GPT Image 2 不只是一款文生图模型。它同时面向图像生成与编辑，可以根据文字创建图片，也能利用参考图保留产品、人物或品牌元素，再修改背景、风格、布局与画幅。
真正决定产出质量的，通常不是把提示词写得更长，而是把创意需求写成清晰简报：图片用于哪里、给谁看、哪些元素必须保持不变、需要什么尺寸，以及怎样才算通过审核。当任务反复出现时，再把这些规则固化成可复用流程，才能稳定生成适合发布的素材。
核心结论
| 问题 | 结论 |
|---|---|
| GPT Image 2 能做什么？ | 从文字生成图片，也能基于一张或多张参考图完成编辑、合成和局部重绘。 |
| 最适合哪些场景？ | 产品广告、博客头图、社交媒体素材、海报、品牌视觉、UI 概念图和参考图编辑。 |
| 提示词怎样写更有效？ | 写成创意简报，明确用途、主体、构图、风格、文字、尺寸、保留项和禁用项。 |
| 能否生成透明背景？ | 可以请求透明背景，但该能力仍处于预览，应检查边缘和 alpha 通道。 |
| 还存在哪些限制？ | 精确文字排版、跨图一致性、复杂布局和细粒度位置控制仍可能出错。 |
| 如何降低成本？ | 草稿阶段使用低质量和较小尺寸，只对通过方向评审的版本生成高质量成片。 |
GPT Image 2 实际能做什么
GPT Image 2 的直接模型 ID 是 gpt-image-2，默认快照为 gpt-image-2-2026-04-21。它接收文字和图片，输出图片，核心能力可以分为四类：
- 从零生成：根据文字简报创建产品图、插画、头图、海报或概念视觉。
- 参考图编辑：以产品、角色、包装或风格参考为基准，修改场景与构图。
- 局部重绘：配合遮罩指出需要替换的区域，用于移除物体、补充元素或改变局部材质。
- 批量与流式生成：批量处理重复任务，或在最终图片完成前返回部分预览，改善等待体验。
对于一次性的单图生成或编辑，直接使用 Image API 最简单。需要对话式迭代、连续修改和多步工具流程时，可以使用支持图像生成工具的 Responses API。后者由主模型调用图像工具，不是把 gpt-image-2 直接填进 Responses 的模型字段。
适合优先尝试的场景
- 带指定产品和可读标题的电商广告。
- 与文章主题、读者和品牌色一致的博客头图。
- 同一活动的方形、竖版和横版系列素材。
- 依据功能说明快速探索 App、网页或仪表盘视觉。
- 在保持主体身份的前提下替换背景、灯光或画面风格。
- 根据多张参考图合成产品套装、陈列场景或品牌情绪板。
一份有效提示词需要包含什么
弱提示词通常只有“生成一张漂亮的产品图”。它没有说明用途、受众、画幅、必须保留的细节，也没有定义什么算失败。更稳定的提示词应至少包含下面八项：
| 字段 | 要回答的问题 |
|---|---|
| 用途 | 这是博客头图、广告、海报、商品详情页还是内部概念图？ |
| 主体 | 画面中最重要的对象是什么？ |
| 受众 | 图片面向消费者、开发者、企业客户还是儿童？ |
| 场景 | 主体处于什么环境，背景需要多复杂？ |
| 风格 | 摄影、编辑插画、3D、手绘或其他视觉语言？ |
| 构图 | 画幅、视角、主体位置和留白如何安排？ |
| 必须保留 | 产品形状、人物身份、logo、包装文字或品牌色中哪些不能变？ |
| 禁用项 | 不允许出现哪些文字、物体、变形、水印或虚构信息？ |
涉及图中文字时，应逐字提供最终文案，并限制文字数量。较长的价格表、法律声明或精密 UI 不适合完全交给图片模型生成，通常应先生成无字底图，再用排版工具叠加文字。
三套可复用的提示词模板
下面的模板把原本宽泛的创意请求改写成可检查的任务。方括号中的内容需要替换为实际信息。
产品广告提示词
当已有产品图片，并且需要保持包装与颜色准确时，可以这样写：
为 [产品名称] 创建一张 1:1 产品广告。
把上传的产品图作为唯一准确参考，保持产品形状、颜色、材质、包装和 logo 不变。
将产品放在干净的影棚台面上，使用柔和日光、真实阴影和精致的电商摄影风格。
