使用指南
gpt-image-2 图生图提示词配方:用于多参考图融合、主体保真和 4K 输出的可复制粘贴提示词
一份面向使用 gpt-image-2/image-to-image@ext 构建图生图工作流的开发者的实用配方指南
- 模型
- gpt-image-2
本页内容
为什么提示词结构比长度更重要
大多数图生图失败并非因为提示词太短,而是因为提示词把所有东西都混成一团没有区分的形容词。当你在一句话里同时要求一个主体、三张参考图、一个新背景和一个分辨率目标时,模型无法判断哪些词对应任务的哪一部分。
解决办法是采用基于分句的骨架。你发给 gpt-image-2/image-to-image@ext 的每个提示词都可以拆解为五个槽位:
- 主体——输出内容是关于什么的,只陈述一次,使用具体名词。
- 参考图角色——每张输入图贡献什么,明确标注。
- 背景与场景——环境、光照方向和景深。
- 输出约束——构图、比例、质感、边缘处理和细节预期。
- 负面——简短且按优先级排列的禁止出现内容清单。
一个可复用的骨架如下所示:
Subject: <one sentence, concrete nouns>
References: <image tag> = <role>; <image tag> = <role>
Scene: <background, light direction, depth>
Output: <framing, texture, edge treatment, detail constraint>
Avoid: <priority 1>, <priority 2>, <priority 3>
两条规则能让这个骨架保持可靠。第一,一个分句只承载一个意图——不要把身份保持和背景替换塞进同一个分句。第二,顺序反映优先级:把绝不能出错的东西放在最前面,因为当分句冲突时,后面的分句可能会部分覆盖前面的分句。
更长的提示词并不更好。一个包含四个分句、每个分句都有明确归属的提示词,始终会优于一段堆叠形容词的段落。下面的配方都是同一骨架的变体,因此你可以任意取用其中一个并替换内容,而无需重新学习其结构。

配方:融合多张参考图
多参考图融合会以可预测的方式失败:如果没有角色标签,模型会对输入取平均。你会得到一张不属于任何人的脸,以及一种既不是这种也不是那种的风格。解决办法是给每张输入图命名,并明确说明从它那里取用什么。
可复制粘贴的模式
Subject: a standing portrait of the person in <reference_1>
References:
<reference_1> = identity source — face structure, hair, skin tone, body proportions
<reference_2> = wardrobe source — jacket cut, fabric, color
<reference_3> = lighting and grade source — key light direction, contrast, color temperature
Scene: neutral studio, soft shadow to camera left, shallow depth
Output: three-quarter framing, natural skin texture, clean edge separation from background
Avoid: blended facial features, plastic skin, mixed lighting directions
为什么角色标签很重要
这里有三种机制在起作用。角色动词(identity source、wardrobe source、lighting source)告诉模型每张图管辖哪个维度,从而防止交叉污染。明确维度——脸型结构、面料、主光方向——把每个角色收窄到可观察的属性,而不是模糊的“风格”。而负面项 blended facial features 则直接抵消最常见的取平均失败。
实际约束
- 角色数量要少。三张参考图对应三个不同角色是可靠的默认值;每多一张参考图就多一个取平均的面。
- 如果两张参考图在角色上重叠(例如两个服装来源),要说明优先级:
prefer <reference_2> for silhouette, <reference_3> for color。 - 融合风格参考图时,把风格分配给一张图,把内容分配给另一张图。风格加风格的融合往往会产出一团模糊。
- 如果融合后仍显得像取平均,通常的罪魁祸首是某张输入图缺少角色——未标注的图会被吸收进平均值。
在 gpt-image-2/image-to-image@ext 上运行同一配方,并与没有角色标签的版本对比;差异通常首先在面部结构上显现。

配方:保持主体保真
身份漂移发生在你要求的变换强于你提供的锚点时。模式是明确锁定一小组特征,并声明其他一切灵活可变。
可复制粘贴的模式
Subject: the person in <reference_1>, preserving identity
Locked: face shape, eye spacing, nose profile, hairline, skin tone
Flexible: pose, head angle, expression, wardrobe, background
Scene: <new scene description>
