GPT Image 2 確實強，但它不是魔法。這裡是真正會絆倒人的那些約束——以及每一條的解法。

為什麼一份誠實的侷限清單值得一讀

大多數「GPT Image 2」文章讀起來像宣傳冊。這篇不是。如果你曾經輸入一段 prompt、拿回一張幾乎對了的圖，然後懷疑是不是自己用錯了工具，答案通常是「沒用錯」——你撞上的是模型、API 或它周邊產品管線的一條真實約束。

好消息是，這些侷限大多有切實可行的緩解辦法，而且一旦你知道邊界在哪，大多都很簡單。GPT Image 2 在 prompt 服從度、圖內文字和照片級細節上依舊很強。知道邊界在哪，只是讓你不再跟它硬扛，而是繞道而行。

下面的一切都基於模型和 gpt-img2.com 管線今天的真實行為。凡是屬於硬性產品限制（解析度、透明度、內容政策），我們都直說，而不是假裝某個 prompt 技巧能克服它。

侷限 1 —— 沒有透明背景

在 gpt-img2.com 上你拿不回透明 PNG。如果你要求透明或帶 alpha 通道的背景，管線會悄悄把它降級成普通背景——你不會看到報錯，只會拿到一張不透明的圖。這會坑到那些想要乾淨 logo、貼紙、產品去背或 UI 素材好疊到另一層上的人。

原因：生成返回的是一張已完成、已壓平的點陣圖，而不是帶 alpha 通道的分層檔——所以在這條管線裡，並沒有一個能替你把主體去背出來的透明背景模式。把透明當作一道後期工序，而不是生成器直接交給你的東西。

解法：在一個與主體強烈反差的純單色平背景上生成，然後把去背作為獨立的後期步驟來做。一個純淨的色鍵色（亮綠或洋紅）在幾乎任何去背工具裡都能乾淨地去出來。只是要為棘手的邊緣多留點時間——細髮絲、玻璃、運動模糊和柔和陰影是自動去背最吃力的地方，所以你要奔著一個硬朗、乾淨的剪影去設計。

A single product, a white ceramic coffee mug, centered on a flat solid bright-green (#00FF00) background, even studio lighting, no shadows on the background, sharp edges, no props. Product-shot style.

「平背景」和「no shadows on the background」這條指令是關鍵——它們給你的去背工具一條乾淨、毫不含糊的邊來切。對於 logo 和圖示，同樣在純色背景上放大生成、再用同樣方式去出來；別指望模型本身會交給你一個透明檔。

侷限 2 —— 4K 僅限寬和高的長寬比

在 gpt-img2.com 上你可以按 1K、2K 或 4K 生成。但 4K 不是每種形狀都支援。它只支援六種長寬比：16:9、9:16、2:1、1:2、21:9 和 9:21——全都是寬幅或高幅的全景比例。正方形（1:1）、4:3、3:2、4:5 或其他任何標準比例，最高只能到 2K 檔。

原因：在 gpt-img2.com 管線裡，4K 預設只對那六種寬和高的比例開放。正方形及接近正方形的比例封頂在 2K 檔，而不會讓你為一個預設根本產不出的尺寸去付 4K 的價。

這意味著這裡沒有 4K 正方形。如果你需要一張非常大的 1:1——比如一張 4000×4000 的列印件或一枚高 DPI 的應用圖示——單靠生成器一次是出不來的。

解法：按輸出比例來挑該打哪場仗。如果你確實需要 4K 細節，就把你的畫面構圖成那六種受支援的寬/高比例之一（16:9 和 9:16 已經覆蓋了大多數螢幕、海報和社群需求）。如果你非要一張大正方形，就在 2K 生成，再用專門的影像放大工具把結果放大——把一張乾淨的 GPT Image 2 出圖從 2048 放大到 4096 在不少情況下效果不錯，具體取決於來源細節和最終列印尺寸。在寫 prompt 之前就規劃好比例，而不是寫完之後。

