AI 摘要
- 官方發布 GPT Image 2.5 提示詞指南，提供生成與修圖操作規範。
- 指南針對主打低延遲的 Flare 與主打高畫質的 Sunburst 兩款模型提供選用建議。
- 文件歸納出 8 項提示詞核心架構，以提升影像生成與局部修改的精確度。
隨著生成式人工智慧在影像創作領域的普及，使用者常面臨提示詞過度冗長、主體肢體變形、文字渲染亂碼或局部修圖連帶破壞其他細節等挑戰。為此，官方正式對外釋出《GPT Image 2.5 提示詞指南》（GPT Image 2.5 Prompting Guide）開發者文件，系統化整理出模型挑選機制、生成與修圖的核心規範，以及各類應用情境的實作範例。
API 雙模型架構：Flare 與 Sunburst 效能與定位比較
在 GPT Image 2.5 的 API 架構中，官方針對不同工作流程需求提供了兩款對應模型：主打處理速度的小型模型「Flare」，以及主打細節表現的基礎模型「Sunburst」。開發者需依據專案對反應時間或影像精細度的優先順序進行評估與整合測試。
| 評估項目 | GPT Image 2.5 Flare | GPT Image 2.5 Sunburst |
|---|---|---|
| 模型定位 | 小型模型，著重生成速度 | 基礎模型，著重生成品質 |
| 效能與畫質表現 | 延遲較前代減少 50%，畫質維持相近水平 | 提供更高階的細節表現與複雜任務處理能力 |
| 適用情境 | 現有流程畫質已達標、追求縮短等待時間的場景 | 現有流程畫質不足、資訊圖表生成或多輪精確修圖 |
| 建議測試順序 | 先跑通整體流程，再確認延遲縮減幅度 | 先驗證輸出成品是否符合專案所需品質門檻 |
官方歸納的 8 大提示詞架構原則
針對提示詞編寫，指南將高效引導 AI 產圖的邏輯歸納為 8 項核心原則，強調結構化描述優於堆砌形容詞：
- 明確定義預期結果：清晰闡述核心主體、應用目標與畫面構圖結構。
- 採用易於維護的格式：以清楚的條列式或結構化段落編寫，避免使用過於複雜或歧義的語法。
- 具體描述視覺細節：針對材質、光源方向、色彩氛圍詳加說明；若追求寫實風格，應明確標註「photorealistic」。
- 精確指定動作與姿態：避免使用抽象詞彙，應具體說明人物或物體的動態與站位。
- 文字渲染加註標籤：畫面中若需出現特定字串，應以引號清楚標示，並說明呈現位置與字體風格。
- 局部編修明確拆分：進行圖像修改時，必須將「預計修改的區域」與「需維持原樣的細節」嚴格分開敘述。
- 多參考圖賦予專屬角色：若採用多張參考圖像輸入，應為各圖指派單一任務（如指定 A 圖為主體結構、B 圖為色彩風格、C 圖為背景元素）。
- 維持單一步驟逐次迭代：面對複雜編修需求，每次僅執行單一修改指令，並將前一輪輸出成品作為下一輪輸入來源。
實戰範例：結構化提示詞與參數配置
在人像攝影等高度要求細節的情境中，指南示範了一種標準寫法，依序涵蓋主體、動態、拍攝手法、光學特性及負向排除條件：
「創作一張逼真、不擺拍的紀實照片，主角是一位站在小漁船上的年長船員。他皮膚有明顯的風霜與皺紋、毛孔與日曬痕跡，手臂上有幾個褪色的傳統船員刺青。他正一邊調整漁網，一邊有隻狗坐在甲板上陪著他。用 35mm 底片相機的視角拍攝，中距特寫、平視角度、50mm 鏡頭，柔和的海岸日光、淺景深、些微底片顆粒感、自然色調。畫面要真實不做作，保留真實的皮膚紋理與生活感的細節，不要美化、不要重度修圖。」
該範例搭配的 API 參數設定為 size="1024x1536" 與 quality="medium"。此種結構確保了提示詞同時包含正向引導與明確的限制條件，降低生成結果偏差的機率。
影像編修防誤改指令與通用性評估
影像修復與編輯往往比全新生成更容易出現非預期的變動。官方指南指出，在發出修改指令時，除了精準指出更動區域外，應附加特定防禦性語句，例如「Do not change anything else」（其餘部分皆保持不變）。在需要保留人物身分特徵的案例中，則需逐一列出臉部結構、膚色、體型與姿勢均不得更改。
這份指南屬於公開的技術文件，開發者無須註冊或付費即可查閱完整內容。雖然官方文件範例均採用英文撰寫，但其背後的語意拆解邏輯與 8 大核心原則同樣適用於多語言提示詞及其他主流 AI 圖像生成系統，有助於降低開發者在影像生成工作流程中的摸索成本。
Reference Link : hk01.com
