生图提示词遵循度评测:同一段中文提示词下的九张查漏图
原创 · 约 29 分钟阅读 · 阅读 --

生图提示词遵循度评测:同一段中文提示词下的九张查漏图

作者: Alex Xiang


本文完全由 WorkBuddy 独立收集资料、调试代码并完成文章写作。

扫码注册 WorkBuddy 即可获取 2000 积分

我是 Alex Xiang,前百度/微博工程师,现在专注于 AI 工程与工具产品。更多文章欢迎关注微信公众号「字与码」。

同一段中文提示词,九张 1536×1024 的图,10 分制,最高 10 分,最低 6 分,其余七张是 7、8、9 分。九张合计 78 分,平均 8.7 分。

九张图分两组:五张是评测目录里原有的(三张从 ChatGPT 界面导出,两张来自 WorkBuddy),四张是这次直接调 OpenAI 图像 API 生成的。文件名上挂着九个不同标签——GPT-6-Luna、GPT-6-Astra-Extra-High、Pro、hy3、hy4,以及 gpt-image-2.6-flare 这类型号名。分数摊开,前一组是 10、9、10、8、6,后一组是 7、9、9、10。

原始材料是一份评测报告、一份提示词文本、一份 API 用量 CSV,加上九张对应的原图。生图那一步不在本次写作范围内,下面只把评分口径、九张图和测量结果完整摊开,最后说一个容易被读错的地方:界面上的模型名,多半不是画图的那个模型。

一段提示词,十个能数出来的检查点

提示词要求一张横向 3:2 的纪实摄影照片:雨后的街边自行车修理铺,一位师傅低头给内胎查漏,镜头从工作台正前方略俯拍,能看清表情、双手和桌面。

后面全是可核对的硬约束。工作台中央是装了半缸清水的透明方形玻璃缸;师傅双手握住同一条黑色环形内胎两侧,把下方一段压进水里,上半圈露出水面;透过正面玻璃能看见一小串气泡从水下橡胶表面的同一个破口上升,旁边的水很平静;目光正落在冒泡的位置。缸前桌沿并排放三件工具、彼此分开,从左到右是红柄尖嘴钳、黄柄螺丝刀、蓝柄活动扳手。肩旁挂一块正对镜头的白色手写价目牌,只写两行黑字:第一行“自行车补胎”,第二行“每次八元”。午后日光从画面左侧照进来,三件工具在木桌上向右投下柔和的影子。抓拍师傅刚找到漏点、微微眯眼的那一刻,保留旧木桌磨痕、沾水指尖和橡胶的哑光质感。

这段文字的用处,是把“画得像不像”拆成能逐条数的事实。评分表设五个维度、每个维度两个检查点,每项 0 或 1 分,满分 10 分:查漏原理、空间与动作、工具与颜色、中文文字、光线与叙事。

口径定得比一般主观打分紧:工具种类必须具体到尖嘴钳、螺丝刀、活动扳手,红色普通钳不算尖嘴钳;工具数量只数缸前桌沿,侧面杂物另记;轻微局部涟漪可接受;漏点或目光在图中缺少足够证据,对应项记 0。评分时把原有五张和首批三张 API 图随机编号后盲评,再对照原文件名,单独重试的 2.5 Sunburst 样本来源已知。

所以这张表测的是提示词遵循度,不是审美,也不是“哪张更好看”。

九张图的总分

每栏的两个数字依次对应该维度的第一、第二个检查点。

编号原文件 / 型号查漏原理空间与动作工具与颜色中文文字光线与叙事总分
A01ChatGPT-GPT-6-Luna1+11+11+11+11+110
A02ChatGPT-GPT-6-Astra-Extra-High1+11+11+11+11+09
A03ChatGPT-Pro1+11+11+11+11+110
A04WorkBuddy-hy31+11+10+01+11+18
A05WorkBuddy-hy40+11+10+01+11+06
B01gpt-image-2.6-flare0+01+11+11+11+07
B02gpt-image-2.6-sunburst1+11+11+11+11+09
B03gpt-image-21+11+11+11+11+09
B04gpt-image-2.5-sunburst1+11+11+11+11+110

九张图的 10 分制得分

条形长度是提示词遵循度得分,右侧是图片来源。数据自绘,来源为本次评测报告的九张评分表;每个来源/型号只有 1 张样本。

第一眼能看出来的不是谁第一,是分数挤在一起:10 分三张,9 分三张,8 分、7 分、6 分各一张。

五项里,中文文字九张全对,两行汉字都可读。这一项已经不产生区分度,等于 10 分制里有 2 分是常数,实际只在剩下 8 分里分高低。真正把分数拉开的是三件事:气泡有没有从单一破口起、工具是不是细分到尖嘴钳、师傅的视线能不能确认落在漏点上。九张图还共享一个失败项——缸里水位几乎都高于提示词要求的“一半”。

