HiAPI
Blogue

Guia de uso

Prompts de edição de imagem para imagem gpt-image-2.6-sunburst prontos para copiar e colar

Manual prático de receitas para edição de imagens de referência: formulação de instruções, fidelidade do sujeito, substituição de fundo e listas negativas

Nov 17, 2026
Arte de capa para um guia: grandes prismas geométricos divididos em planos chapados de verde-pinheiro profundo, sálvia e verde-neblina sobre um fundo verde-escuro.
Nesta página

O que os prompts de imagem para imagem realmente controlam

Na geração de imagem para imagem, a imagem de referência faz a maior parte do trabalho. O prompt não é uma descrição do zero, mas um conjunto de instruções de edição sobrepostas à imagem de origem. Compreender essa divisão de trabalho é o divisor de águas entre um prompt que produz modificações previsíveis e um que desencadeia uma reinterpretação completa.

A imagem de referência fornece a pose, a geometria, a textura e a linha de base de iluminação do sujeito. O prompt fornece o incremento: o que deve mudar, o que deve permanecer inalterado e o que nunca deve aparecer. Quando você escreve o prompt como se o modelo estivesse gerando do zero, você compete com a imagem de referência e obtém resultados turvos. Quando o escreve como um contrato de edição, o modelo aplica suas alterações localmente e preserva o restante.

Um modelo mental útil divide o prompt em quatro funções:

  • Âncora de referência — uma frase curta que informa ao modelo qual parte da imagem é o sujeito e o que ele é.
  • Instrução de edição — a alteração concreta que você deseja, formulada como uma ação.
  • Regras de preservação — declarações explícitas de identidade, cor, forma e layout que devem permanecer inalterados após a edição.
  • Lista negativa — os modos de falha que você deseja suprimir.

Apenas a instrução de edição é realmente obrigatória, mas as outras três são a chave para tornar os resultados repetíveis. Um prompt como “deixe com efeito de estúdio” deixa o modelo adivinhar os limites do sujeito, a continuidade da iluminação e o tratamento das bordas. Já um prompt como “mantenha o tênis como único sujeito, troque o fundo por um fundo de estúdio sem emendas, preserve as cores e as costuras do sapato, não inclua objetos extras” fixa essas decisões.

É também por isso que apenas parâmetros não conseguem corrigir a fidelidade. Se o seu prompt não indica o que é o sujeito ou o que não pode se mover, nenhum ajuste de parâmetro produzirá saídas estáveis. Fidelidade é, antes de tudo, uma questão de formulação.

Quatro blocos de prompt — âncora de referência, instrução de edição, regras de preservação e lista negativa — convergem para uma única saída de edição.

O modelo de receita em quatro partes

A seguir está um esqueleto que pode ser usado com quase qualquer edição de imagem de referência. Cada bloco aborda um aspecto diferente da saída, e você pode ampliá-lo ou reduzi-lo conforme o risco da edição.

[reference anchor]: The reference image shows <subject> in <context>.
[edit instruction]: Change <target> to <desired state> by <method>.
[preservation rules]: Keep <identity cues>, <color>, <shape>, <layout> unchanged.
[negative list]: No <failure mode 1>, <failure mode 2>.

A seguir está um exemplo preenchido para uma foto de produto:

[referência âncora]: A imagem de referência mostra uma caneca de cerâmica sobre uma mesa de madeira.
[instrução de edição]: Substitua a mesa de madeira por uma superfície de estúdio branca e limpa e adicione uma sombra direcional suave à direita.
[regras de preservação]: Preserve integralmente a forma da caneca, a cor do esmalte, a posição da alça e qualquer textura visível, em conformidade com a imagem de referência.
[lista negativa]: Sem objetos extras, sem texto, sem reflexos fortes, sem bordas cortadas.

Como cada bloco se mapeia para a saída

A âncora de referência não é decoração. Ela informa ao modelo o que é considerado primeiro plano e o que é considerado fundo, afetando diretamente a segmentação e o comportamento das bordas. A instrução de edição é o único bloco que deve conter verbos de mudança. As regras de preservação são declarativas, explícitas, e é o bloco que a maioria das pessoas pula. A lista negativa é curta, direcionada e contém apenas os modos de falha que você realmente observou.

Quando compactar o modelo

Para edições de baixo risco, como uma mudança de cor sobre um fundo sólido, você pode combinar a âncora e as regras de preservação em uma única frase. Para edições de alto risco, como adicionar um novo objeto ao lado de um sujeito humano, expanda as regras de preservação e mantenha a lista negativa enxuta. O modelo é uma lista de verificação, não um formato fixo.