标题必须逐字写为：“[标题]”。
辅助文案必须逐字写为：“[优惠信息]”。
构图层级清晰，产品是唯一视觉主体。
禁止扭曲包装、添加虚构成分、修改 logo、生成水印或加入其他文字。
生成后不要只检查“好不好看”，还要放大核对包装边缘、logo、容量、价格、卖点与小字。任何事实性错误都应视为不合格，而不是装饰瑕疵。
博客头图提示词
当图片需要服务于文章，而不是独立展示时，可以这样写：
为标题为“[文章标题]”的文章创建一张 16:9 博客头图。
读者是 [目标读者]，主题是 [文章主题]。
采用干净的编辑视觉风格，用一个明确的视觉隐喻表达 [核心概念]。
画面主体放在右侧，左侧保留足够的干净空间供网页标题使用。
使用品牌色 [颜色]，同时保持自然对比和清晰焦点。
图片内部不生成文章标题，不添加随机文字、logo 或水印。
博客图片的目标不是塞入所有信息，而是建立主题和视觉入口。把标题留给网页排版，通常比要求模型在图中生成长标题更可靠，也更方便适配移动端。
多渠道活动素材提示词
当同一个创意需要适配多个渠道时，不要让模型独立设计三次。应先锁定共同视觉规则，再改变构图：
围绕 [活动主题] 创建三张协调一致的视觉素材：
1. 一张 1:1 方形社交图片；
2. 一张 9:16 竖版故事图片；
3. 一张 1.91:1 横版信息流图片。
三个版本必须使用同一产品、品牌色、灯光、材质和整体氛围。
根据每种画幅重新安排主体与留白，不要简单裁切同一张图。
只在合适位置使用这句文字：“[短文案]”。
不得添加其他标语、虚构功能、logo 变体或水印。
如果跨版本一致性很重要，应把已通过审核的第一张图继续作为后续版本的参考，而不是仅重复使用文字提示词。
图像编辑：先声明什么不能改变
编辑任务最常见的问题，是模型完成了背景替换，却同时改变了主体。一个稳妥的编辑提示词应按下面顺序组织：
- 指定哪张图片是编辑目标、哪些图片只是参考。
- 明确唯一允许改变的区域或属性。
- 列出必须保持不变的身份、姿势、形状、文字、颜色和边缘。
- 描述新背景、灯光或替换物体应怎样与原图匹配。
- 最后列出不允许新增的元素。
例如，替换产品背景时可以写：
只把背景替换为清晨的浅灰色影棚环境。
保持产品本体、轮廓、比例、包装、logo、标签文字和相机视角完全不变。
新背景的光线方向与原图一致，在产品底部添加自然接触阴影。
不要修改产品，不要添加道具、人物、额外文字或水印。
需要精确控制区域时，可以提供与原图尺寸一致、带 alpha 通道的遮罩。遮罩能帮助模型理解编辑范围，但编辑仍由提示词驱动，因此“只改哪里、保留什么”仍要写清楚。
尺寸、质量与输出格式
GPT Image 2 支持灵活分辨率。常用尺寸包括 1024x1024、1536x1024、1024x1536、2048x2048、3840x2160 和 2160x3840。自定义尺寸需要同时满足：
- 最长边不超过 3840px。
- 两条边都是 16 的倍数。
- 长短边比例不超过 3:1。
- 总像素位于 655,360 到 8,294,400 之间。
质量可选 low、medium、high 或 auto。低质量适合缩略图、方向探索和快速草稿；中高质量适合已经通过构图评审的最终素材。超过 2560x1440 总像素的高分辨率输出仍应视为实验性能力，发布前要特别检查细节。
默认输出格式为 PNG，也可以请求 JPEG 或 WebP。JPEG 通常返回更快；JPEG 与 WebP 还能设置压缩比例。透明背景处于预览状态，应使用 PNG 或 WebP，不能使用 JPEG，并在深色与浅色背景上分别检查边缘。
图片成本如何估算
图片成本由文字输入、编辑时的参考图片输入，以及最终图片输出共同组成。参考图会以高保真方式处理，因此多图编辑的输入成本可能明显增加。
以下是官方文档在 2026 年 8 月列出的常用尺寸单张图片输出估算，不包含输入 tokens：
| 质量 | 1024x1024 | 1024x1536 | 1536x1024 |
|---|---|---|---|