侷限 3 —— 圖內文字很強，但不是像素級精準

GPT Image 2 渲染可讀文字的能力遠勝舊式擴散模型——短標籤、標題、招牌和 UI 草稿通常出來都乾淨、拼寫正確。但它不是一台排版引擎。長單字、密集段落、不尋常的品牌名和小號正文，仍然可能出現漏字、字元重複或細微的拼寫錯誤。

原因：模型是在你的 prompt 引導下，把文字當作「看起來像字母的形狀」來畫，而不是去排一套字體。字串越長、越不尋常，某個字形走樣的機會就越多——而一個字母錯了就毀掉整個單字。

解法：讓模型要渲染的文字保持簡短，把又長又關鍵的文案作為獨立的一步加上去。

在 prompt 裡引用確切文字：把要出現的字詞寫成 "GRAND OPENING" 一字不差，而不是只說 "a sign that says grand opening"——加引號能減少模型自由發揮
寧要幾個短詞，不要句子；要的是標題，不是段落
凡是有法律或商業分量的內容（價格、品牌名、聯絡方式），先生成不帶這些文字的畫面，事後在任意設計工具裡疊上真實文字——這樣能保證零錯字
如果某個單字回來時拼錯了，把這張圖作為參考餵回去，要求只修這一個詞的編輯，而不是把整個場景重搖一遍

把 GPT Image 2 當成一位才華橫溢、但拼寫稍微有點不靠譜的插畫師：讓它畫圖，而真正重要的字眼留在你自己的掌控裡。

侷限 4 —— 角色一致性能被幫一把，但不被保證

每一次生成都是一次獨立取樣。除非你把先前的圖作為參考傳回去，否則模型對它上一張畫的圖毫無記憶，所以在你主動釘死身分之前，「同一個」角色會在不同執行間漂移。參考圖能帶來巨大差別，而且你可以傳不止一張（API 支援多張；網頁 UI 暴露的數量可能更少）——但即便有參考圖，逐格完全一致的完美匹配也不被保證。臉和細節可能在多次生成間輕微變動。

原因：參考圖會強烈地把輸出偏向某個相似度，但模型每次仍然是從零重新合成整張圖。它保留的是身分的「大意」，而不是一張臉的精確像素拷貝。

解法：把那些能降低歧義的技巧疊起來用。

始終傳同一張參考圖，並把 prompt 寫成一次變換："using the provided image, keep the face, hair, and outfit identical; change only the background"
加一段文字身分錨點——一個固定的、超級具體的特徵塊（確切的頭髮、一個辨識度強的特徵、一套招牌穿搭）——並逐字貼進每一個 prompt
對接近成功的圖做迭代，而不是重搖：當一張圖對了 90% 時，把它餵回去，一次只改一個變數，這樣每一輪都保留住已經奏效的部分

我們在角色一致性指南裡有這些方法的完整演練；一句話版本是：一致性是靠消除歧義工程化出來的，不是用一個關鍵詞求來的。

侷限 5 —— 內容政策會拒絕某些 prompt

有些 prompt 不會生成。對露骨或 NSFW 內容的請求，以及某些涉及真實公眾人物或可辨識的受版權和商標保護角色的 prompt，可能被安全系統拒絕——發生這種情況時，任務會以內容政策錯誤失敗，而不是返回一張圖。這是一條硬性限制，不是 prompt 工程能解決的問題：沒有任何合法表述能繞過它，嘗試繞過也違反規則。

原因：生成執行在一層內容審核之後。並非每一個公眾人物或角色 prompt 都會被攔，但當某個 prompt 確實觸發了政策時，它會失敗而不是返回一張圖，而這個判定不由你掌控。

合規替代方案：圍著政策來設計，而不是跟它硬扛。

想要某位公眾人物的味道？描述一個你真正想要的屬性集（年齡、風格、情緒、場景）的原創人物，而不是點名某位真實名人
想要一個吉祥物或主角？創造一個原創角色——這是個低風險的起點，因為受版權和商標保護的角色無論由誰生成都帶著法律風險
在某個感覺無害的東西上吃了拒絕？觸發點往往是某個有歧義的單字；用中性、具體的措辭重述場景，通常就能通過