Output: natural proportions, realistic skin texture, consistent lighting on face
Avoid: changed facial proportions, smoothed features, mismatched skin tone
为什么这有效
提示词划定了一条边界。Locked 命名了模型必须保留的特征;Flexible 明确允许改变其他一切,这防止模型过度保留原始场景。如果没有 Flexible 分句,模型常常会连同脸部一起保留源姿势和背景——技术上忠实,但并不是你要求的变换。
有帮助的措辞
- 优先使用可观察的几何特征,而不是抽象的身份词。
eye spacing和nose profile是可检查的;same person则不是。 - 把变换表述为场景变化,而不是主体变化:
the same person, now in <scene>比transform this person更可靠。 - 当姿势发生较大变化时,重复锁定项。长提示词会漂移;在结尾附近简短重述三个最重要的锚点是低成本的保险。
- 对于全身作品,添加比例锚点:
head-to-body ratio unchanged。
应避免的做法
不要在保真提示词上堆叠许多风格形容词——重度风格化会被理解为要求改变脸部。如果你需要风格化输出,保持身份分句不变,并把风格描述移入 Output 分句,这样两个意图就能保持分离。

配方:替换背景而不损坏主体
背景替换会在边界处出问题:光晕、抠图边缘,以及与新场景不匹配的光照。解决办法是把变化隔离在它自己的分句中,并明确说明边缘和光照处理。
可复制粘贴的模式
Subject: the person in <reference_1>, unchanged
Background: replace entirely with <new scene description>
Lighting match: match key light direction and color temperature of the new background onto the subject
Edge treatment: clean separation, no halo, preserve fine hair detail at the boundary
Output: consistent depth of field between subject and background
Avoid: original background remnants, visible cut-out edge, mismatched light direction
起作用的三个分句
replace entirely 堵住了模型保留原始场景碎片的漏洞。Lighting match 是让合成看起来真实的关键——完美抠出的主体若处在错误的主光下,仍然会显得像贴上去的。Edge treatment 直接处理光晕,而点名 fine hair detail 则防止模型通过擦除边缘来解决问题。
按场景调整
- 户外到室内:添加
shadow direction consistent with the new light source,这样主体不会保留户外阴影。 - 影棚到环境:添加
depth of field separation,这样主体不会显得与背景浮在同一焦平面上。 - 深色背景:添加
rim light consistent with background glow,以避免扁平的剪影。
调试边界
如果你看到光晕,通常是因为边缘分句太模糊。把 clean edges 替换为具体的组合:no halo, preserve fine hair detail at the boundary。如果主体看起来像贴上去的,说明光照分句缺少方向——明确添加 key light direction,而不是依赖 match lighting。
配方:在 4K 输出下控制细节
高分辨率输出并不自动意味着高质量细节。仅靠分辨率关键词常常会产生过度锐化的边缘和合成质感。真正控制质量的是你如何描述质感、边缘锐度和预期噪点。
可复制粘贴的模式
Output: high-resolution render
Texture: natural skin pores, fabric weave visible, no synthetic smoothing
Edges: crisp where focus is sharp, soft falloff in out-of-focus regions
Noise: fine natural grain, no banding in gradients
Avoid: over-sharpened edges, plastic texture, halos around high-contrast edges
为什么质感词优于分辨率词
分辨率关键词告诉模型画布有多大。质感分句告诉模型应该用什么填充这块画布。在高分辨率下,每个描述不足的区域都会变得可见——平滑渐变会显示色带,锐化伪影会变得明显。点名 natural grain 和 no banding in gradients 可以预先防止这些失败。
边缘与噪点控制
- 边缘锐度应与焦点绑定:
crisp where focus is sharp允许模型在其他地方柔化,从而避免整体发脆的观感。 - 噪点预期值得说明,因为模型有时会过度清理。
