GPT Image 2 确实强，但它不是魔法。这里是真正会绊倒人的那些约束——以及每一条的解法。

为什么一份诚实的局限清单值得一读

大多数「GPT Image 2」文章读起来像宣传册。这篇不是。如果你曾经输入一段 prompt、拿回一张几乎对了的图，然后怀疑是不是自己用错了工具，答案通常是「没用错」——你撞上的是模型、API 或它周边产品管线的一条真实约束。

好消息是，这些局限大多有切实可行的缓解办法，而且一旦你知道边界在哪，大多都很简单。GPT Image 2 在 prompt 服从度、图内文字和照片级细节上依旧很强。知道边界在哪，只是让你不再跟它硬扛，而是绕道而行。

下面的一切都基于模型和 gpt-img2.com 管线今天的真实行为。凡是属于硬性产品限制（分辨率、透明度、内容政策），我们都直说，而不是假装某个 prompt 技巧能克服它。

局限 1 —— 没有透明背景

在 gpt-img2.com 上你拿不回透明 PNG。如果你要求透明或带 alpha 通道的背景，管线会悄悄把它降级成普通背景——你不会看到报错，只会拿到一张不透明的图。这会坑到那些想要干净 logo、贴纸、产品抠图或 UI 素材好叠到另一层上的人。

原因：生成返回的是一张已完成、已拍平的栅格图，而不是带 alpha 通道的分层文件——所以在这条管线里，并没有一个能替你把主体抠出来的透明背景模式。把透明当作一道后期工序，而不是生成器直接交给你的东西。

解法：在一个与主体强烈反差的纯单色平背景上生成，然后把去背作为独立的后期步骤来做。一个纯净的色键色（亮绿或品红）在几乎任何去背工具里都能干净地抠出来。只是要为棘手的边缘多留点时间——细发丝、玻璃、运动模糊和柔和阴影是自动去背最吃力的地方，所以你要奔着一个硬朗、干净的剪影去设计。

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」这条指令是关键——它们给你的去背工具一条干净、毫不含糊的边来切。对于 logo 和图标，同样在纯色背景上放大生成、再用同样方式抠出来；别指望模型本身会交给你一个透明文件。

局限 2 —— 4K 仅限宽和高的纵横比

在 gpt-img2.com 上你可以按 1K、2K 或 4K 生成。但 4K 不是每种形状都支持。它只支持六种纵横比：16:9、9:16、2:1、1:2、21:9 和 9:21——全都是宽幅或高幅的全景比例。正方形（1:1）、4:3、3:2、4:5 或其他任何标准比例，最高只能到 2K 档。

原因：在 gpt-img2.com 管线里，4K 预设只对那六种宽和高的比例开放。正方形及接近正方形的比例封顶在 2K 档，而不会让你为一个预设根本产不出的尺寸去付 4K 的价。

这意味着这里没有 4K 正方形。如果你需要一张非常大的 1:1——比如一张 4000×4000 的打印件或一枚高 DPI 的应用图标——单靠生成器一次是出不来的。

解法：按输出比例来挑该打哪场仗。如果你确实需要 4K 细节，就把你的画面构图成那六种受支持的宽/高比例之一（16:9 和 9:16 已经覆盖了大多数屏幕、海报和社媒需求）。如果你非要一张大正方形，就在 2K 生成，再用专门的图像放大工具把结果放大——把一张干净的 GPT Image 2 出图从 2048 放大到 4096 在不少情况下效果不错，具体取决于源细节和最终打印尺寸。在写 prompt 之前就规划好比例，而不是写完之后。

局限 3 —— 图内文字很强，但不是像素级精准

GPT Image 2 渲染可读文字的能力远胜旧式扩散模型——短标签、标题、招牌和 UI 草稿通常出来都干净、拼写正确。但它不是一台排版引擎。长单词、密集段落、不寻常的品牌名和小号正文，仍然可能出现漏字、字符重复或细微的拼写错误。

原因：模型是在你的 prompt 引导下，把文字当作「看起来像字母的形状」来画，而不是去排一套字体。字符串越长、越不寻常，某个字形走样的机会就越多——而一个字母错了就毁掉整个单词。

解法：让模型要渲染的文字保持简短，把又长又关键的文案作为独立的一步加上去。

在 prompt 里引用确切文字：把要出现的字词写成 "GRAND OPENING" 一字不差，而不是只说 "a sign that says grand opening"——加引号能减少模型自由发挥
宁要几个短词，不要句子；要的是标题，不是段落
凡是有法律或商业分量的内容（价格、品牌名、联系方式），先生成不带这些文字的画面，事后在任意设计工具里叠上真实文字——这样能保证零错字
如果某个单词回来时拼错了，把这张图作为参考喂回去，要求只修这一个词的编辑，而不是把整个场景重摇一遍

把 GPT Image 2 当成一位才华横溢、但拼写稍微有点不靠谱的插画师：让它画图，而真正重要的字眼留在你自己的掌控里。

局限 4 —— 角色一致性能被帮一把，但不被保证

每一次生成都是一次独立采样。除非你把先前的图作为参考传回去，否则模型对它上一张画的图毫无记忆，所以在你主动钉死身份之前，「同一个」角色会在不同运行间漂移。参考图能带来巨大差别，而且你可以传不止一张（API 支持多张；网页 UI 暴露的数量可能更少）——但即便有参考图，逐帧完全一致的完美匹配也不被保证。脸和细节可能在多次生成间轻微变动。