Trate cada modelo preenchido como um ativo versionado. Pequenas mudanças na formulação produzem mudanças mensuráveis na saída, então guarde as receitas em arquivos ou em um pequeno banco de dados e compare-as com saídas reais por meio de diff, em vez de reescrevê-las de memória.

A receita em quatro partes é como quatro prismas, cada face recebendo uma forma composta de saída.

Instruções de edição acionáveis

As instruções de edição são onde a maioria dos prompts dá errado. Instruções vagas forçam o modelo a reinterpretar toda a cena, enquanto instruções precisas restringem a alteração à região e às propriedades que lhe interessam.

Especifique o alvo, o atributo e o resultado

Uma instrução acionável tem três partes: o que está sendo alterado, qual atributo dele está mudando e como deve ser o resultado. “Deixe mais claro” falha porque “mais claro” é ambíguo e “mais claro” é relativo. “Aumente a exposição do rosto do sujeito para que o tom de pele apareça como meio-tom quente, mantendo a exposição do fundo inalterada” especifica a região, o atributo e um resultado mensurável.

Use verbos de edição, não verbos de criação

Palavras como “gerar”, “criar” e “imaginar” empurram o modelo para a recomposição. Palavras como “substituir”, “ajustar”, “remover”, “estender” e “recolorir” mantêm o modelo no modo de edição. Se você quer uma alteração local, use verbos locais.

Uma instrução, uma dimensão

Empilhar várias alterações em uma única oração dificulta saber qual parte da frase o modelo realmente executou. Divida edições compostas em frases ordenadas: primeiro altere o fundo, depois ajuste a iluminação, depois limpe as bordas. O modelo processa o prompt como uma série de restrições, e frases ordenadas lhe dão uma fila de tarefas mais clara.

Quantifique sempre que possível

Linguagem relativa é fraca. “Um pouco maior” não dá nenhuma âncora ao modelo. “Redimensione o sujeito para que ocupe o terço central do quadro” é específico e verificável. Você nem sempre precisa de números, mas quando tiver um objetivo mensurável, escreva-o.

Exemplos de instruções fracas e fortes

Fraca: “deixe a jaqueta com uma aparência melhor.”

Forte: “mude a cor da jaqueta para azul-marinho profundo, mantendo visíveis a textura original do tecido, as costuras e a posição dos botões.”

A versão forte especifica o alvo (a jaqueta), o atributo (cor), o resultado (azul-marinho profundo) e as invariantes (textura, costuras, botões). Essa é a precisão que o modelo consegue executar.

Manter o sujeito fiel

A fidelidade do sujeito é a reclamação mais comum na edição de imagem para imagem, e quase sempre é um problema de prompt. O modelo preserva o que você pede explicitamente para preservar. Se você só descreve as alterações, o modelo fica livre para derivar em todo o resto.

Escreva uma cláusula de preservação para cada edição

Uma cláusula de preservação é uma frase que lista os atributos que não podem mudar. Para produtos, isso significa forma, proporção, material, cor, posição do logotipo e qualquer textura distintiva. Para pessoas, significa traços faciais, tom de pele, cabelo e expressão. Escreva essa lista primeiro e depois a instrução de edição, para que você saiba o que está protegendo.

Preserve the subject's exact silhouette, surface texture, and color values. Do not smooth, stylize, or repaint the subject.

Separe identidade de contexto

Atributos de identidade pertencem ao sujeito, atributos de contexto pertencem à cena. Quando você troca o fundo, está mudando o contexto; o prompt deve deixar essa fronteira explícita. “Mude o fundo para um fundo de estúdio com gradiente, mantendo a iluminação e a cor do sujeito inalteradas” informa ao modelo em que lado da fronteira a edição se aplica.

Use reforço negativo com cautela

Dizer “não mude o rosto” às vezes é menos eficaz do que dizer “mantenha o rosto exatamente igual à imagem de referência”. A linguagem positiva de preservação costuma funcionar melhor do que a negação, porque dá ao modelo um alvo a mirar em vez de algo a evitar. Reserve a negação para os modos de falha que você realmente viu.

Fidelidade é, antes de tudo, uma questão de formulação

Antes de ajustar parâmetros, verifique se o seu prompt especifica o sujeito, lista as invariantes e usa verbos de edição. Na maioria dos casos, a cláusula de preservação ausente é a verdadeira causa da deriva do sujeito. Adicione essa cláusula, execute novamente e compare antes de mudar qualquer outra coisa.