Fine natural grain能让高分辨率输出不至于看起来像渲染图。 - 渐变色带是大型平坦区域上最常见的高分辨率伪影。一条负面项就能抓住大部分问题。
- 不要叠加锐化词。 把
Ultra sharp, hyper detailed, 8K堆在一起通常会导致光晕;选一个锐度陈述,让质感措辞承担其余部分。
用相同的分句在标准分辨率和高分辨率下测试相同内容。如果高分辨率版本看起来更差,说明质感分句缺少噪点或渐变约束。
撰写真正有效的负面清单
负面项是优先级清单,不是愿望清单。与正面提示词相矛盾的冗长负面清单,比完全没有负面项更糟——模型会收到冲突指令,并以不可预测的方式解决它们。
按优先级排列的模式
Avoid: <the one failure that ruins the output>, <second-most-likely failure>, <artifact class>
对大多数配方来说,三到五条是实际的上限。按每条对结果的破坏程度排序。
如何避免自相矛盾
每个负面项都应该是某个已陈述正面项的逆反。如果正面项说 natural skin texture,匹配的负面项就是 synthetic smoothing——而不是 smooth skin,后者会与正面项矛盾。测试很简单:对每个负面项,问它保护哪个正面分句。如果没有答案,就删掉它。
值得覆盖的常见类别
- 身份失败:
changed facial proportions、blended features。 - 边界失败:
halo、cut-out edge、original background remnants。 - 质感失败:
plastic texture、over-sharpened edges、banding in gradients。 - 场景失败:
mismatched light direction、floating subject。
应省略的内容
避免像 bad quality 或 ugly 这样的通用质量负面项——它们不携带可操作信息,还会消耗本应留给具体失败的注意力。避免列出你能想象到的每一个伪影;模型会把没有区分的清单当作噪声。
当输出中出现新的失败时,只有在你能够指出它保护哪个正面分句时,才把它添加为负面项。否则,应修正正面提示词。
排查常见提示词失败
大多数失败都对应骨架中的某一个分句。利用症状找到该分句,然后调整该分句,而不是重写整个提示词。
身份漂移
症状:不同输出之间脸部发生变化,或主体看起来像长得相似的陌生人。
应调整的分句:保真配方中的 Locked 清单。添加两到三个可观察的几何锚点(眼距、鼻型、头身比)。如果漂移仍然存在,检查是否有风格分句与身份分句竞争,并把风格移入 Output。
融合浑浊
症状:融合输出看起来像取平均——一张不属于任何人的脸。 应调整的分句:参考图角色。每张输入图都需要明确的角色标签。如果角色重叠,添加排序陈述,让一张参考图在剪影上胜出,另一张在颜色上胜出。
光晕与抠图边缘
症状:主体与背景之间出现可见光环或硬边界。
应调整的分句:边缘处理分句。把通用的 clean edges 替换为 no halo, preserve fine hair detail at the boundary,并把光晕条目加入负面项。
主体像贴上去的
症状:主体看起来像合成进场景,而不是在场景中拍摄的。
应调整的分句:光照匹配。明确说明主光方向和色温,并添加 shadow direction consistent with the new light source。
质感扁平或塑料感
症状:表面看起来像渲染的,皮肤看起来被磨平,渐变出现阶梯。
应调整的分句:质感分句。添加 natural grain、no synthetic smoothing 和 no banding in gradients 到负面项。
高分辨率输出过度锐化
症状:在高分辨率下每条边缘都锐利且带光晕。
应调整的分句:边缘锐度。把锐度与焦点绑定(crisp where focus is sharp),并移除叠加的锐化形容词。
当两个症状同时出现时,先修复优先级更高的分句——通常是身份——因为如果主体不稳定,下游修复就无法保持。
把配方纳入工作流
这些配方设计为可组合使用。一个实用的流水线会对它们排序,使每一步只承担一项任务、只需调试一个提示词。
建议顺序
- 先处理身份。 先单独运行保真配方并锁定主体,然后再添加任何场景变化。不稳定的身份会让后续每一次比较都失效。
- 添加参考图。 一次引入一张服装和光照参考图,并带有明确的角色标签,这样你就能把任何变化归因到特定输入。
- 改变场景。 在主体稳定后,应用背景配方,并带上光照匹配和边缘处理分句。
- 最后调整细节。 只有在内容正确后才添加质感、边缘和噪点约束——细节分句迭代成本低,也容易过度应用。
- 最终确定负面项。 根据第 1–4 步中实际观察到的失败来构建负面清单,而不是使用通用模板。
对提示词进行版本管理
把提示词当作源代码。将每个配方变体保存为命名的、已提交的文本块,并附上你使用的参数,包括参考图集。当改动后输出质量发生变化时,带版本的提示词让你可以对比分句差异,而不是靠猜。两个习惯会有回报:在不同版本间保持骨架结构完全一致,以便差异可读;并在提交信息中记录你改了哪个分句以及为什么。
关于可重复性的说明
即使提示词完全相同,图生图输出也会变化。用相同的参考图集和相同内容比较变体,并按失败类别判断,而不是根据单个样本——一次碰巧看起来不错的运行,其信息量不如三次都稳定避免光晕的运行。
从骨架开始,选择与你当前步骤匹配的配方,并通过 gpt-image-2/image-to-image@ext 一次迭代一个分句。