原因：参考图会强烈地把输出偏向某个相似度，但模型每次仍然是从零重新合成整张图。它保留的是身份的「大意」，而不是一张脸的精确像素拷贝。

解法：把那些能降低歧义的技巧叠起来用。

始终传同一张参考图，并把 prompt 写成一次变换："using the provided image, keep the face, hair, and outfit identical; change only the background"
加一段文字身份锚点——一个固定的、超级具体的特征块（确切的头发、一个辨识度强的特征、一套招牌穿搭）——并逐字粘贴进每一个 prompt
对接近成功的图做迭代，而不是重摇：当一张图对了 90% 时，把它喂回去，一次只改一个变量，这样每一轮都保留住已经奏效的部分

我们在角色一致性指南里有这些方法的完整演练；一句话版本是：一致性是靠消除歧义工程化出来的，不是用一个关键词求来的。

局限 5 —— 内容政策会拒绝某些 prompt

有些 prompt 不会生成。对露骨或 NSFW 内容的请求，以及某些涉及真实公众人物或可辨识的受版权和商标保护角色的 prompt，可能被安全系统拒绝——发生这种情况时，任务会以内容政策错误失败，而不是返回一张图。这是一条硬性限制，不是 prompt 工程能解决的问题：没有任何合法表述能绕过它，尝试绕过也违反规则。

原因：生成运行在一层内容审核之后。并非每一个公众人物或角色 prompt 都会被拦，但当某个 prompt 确实触发了政策时，它会失败而不是返回一张图，而这个判定不由你掌控。

合规替代方案：围着政策来设计，而不是跟它硬扛。

想要某位公众人物的味道？描述一个你真正想要的属性集（年龄、风格、情绪、场景）的原创人物，而不是点名某位真实名人
想要一个吉祥物或主角？创造一个原创角色——这是个低风险的起点，因为受版权和商标保护的角色无论由谁生成都带着法律风险
在某个感觉无害的东西上吃了拒绝？触发点往往是某个有歧义的单词；用中性、具体的措辞重述场景，通常就能通过

如果你打算把图用于商业用途，这条局限悄悄地其实是个特性：政策拦下的那些 prompt，和日后会带来商标、肖像或版权风险的那些高度重叠。（关于使用权的完整图景，见我们的商业使用指南。）

局限 6 —— 高质量生成需要时间

在与轻量、单一用途生成器的正面较量中，GPT Image 2 不是最快的模型。一张简单的单主体图回来会比一个精简的速度型模型稍慢，而最重的质量＋分辨率组合（想想 4K）可能要 130 秒甚至更久才能完成——复杂 prompt 确实要花上几分钟。

原因：模型为每张图做了更多工作——更强的 prompt 服从度、更好的文字、更高的保真度——而这些算力会以延迟的形式体现出来，在最高分辨率档尤其明显。

解法：让档位匹配任务，并批量处理。

在 1K 起草和探索。它又快又便宜，所以在那里把构图和 prompt 措辞迭代到位，直到图对了为止
只在最终、已确认的构图上才用 2K 或 4K 渲染——别在你将要扔掉的草稿上付出高分辨率的时间（或积分）成本
在一次请求里生成最多四张变体（每次请求的上限），而不是发四个独立任务；一个任务就能给你好几个选项
如果你为一张用完即弃的缩略图压倒一切地需要速度，一个更轻的模型确实是更好的工具——GPT Image 2 的延迟，是花在那些必须出对的画面上的

局限 7 —— 非常长、多从句的 prompt 会被部分忽略

prompt 服从度是 GPT Image 2 的真本事之一——它遵循指令比大多数模型都好。但有个天花板。当你把一打要求塞进一条巨长的 prompt（每一个物体、颜色、位置、光照条件和风格备注全挤在一起）时，模型有时会悄悄丢掉或模糊掉其中某个要求。你叠的子从句越多，越可能有一个被弄丢。

原因：单次生成必须同时满足你所有的约束，当它们争抢同一批像素时，模型会优先照顾主导元素、弱化其余。相互矛盾的指令（「极简」又「高度精细且华丽」）会让情况更糟。

解法：把 prompt 结构化，减少竞争。

把最重要的那一件事——主体和构图——放在最前面，然后按优先级递减依次加修饰，这样万一有东西被丢掉，丢的也是最不重要的细节
去掉矛盾；选定一个风格方向，而不是在两者之间骑墙
对于有几个精确要求的场景，先生成基础图，再用迭代编辑一次一个地添加或修正单个元素，而不是要求一次过满足所有
如果某个具体细节老是被忽略，给它一个独立的短句，而不是把它埋在一条又长又流水的 prompt 中段从句里

诚实的总结

这些局限没有一条让 GPT Image 2 变成一个弱工具。它们是一个模型可预见的边界——而这个模型总体而言在 prompt 服从度、图内文字和照片级细节上都很出色。陷阱在于指望它同时还是个分层文件导出器、一台排版引擎、一台「什么都能 4K」的机器，以及一个确定性的角色克隆机——它一样都不是，也没有任何 prompt 能把它变成这些。

换个思路，顺着边界来工作：在平背景上渲染再抠出透明，需要 4K 时为那六种宽和高的比例构图，让关键文字保持简短、其余的叠加上去，用参考图和锚点钉死身份，围着内容政策来设计，在 1K 起草、在高分辨率定稿，并给你的 prompt 排好优先级，让重要的东西不被抢去注意力。

最快搞清边界在哪的方式，就是自己跑几个 prompt。你可以在 gpt-img2.com 上免费试用 GPT Image 2——从 1K 开始探索，你就会切身感受到这些局限里，哪些对你的工作真要紧、哪些你压根不会注意到。