触发推理流程，弄清它到底改善了哪些 prompt，并写出能拉取实时视觉参考的接地 prompt。

一个先思考再作画的图像模型

gpt-image-2——面向消费者的品牌名是 ChatGPT Images 2.0，于 2026 年 4 月 21 日发布——是 OpenAI 第一个具备原生推理能力的图像模型。在渲染任何东西之前，它会先跑一遍思维链：规划构图、检查物体之间的空间关系、确认图中任何文字的拼写是否正确，并在落到像素之前自我纠错。实际收益是首次尝试的失败率更低，也少了那种困扰早期模型的「一眼就看出是 AI」的味道。

大多数用户忽略的细节是：这是一个分两档的功能。免费的 ChatGPT 用户拿到的是 Instant 模式——速度快，没有推理过程。带规划步骤和 web search 接地的 thinking mode，只留给 Plus、Pro 和 Business 订阅者。如果你的结果跟发布演示完全不像，先去确认你实际是在哪一档上生成，再去怪你的 prompt。

如何触发 Thinking Mode

有两条路。显式的方式是 ChatGPT 里的推理开关：打开它，每一次图像请求都会走规划过程。prompt 层面的方式是措辞——在图像请求里加一句像「think through this carefully」这样的话，会把模型推向推理路径。这句话不花一分钱，所以在任何重要的 prompt 上都加上它。

这个模式真的会改变输出吗？在 The Decoder 的上手测试里，对于「DSLR-quality photorealistic portrait」这类高要求 prompt，Thinking 版本产出的细节明显优于在 Instant 上跑同一条 prompt 的结果。在简单的 prompt 上差距会缩小；在困难的 prompt 上，它就是一张可用成片和三次重试之间的差别。

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.

一句触发短语加一条高要求的写实简报——这正是 Thinking 明显胜过 Instant 的 prompt 类型。

哪些 prompt 能切实受益

推理是额外开销，而这种开销只在规划真正重要的地方才划算。有三类 prompt 能切实受益：

文字密集的图像——海报、标签、UI 原型。模型在推理过程中就校验拼写和排版，而不是渲染完才发现字全乱了。
空间复杂的场景——许多物体带有明确的相互关系，而早期模型会悄悄丢掉或合并元素。
多帧序列——任何需要在多张图里保持同一角色、同一光照和同一风格的内容（下文详述）。

社区的数据印证了这一点。Simon Willison 的「威利在哪里」式测试——「where is the raccoon holding a ham radio」——在最高的 3840x2160 分辨率下通过了（据称每张图约 0.40 美元、13,342 个输出 token），而前代模型在这里都失败了；他的结论是它「takes the crown from Gemini, at least for the moment（至少在当下从 Gemini 手里夺过了王冠）」。GenAI Showdown 社区基准在严格遵循指令的 prompt 上给 gpt-image-2 打出 12/15，超越了之前的领头者。OpenAI 自己声称它登顶了每一个 Image Arena 排行榜，文生图领先 +242 分，并称这是该排行榜历史上最大的领先优势——这是厂商自述，但方向上与独立测试结果一致。

Hacker News 发布讨论串里有一条诚实的提醒：在某位用户带条件样式规则的 8x8 宝可梦网格测试中，GPT Image 2 在视觉质量上胜出，但 Nano Banana Pro 在遵循条件逻辑上做得更好。如果你的 prompt 本质上是一本规则手册——「every third cell in grayscale, water types get a blue border」——在把某条流水线绑死到其中一个之前，先两个都测一遍。

web search 接地的生成

Thinking Mode 里更大的解锁是检索。在推理过程中，模型可以实时去 web search 查找视觉参考，因此它能瞄准当下正流行的风格或近期的真实世界事实，而不是从几个月前就冻结的训练数据里去近似。这是 RAG 式检索第一次进入图像生成流水线——与 Google 在 Nano Banana Pro 上的做法相呼应——The Decoder 称之为一项可能从根本上重塑图形生成的突破。和推理本身一样，它也对付费订阅者开放。

写一条接地的 prompt，意味着把它锚定到某个模型应该去查找、而非凭空想象的东西上。套路是：先点名一个当前真实存在、可观察的视觉参考，再描述你的主体。

「A product shot in the style currently trending on Instagram for skincare brands」——模型先搜索，再生成。
「A UI mockup that matches the visual language of modern fintech apps」——接地在这些 app 此刻真实的样子上。

含糊的姿态（「a modern-looking website」）触发不了有用的检索；一个可核查的参考（「currently trending」「this season's campaign look」）才行。

多帧一致性：每条 prompt 最多 8 张图

Thinking Mode 可以从一条 prompt 生成最多 8 张图，同时在各帧之间保持角色、物体、光照和风格的一致。这正是推理过程最能直观体现其成本价值的地方：模型会在渲染第一帧之前就规划好整个序列，而不是把每一格都当作一次独立的掷骰子。

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.

一条 8 帧序列 prompt——一致性条款被写成一条明确的约束，而不是任其暗含。

把一致性要求明确写出来——「keeping the character design, outfit and lighting consistent across all panels」——而不是假定模型自己会推断出来。推理过程会把它当作一条需要去核验的约束，这正是你想要的。