token
• 文字输入 $5 / 百万 token
• 文字输出 $10 / 百万 token

折算成单张图，约 $0.006 到 $0.211，具体取决于输出质量和分辨率。API 端分辨率 2K 标准，4K 目前为 beta。

单张成本按分辨率和质量分层，The Decoder 列了一张对比表。

看这张表会发现一个反直觉的事，1024×1024 方图高质量反而变贵了，0.211 美元比 1.5 的 0.133 美元贵 60%。但大尺寸 1024×1536 和 1536×1024 的高质量变便宜了，0.165 美元比 1.5 的 0.20 美元便宜 17.5%。

也就是说，做手机端横图、海报、插画这种长宽比偏的场景，用 v2 成本降了；做传统社媒方图，反而比老版贵。这个定价结构说明 OpenAI 想把 v2 推向成品海报、杂志版面这类场景，方图市场留给老模型。

Codex 里的集成更简单，图像生成直接出现在工作区里，不用另配 API Key。

一些案例展示

其实使用非常简单，描述你想要的就行，无需复杂的提示词；或者上传参考图 + 描述即可。

商品广告照片，适合夏天的季节商品，碳酸饮料，名称=“XX SODA”，形状=PET瓶500ml，研究2025年作为饮料广告的高CTA设计后设计并生成图像规格，宽高比3:4

一个超详细图文并茂的信息图，介绍高血压是如何形成的，要有图解

孙子兵法36计，详细讲解

生成一张日式的茶饮海报

写实的海报，真人赛龙舟，那种气势磅礴的画面加海报字

五一举牌标志

生成一张图像，展示长平之战的战况图，详细介绍长平之战

GPT-Image-2 使用技巧和提示词指南

一、基本提示词结构

GPT-Image-2 按顺序处理提示词，写在越前面的内容视觉权重越高。把主体埋在段落末尾，模型会失焦。推荐的八段式结构：

1. 核心主体：画面的主角是什么
2. 主体细节：材质、服装、纹理等具体属性
3. 动作和空间关系：主体在画面里的位置和状态
4. 场景和环境：时间、地点、背景元素
5. 光线设置：光源位置、色温、光线类型
6. 镜头规格：焦距、景深
7. 风格和介质：艺术风格或胶片类型
8. 约束条件：明确告诉模型不要做什么

fal.ai 整理的简化版模板（适合快速使用）：

Scene: [场景位置、时间、背景、环境]
Subject: [画面主体是谁或什么]
Important details: [材质、服装、纹理、光线、构图、镜头感、情绪]
Use case: [editorial photo / product mockup / poster / UI screen / infographic]
Constraints: [no watermark / no logos / no extra text / preserve face / preserve layout]

二、从头生成：核心原则

用视觉事实代替模糊赞美

避免这类词：stunning、incredible、epic、masterpiece、gorgeous、insane detail、ultra-detailed、photorealistic 8K。这些词不描述任何可渲染的东西。

改用具体的视觉描述：

• 光线：overcast daylight（阴天漫射光）、soft bounce light（柔和反射光）、cyan rim light from the left（左侧青色轮廓光）
• 材质：brushed aluminum（拉丝铝）、frosted glass（磨砂玻璃）、matte black silicone（哑光黑硅胶）、chipped paint（脱漆痕迹）
• 镜头感：85mm feel、shallow depth of field、background heavily blurred

风格标签要给出视觉目标

弱（无法渲染）：

minimalist brutalist editorial luxury cinematic modern premium

强（有具体视觉指向）：

cream background, heavy black condensed sans serif, asymmetrical type block, one hero object, generous negative space, studio tabletop lighting

说清楚真实意图

如果必须出现地铁站自助机，就写 transit kiosk；如果必须有可读的登机牌，就写 boarding pass；如果必须保留人脸，就写 preserve the face。情绪化描述会把关键指令埋掉。

三、图像编辑：修改已有图片

编辑模式（edit endpoint）的核心原则：先说保留什么，再说改什么。

模板：

Change: [精确描述要改变的内容]
Preserve: [face / identity / pose / lighting / framing / background / geometry / text / layout]
Constraints: [no extra objects / no redesign / no logo drift / no watermark]

顺序很重要。如果先写要改的，模型容易把「保留」部分当做次要条件随意修改。每次只改一个变量，多轮迭代比一次写一堆指令更稳定：

Make the light warmer.
Remove the extra chair on the left.
Restore the original wall texture.
Keep everything else the same.

不要这样写：

Make it more premium, more realistic, more stylish, change the outfit, fix the text, improve the background, and also keep everything.

四、多图参考合成

API 端最多支持 16 张参考图。使用多张参考图时，给每张图标注角色，然后在指令里引用角色标签：

Image 1: base scene to preserve（基础场景，保留）
Image 2: jacket reference（夹克参考）
Image 3: boots reference（靴子参考）
Instruction: Dress the person from Image 1 using the jacket from Image 2 and the boots from Image 3.
Preserve the face, body shape, pose, background, lighting, and framing from Image 1.
No extra accessories.

不标注角色直接写指令，模型会猜哪张是内容、哪张是风格参考，结果不可控。

五、文字渲染专项技巧

文字渲染是 GPT-Image-2 的强项，但有两个需要注意的地方。

精确文字用引号包裹

不要写「make a neon sign」，要写：

A glowing red neon sign reading "Open", centered at the top of the window

同时指定字体风格、大小、颜色和位置，避免模型自由发挥。

防止幻觉文字

如果画面里不该有多余文字，明确写进约束条件：

Constraints: no extra words, no duplicate text, no additional labels

复杂拼写或容易出错的词，可以在提示词里逐字母拼出来，比如 E-C-L-I-P-S-E。

六、光线和材质的专业写法

指定具体的光线物理参数，能让模型按正确的物理逻辑计算光线交互。

光线类型：

• harsh cyan rim light from the left（左侧强青色轮廓光）
• soft warm tungsten key light（柔和暖色钨丝主光）
• bright natural studio lighting from directly above（正上方自然棚拍光）

材质词汇：

• caustics（焦散，用于玻璃和液体的光线折射效果）
• frosted glass / crystal clear water / marble pedestal（具体材质名称）
• subtle film grain（轻微胶片颗粒感）

指定材质词汇会让模型计算对应的光物理交互，比笼统写「realistic」效果好得多。

七、背景控制

写「busy city street」（繁忙街道）会得到混乱抢镜的背景。控制背景的方法：

shallow depth of field
background heavily blurred to create soft bokeh
background: [具体颜色或简单描述], out of focus

如果要纯背景，直接写颜色和质地：

clean white seamless background
cream paper texture background
dark geometric gradient background in deep purples and neon blues

八、Thinking 模式的使用建议

Thinking 模式（付费用户专属）适合以下场景：

• 内容涉及近期信息，需要联网验证（比如某个真实地点、最新产品外观）
• 一次性要多张连贯图（分镜板、品牌系列物料、多格漫画）
• 构图复杂、有多个元素需要精确排版的场景

不适合 Thinking 模式的场景：

• 简单单张图，不需要推理
• 对速度有要求的交互场景
• 大批量生成（成本会高很多）

Instant 模式速度快、成本低，日常单张生成首选 Instant，只在真正需要推理和连贯多图时才用 Thinking。