| Low | $0.006 | $0.005 | $0.005 |
| Medium | $0.053 | $0.041 | $0.041 |
| High | $0.211 | $0.165 | $0.165 |
成本控制不应从压缩最终成片开始，而应减少无效高质量生成：先用 low 验证概念和构图，选定方向后再以目标尺寸生成 medium 或 high。如果使用流式部分图片，每张部分预览也会增加输出 tokens。
从一次生成变成可重复工作流
提示词解决的是一次任务，工作流解决的是每周都会发生的任务。一个可复用的图片工作流可以拆成七步：
- 读取简报：获得用途、受众、渠道、品牌规则和截止时间。
- 准备参考资料：确认哪些产品图、人物图、logo 和色板是可信来源。
- 生成方向：先制作少量低质量草稿，比较构图与视觉概念。
- 锁定不变量：确定主体、文案、颜色和各画幅之间必须一致的元素。
- 生成成片：只对通过方向评审的方案使用目标尺寸和较高质量。
- 自动检查：核对尺寸、格式、文件大小、命名和必需版本是否齐全。
- 人工验收：检查文字、身份、产品形状、品牌规则、事实准确性和版权风险。
建议固定的输入字段
- 任务名称与素材用途。
- 目标读者和发布渠道。
- 主提示词与禁用项。
- 参考图及每张图片的用途。
- 必须逐字出现的文案。
- 目标尺寸、格式与质量。
- 文件命名和保存目录。
- 审核标准与失败后的处理方式。
这些字段可以固化为表单、脚本、模板或 Agent 技能。关键不在于使用哪种自动化工具，而在于每次运行都接收同样结构的输入，并执行同样的质量检查。
发布前检查清单
视觉质量
- 主体是否清晰，画面层级是否符合用途？
- 手、脸、反射、阴影、边缘和小物体是否自然？
- 画面是否出现多余对象、随机符号或伪文字？
参考一致性
- 人物或角色是否仍可识别？
- 产品形状、包装、颜色和 logo 是否保持准确？
- 多个画幅是否属于同一套视觉，而不是三个无关方案？
内容与交付
- 图中文字是否逐字正确、可读且未被裁切？
- 尺寸、比例、格式、透明通道和文件大小是否正确？
- 文件名、alt 文本和版本标识是否完整？
- 是否经过内容安全、品牌、版权和事实审核？
已知限制
GPT Image 2 的文字能力和指令遵循已经提升，但仍不应跳过审核：
- 复杂提示可能需要较长处理时间，极端情况下可接近两分钟。
- 小字号、长文案和精确文字位置仍可能出错。
- 角色、产品和品牌元素跨多次独立生成时可能发生漂移。
- 对严格网格、复杂信息图和像素级位置的控制并不总是可靠。
- 遮罩和参考图可以提高控制力，但不能保证每个未编辑区域完全不变。
对于必须完全准确的文字、logo、价格、法规说明和 UI 组件，建议让模型负责底图、素材和创意探索，再由设计或排版工具完成最终组合。
常见问题
GPT Image 2 与 ChatGPT 的图片功能是一回事吗？
不完全是。GPT Image 2 是可以通过 Image API 直接选择的图像模型；ChatGPT 图片功能是面向最终用户的产品体验，具体模型选择和交互方式由产品端管理。
GPT Image 2 与 DALL-E 3 的主要区别是什么？
DALL-E 3 主要围绕文字生成图片。GPT Image 2 更强调详细指令、参考图片、高保真编辑、局部重绘、灵活尺寸和生产工作流，更适合需要重复修改与交付的任务。
每个任务都需要自动化吗？
不需要。一次性概念探索、偶发配图或风格测试，手动生成更直接。只有当输入、步骤、输出格式和审核标准开始重复时，才值得把流程做成模板或自动化任务。
最终结论
GPT Image 2 的价值不只是生成更漂亮的图片，而是把生成、参考图编辑、局部重绘和多尺寸交付放进同一套生产流程。对于产品广告、内容配图、品牌素材和 UI 探索，它能够显著缩短从简报到初稿的时间。
想得到稳定结果，仍然需要三件事：结构化提示词、明确的不变量和严格的发布前检查。先用低成本草稿验证方向，再生成高质量成片，并把成熟模板固化为可重复流程，通常比不断重写一个模糊提示词更有效。