Substituir o fundo de forma limpa

A substituição de fundo é uma operação de composição cujas falhas são previsíveis: halo ao redor do sujeito, incompatibilidade de iluminação, objetos flutuando e sombras ausentes. Cada falha corresponde a uma cláusula ausente no prompt.

Especifique a nova cena com linguagem concreta

“Um fundo bonito” não dá nada ao modelo. “Um fundo de estúdio cinza-claro sem emendas, com um gradiente suave do canto superior esquerdo para o inferior direito” lhe dá superfície, cor e direção da iluminação. Especifique material, cor e comportamento da iluminação em orações separadas, para que cada um possa ser avaliado de forma independente.

Declare a direção da iluminação

A iluminação do sujeito vem da imagem de referência. A iluminação do novo fundo deve corresponder a ela, caso contrário a composição parecerá colada. Se a luz principal da imagem de referência vem da esquerda, declare: “a direção da iluminação do novo fundo deve coincidir com a luz principal do sujeito e diminuir suavemente em direção à borda direita.”

Trate as bordas explicitamente

O comportamento das bordas é decisivo para uma composição limpa. Adicione uma cláusula descrevendo o que deve acontecer no limite do sujeito: “mantenha as bordas do sujeito nítidas e livres de halo, e adicione uma sombra de contato sutil onde o sujeito toca a nova superfície.” Caso contrário, o modelo pode fundir o sujeito ao fundo ou deixar uma borda clara.

Combinando tudo

Replace the existing background with a seamless warm-gray studio backdrop. Light the backdrop from the upper left to match the subject's key light, with a soft gradient toward the lower right. Keep the subject's edges crisp, preserve its original color and texture, and add a subtle contact shadow beneath it. No halo, no floating, no additional props.

Este único bloco especifica a cena, a iluminação, o comportamento das bordas e os modos de falha. Execute-o, compare com a imagem de referência e ajuste uma cláusula de cada vez.

Construir listas negativas eficazes

A lista negativa é um conjunto curto de modos de falha que você deseja suprimir. Não é um segundo prompt, nem um depósito de todas as preferências estéticas. O objetivo é supressão direcionada, não restrição ampla.

O que deve entrar na lista negativa

Inclua os defeitos que você realmente observou nas suas próprias saídas. Entradas típicas: objetos extras, texto ou marca d'água, reflexos fortes, bordas do sujeito cortadas, membros duplicados, proporções distorcidas, estilização indesejada e emendas visíveis. Cada entrada deve especificar uma falha concreta, não uma qualidade vaga.

O que não deve entrar

Não inclua palavras de gosto amplo como “feio” ou “ruim”. Não negue coisas que não existem na cena. Não empilhe vinte itens esperando que um deles resolva o problema. Listas negativas longas demais achatam a saída, porque o modelo esgota a capacidade tentando evitar tudo ao mesmo tempo.

Mantenha curta e ordenada

Uma lista negativa eficaz normalmente tem de três a seis itens, ordenados pela frequência com que você vê essa falha. Coloque o defeito mais destrutivo primeiro. Se você se pegar adicionando um sétimo item, é sinal de que é hora de corrigir a cláusula positiva no prompt.

No text, no watermark, no extra objects, no halo around the subject, no cropped edges.

Compare os dois extremos

Uma lista sobrecarregada poderia dizer “sem texto, sem marca d'água, sem logotipos, sem pessoas extras, sem animais, sem carros, sem luz forte, sem luz suave, sem desfoque, sem granulação, sem estilização, sem desenho animado, sem distorção, sem cortes, sem emendas, sem halo, sem sombras, sem reflexos.” Vários desses itens são contraditórios, e o modelo não consegue satisfazer todos. Uma lista focada lista apenas os quatro ou cinco defeitos que você realmente vê, deixando o resto para as cláusulas positivas. Uma lista focada restringe menos e produz resultados mais limpos.

Sobrecarregado versus focado: dois prismas mostram como uma lista negativa curta e direcionada restringe o resultado de forma mais limpa.

Exercícios de receita antes e depois

Estes exercícios usam o modelo de quatro partes do início ao fim. Cada receita pode ser copiada e colada diretamente; basta ajustar os substantivos à sua imagem de referência.

Receita 1: mudança de cor do produto

[anchor] The reference image shows a single running shoe on a neutral surface.
[edit] Change the shoe's upper color to a muted olive green while keeping the sole and laces their original colors.
[preserve] Keep the shoe's silhouette, panel seams, stitching, and material texture exactly as in the reference.
[negative] No extra shoes, no text, no harsh highlights, no cropped edges.

