觸發推理流程，搞清楚它到底改善了哪些 prompt，並寫出能拉取即時視覺參考的接地 prompt。

一個先思考再作畫的圖像模型

gpt-image-2——面向消費者的品牌名是 ChatGPT Images 2.0，於 2026 年 4 月 21 日發布——是 OpenAI 第一個具備原生推理能力的圖像模型。在渲染任何東西之前，它會先跑一遍思維鏈：規劃構圖、檢查物體之間的空間關係、確認圖中任何文字的拼寫是否正確，並在落到像素之前自我糾錯。實際收益是首次嘗試的失敗率更低，也少了那種困擾早期模型的「一眼就看出是 AI」的味道。

大多數使用者忽略的細節是：這是一個分兩檔的功能。免費的 ChatGPT 使用者拿到的是 Instant 模式——速度快，沒有推理過程。帶規劃步驟和 web search 接地的 thinking mode，只留給 Plus、Pro 和 Business 訂閱者。如果你的結果跟發表展示完全不像，先去確認你實際是在哪一檔上生成，再去怪你的 prompt。

如何觸發 Thinking Mode

有兩條路。顯式的方式是 ChatGPT 裡的推理開關：打開它，每一次圖像請求都會走規劃過程。prompt 層面的方式是措辭——在圖像請求裡加一句像「think through this carefully」這樣的話，會把模型推向推理路徑。這句話不花一分錢，所以在任何重要的 prompt 上都加上它。

這個模式真的會改變輸出嗎？在 The Decoder 的上手測試裡，對於「DSLR-quality photorealistic portrait」這類高要求 prompt，Thinking 版本產出的細節明顯優於在 Instant 上跑同一條 prompt 的結果。在簡單的 prompt 上差距會縮小；在困難的 prompt 上，它就是一張可用成片和三次重試之間的差別。

Think through this carefully before generating: a DSLR-quality photorealistic portrait of a ceramicist in her studio, soft window light from the left, shallow depth of field, hands dusted with dried clay, honest skin texture — no beauty-filter smoothing.

一句觸發短語加一條高要求的寫實簡報——這正是 Thinking 明顯勝過 Instant 的 prompt 類型。

哪些 prompt 能切實受益

推理是額外開銷，而這種開銷只在規劃真正重要的地方才划算。有三類 prompt 能切實受益：

文字密集的圖像——海報、標籤、UI 原型。模型在推理過程中就校驗拼寫和排版，而不是渲染完才發現字全亂了。
空間複雜的場景——許多物體帶有明確的相互關係，而早期模型會悄悄丟掉或合併元素。
多幀序列——任何需要在多張圖裡保持同一角色、同一光照和同一風格的內容（下文詳述）。

社群的數據印證了這一點。Simon Willison 的「威利在哪裡」式測試——「where is the raccoon holding a ham radio」——在最高的 3840x2160 解析度下通過了（據稱每張圖約 0.40 美元、13,342 個輸出 token），而前代模型在這裡都失敗了；他的結論是它「takes the crown from Gemini, at least for the moment（至少在當下從 Gemini 手裡奪過了王冠）」。GenAI Showdown 社群基準在嚴格遵循指令的 prompt 上給 gpt-image-2 打出 12/15，超越了之前的領頭者。OpenAI 自己聲稱它登頂了每一個 Image Arena 排行榜，文生圖領先 +242 分，並稱這是該排行榜歷史上最大的領先優勢——這是廠商自述，但方向上與獨立測試結果一致。

Hacker News 發布討論串裡有一條誠實的提醒：在某位使用者帶條件樣式規則的 8x8 寶可夢網格測試中，GPT Image 2 在視覺品質上勝出，但 Nano Banana Pro 在遵循條件邏輯上做得更好。如果你的 prompt 本質上是一本規則手冊——「every third cell in grayscale, water types get a blue border」——在把某條流水線綁死到其中一個之前，先兩個都測一遍。

web search 接地的生成

Thinking Mode 裡更大的解鎖是檢索。在推理過程中，模型可以即時去 web search 搜尋視覺參考，因此它能瞄準當下正流行的風格或近期的真實世界事實，而不是從幾個月前就凍結的訓練資料裡去近似。這是 RAG 式檢索第一次進入圖像生成流水線——與 Google 在 Nano Banana Pro 上的做法相呼應——The Decoder 稱之為一項可能從根本上重塑圖形生成的突破。和推理本身一樣，它也對付費訂閱者開放。

寫一條接地的 prompt，意味著把它錨定到某個模型應該去搜尋、而非憑空想像的東西上。套路是：先點名一個當前真實存在、可觀察的視覺參考，再描述你的主體。

「A product shot in the style currently trending on Instagram for skincare brands」——模型先搜尋，再生成。
「A UI mockup that matches the visual language of modern fintech apps」——接地在這些 app 此刻真實的樣子上。

含糊的姿態（「a modern-looking website」）觸發不了有用的檢索；一個可核查的參考（「currently trending」「this season's campaign look」）才行。

多幀一致性：每條 prompt 最多 8 張圖

Thinking Mode 可以從一條 prompt 生成最多 8 張圖，同時在各幀之間保持角色、物體、光照和風格的一致。這正是推理過程最能直觀體現其成本價值的地方：模型會在渲染第一幀之前就規劃好整個序列，而不是把每一格都當作一次獨立的擲骰子。

Generate an 8-panel manga sequence of the same silver-haired detective walking through a rainy Tokyo street at night. Keep the character design, trench coat, facial features and umbrella identical in every panel. Maintain the same neon-reflection lighting and ink-wash style across all 8 frames. Panel flow: wide establishing shot, medium follow, close-up on the eyes, reflection in a puddle, turning into an alley, noticing a clue, picking it up, final wide shot from behind.

一條 8 幀序列 prompt——一致性條款被寫成一條明確的約束，而不是任其暗含。

把一致性要求明確寫出來——「keeping the character design, outfit and lighting consistent across all panels」——而不是假定模型自己會推斷出來。推理過程會把它當作一條需要去核驗的約束，這正是你想要的。