如果你打算把圖用於商業用途，這條侷限悄悄地其實是個特性：政策攔下的那些 prompt，和日後會帶來商標、肖像或版權風險的那些高度重疊。（關於使用權的完整圖景，見我們的商業使用指南。）

侷限 6 —— 高品質生成需要時間

在與輕量、單一用途生成器的正面較量中，GPT Image 2 不是最快的模型。一張簡單的單主體圖回來會比一個精簡的速度型模型稍慢，而最重的品質＋解析度組合（想想 4K）可能要 130 秒甚至更久才能完成——複雜 prompt 確實要花上幾分鐘。

原因：模型為每張圖做了更多工作——更強的 prompt 服從度、更好的文字、更高的保真度——而這些算力會以延遲的形式體現出來，在最高解析度檔尤其明顯。

解法：讓檔位匹配任務，並批次處理。

在 1K 起草和探索。它又快又便宜，所以在那裡把構圖和 prompt 措辭迭代到位，直到圖對了為止
只在最終、已確認的構圖上才用 2K 或 4K 渲染——別在你將要扔掉的草稿上付出高解析度的時間（或點數）成本
在一次請求裡生成最多四張變體（每次請求的上限），而不是發四個獨立任務；一個任務就能給你好幾個選項
如果你為一張用完即棄的縮圖壓倒一切地需要速度，一個更輕的模型確實是更好的工具——GPT Image 2 的延遲，是花在那些必須出對的畫面上的

侷限 7 —— 非常長、多子句的 prompt 會被部分忽略

prompt 服從度是 GPT Image 2 的真本事之一——它遵循指令比大多數模型都好。但有個天花板。當你把一打要求塞進一條巨長的 prompt（每一個物體、顏色、位置、光照條件和風格備註全擠在一起）時，模型有時會悄悄丟掉或模糊掉其中某個要求。你疊的子句越多，越可能有一個被弄丟。

原因：單次生成必須同時滿足你所有的約束，當它們爭搶同一批像素時，模型會優先照顧主導元素、弱化其餘。相互矛盾的指令（「極簡」又「高度精細且華麗」）會讓情況更糟。

解法：把 prompt 結構化，減少競爭。

把最重要的那一件事——主體和構圖——放在最前面，然後按優先級遞減依次加修飾，這樣萬一有東西被丟掉，丟的也是最不重要的細節
去掉矛盾；選定一個風格方向，而不是在兩者之間騎牆
對於有幾個精確要求的場景，先生成基礎圖，再用迭代編輯一次一個地添加或修正單個元素，而不是要求一次過滿足所有
如果某個具體細節老是被忽略，給它一個獨立的短句，而不是把它埋在一條又長又流水的 prompt 中段子句裡

誠實的總結

這些侷限沒有一條讓 GPT Image 2 變成一個弱工具。它們是一個模型可預見的邊界——而這個模型總體而言在 prompt 服從度、圖內文字和照片級細節上都很出色。陷阱在於指望它同時還是個分層檔匯出器、一台排版引擎、一台「什麼都能 4K」的機器，以及一個確定性的角色克隆機——它一樣都不是，也沒有任何 prompt 能把它變成這些。

換個思路，順著邊界來工作：在平背景上渲染再去出透明，需要 4K 時為那六種寬和高的比例構圖，讓關鍵文字保持簡短、其餘的疊加上去，用參考圖和錨點釘死身分，圍著內容政策來設計，在 1K 起草、在高解析度定稿，並給你的 prompt 排好優先級，讓重要的東西不被搶去注意力。

最快搞清邊界在哪的方式，就是自己跑幾個 prompt。你可以在 gpt-img2.com 上免費試用 GPT Image 2——從 1K 開始探索，你就會切身感受到這些侷限裡，哪些對你的工作真要緊、哪些你壓根不會注意到。