Antes: o sapato com a cor original na imagem de referência. Depois: o mesmo sapato, com a parte superior recolorida, costuras e suturas ainda visíveis, solado e cadarços inalterados. A falha típica sem a cláusula de preservação é o sapato perder os detalhes dos painéis após a recoloração; a cláusula de preservação mantém a estrutura intacta.

Receita 2: substituição do fundo por fundo de estúdio

[anchor] The reference image shows a ceramic mug on a wooden table.
[edit] Replace the table and background with a seamless white studio surface, lit softly from the upper left.
[preserve] Keep the mug's shape, glaze color, handle position, and any reflections on its surface unchanged.
[negative] No additional objects, no text, no halo, no floating shadow.

Antes: a caneca sobre uma superfície de madeira quente. Depois: a mesma caneca sobre um fundo de estúdio limpo, com direção de iluminação compatível e uma sombra de contato suave. Sem a cláusula de bordas, a caneca tende a ganhar uma borda clara; adicionar “no halo” à lista negativa e manter a cláusula de preservação enxuta resolve o problema.

Receita 3: nova iluminação de retrato

[anchor] The reference image shows a person in a dim indoor scene.
[edit] Increase the exposure on the subject's face so the skin reads as warm mid-tone, and add a soft fill light from the front-right.
[preserve] Keep the subject's facial features, skin tone, hair, and expression exactly as in the reference. Leave the background exposure unchanged.
[negative] No stylization, no smoothing, no changed eye color, no extra people.

Antes: um retrato subexposto. Depois: o mesmo rosto com exposição legível, mantendo o fundo escuro. A falha mais comum é o excesso de suavização; a entrada explícita “no smoothing” e a cláusula de preservação mantêm a textura da pele intacta.

Receita 4: remoção de objeto

[anchor] The reference image shows a desk with a laptop and a coffee cup.
[edit] Remove the coffee cup and reconstruct the desk surface where it stood.
[preserve] Keep the laptop's position, the desk's wood grain, and the overall lighting unchanged.
[negative] No ghost outline, no smudged texture, no new objects.

Antes: uma mesa com uma caneca. Depois: a mesma mesa, com a caneca removida e o veio da madeira continuando naturalmente. Aqui o modo de falha é uma mancha borrada no lugar onde a caneca estava; a entrada “no smudged texture” leva o modelo a reconstruir em vez de borrar.

Execute cada receita como um ativo versionado. Guarde o texto do prompt junto com a saída, para comparar mudanças ao longo do tempo.

Executar estas receitas via API

Todas as receitas acima podem ser convertidas diretamente em chamadas de API por meio da interface unificada do HiAPI. O prompt é passado como uma única string; a imagem de referência é passada como entrada de origem. A página do modelo gpt-image-2.6-sunburst para imagem para imagem documenta os campos de entrada e os parâmetros, então consulte os nomes exatos dos campos antes de montar a requisição.

Observações práticas

  • O prompt como uma única string. Mantenha os quatro blocos na ordem e use frases simples. Os rótulos dos blocos no modelo servem apenas para facilitar sua leitura; você pode mantê-los ou removê-los na carga final.
  • A qualidade da imagem de referência importa. O modelo preserva o que consegue ver. Imagens de referência nítidas, bem iluminadas e com limites claros do sujeito produzem edições mais limpas do que imagens de referência com baixo contraste ou muito comprimidas.
  • Itere uma cláusula por vez. Quando a saída não for ideal, mude apenas um bloco e execute novamente. Alterar a instrução de edição e a lista negativa ao mesmo tempo impede atribuir a diferença.
  • Versione as receitas. Guarde o texto do prompt, o identificador da imagem de referência e a saída juntos. Uma pequena biblioteca de receitas com comparação por diff vale mais do que prompts longos que você reescreve repetidamente.
  • A cobrança depende da operação. Requisições de imagem para imagem são cobradas por geração no lado da API; consulte o painel de preços no site para obter as tarifas atuais, em vez de assumir valores fixos.

Se você estiver usando a geração anterior da mesma família de modelos, a página de imagem para imagem do gpt-image-2 oferece uma referência de parâmetros equivalente. A estrutura do prompt não muda entre os dois, apenas a capacidade do modelo é diferente.

Comece com uma receita do seu próprio fluxo de trabalho, execute-a de ponta a ponta via API e compare a saída com a imagem de referência antes de adicionar mais blocos. O modelo é apenas o ponto de partida; são os seus próprios modos de falha que tornam a lista negativa útil.

Artigos relacionados

Ver todos os artigos →

Comece a criar com artefactos de IA persistentes

Obtenha a sua chave de API e chame modelos de imagem, vídeo e áudio através de uma única API baseada em tasks.

Ler a documentação da API