逐张看:九张图和各自丢的分

ChatGPT 界面导出的三张

三张拿到 10、9、10,是全场最高的一组。共同优点是三件工具、两行牌字、破口与气泡串的关系都交代得清楚;共同扣分点是水位偏高和“眯眼”画得过头,反而让凝视点缺乏证据。

A01 ChatGPT Luna 生成的查漏场景

A01 · GPT-6-Luna · 10 分。破口与气泡串的连接最直接,双手、桌沿三件工具和价目牌都清楚;代价是水位明显高于一半、气泡偏大,削弱了“小漏点”的真实感。图:本轮评测样本原图。

A02 ChatGPT Astra Extra High 生成的查漏场景

A02 · GPT-6-Astra-Extra-High · 9 分。完整内胎和细密气泡串清楚,湿指尖、磨旧桌面、哑光橡胶质感自然;师傅眯眼接近闭眼,能判断低头但难确认看向具体漏点,水位也偏高。图:本轮评测样本原图。

A03 ChatGPT Pro 生成的查漏场景

A03 · ChatGPT Pro · 10 分。短而集中的气泡串、握持姿势和朝向缸内的视线共同指向漏点;上半圈偏大贴住画面上缘略显刻意,水位高于一半,活动扳手贴近画面底边。图:本轮评测样本原图。

WorkBuddy 的两张

两张都带可见水印,也都在工具项上丢了 2 分:红柄工具的钳口短而宽,是普通钳造型,不是尖嘴钳。这是全场唯一一对在同一检查点上一起失分的图。

A04 WorkBuddy hy3 生成的查漏场景

A04 · WorkBuddy hy3 · 8 分。单点起泡清楚,手势、雨后街景和左右明暗有现场感;红柄工具是普通钳,右边桌面还有其它工具,牌子略斜,底角有水印。图:本轮评测样本原图。

A05 WorkBuddy hy4 生成的查漏场景

A05 · WorkBuddy hy4 · 6 分,全场最低。内胎轮廓连续、左光向右影明确、两行中文可读;气泡在胎底排成一列但最低端没落在破口上,头部朝左难确认眼神锁定泡源,底角有“AI生成 WORKBUDDY”水印。图:本轮评测样本原图。

直接调 API 的四张

四张用原始中文提示词、PNG、1536×1024、quality=high 串行生成,每模型一张。得分 7、9、9、10,跨度比 ChatGPT 那三张大,但 10 分那张和界面里两张 10 分打平。

B01 GPT Image 2.6 Flare 生成的查漏场景

B01 · gpt-image-2.6-flare · 7 分。三件工具和两行牌字都正确,但气泡在缸底与内胎重叠处起始、辨不出单一破口,还穿过水面继续排到露出的内胎下方;眼睛接近闭合,价目牌偏右且倾斜,工具影子偏硬。图:本轮评测样本原图。

B02 GPT Image 2.6 Sunburst 生成的查漏场景

B02 · gpt-image-2.6-sunburst · 9 分。气泡从水下橡胶一处浅痕向上升,手指靠近水面、压胎动作可信,牌子大且正面可读;双眼近闭,视线落点难确认,水位略高,较大的气泡让细小漏点显得偏明显。图:本轮评测样本原图。

B03 GPT Image 2 生成的查漏场景

B03 · gpt-image-2 · 9 分。细密气泡在胎底中央集中上升,水面平静,木桌、橡胶和雨后街景质感自然;眼睛近闭缺少具体凝视点,水位高于一半,气泡串上部略散。图:本轮评测样本原图。

B04 GPT Image 2.5 Sunburst 生成的查漏场景

B04 · gpt-image-2.5-sunburst · 10 分。脸的朝向和眯眼视线与偏左的泡源相符,三件工具、两行文字、左右光向都清楚,是本轮 API 图里唯一同时交代清楚漏点和视线的一张;水位明显过高、漏孔偏大,玻璃水渍较多,右上价目牌贴着画面边缘。图:本轮评测样本原图。

四张 API 图:耗时差 5.5 倍,分数差 3 分

只有这四张统计了用量。每次请求记录完整回包耗时、含解码和存图的总耗时、请求 ID,以及 API 返回的输入、输出和总 token。

模型API 耗时总耗时输入 token输出 token总 token得分
gpt-image-2.6-sunburst57.408 秒57.668 秒3761,3721,7489
gpt-image-2.6-flare15.770 秒15.895 秒3761,3531,7297
gpt-image-2.5-sunburst39.153 秒39.376 秒3761,3721,74810
gpt-image-286.858 秒86.983 秒3765,4885,8649

最慢的 gpt-image-2 用了 86.858 秒,最快的 2.6 Flare 只要 15.770 秒,相差约 5.5 倍,分数却只差 2 分。2.5 Sunburst 用 39.153 秒拿到 10 分,是四张里最划算的一张。gpt-image-2 的输出 token 是 5,488,另外三张都在 1,353 到 1,372 之间,四倍的差距既没换来速度也没换来最高分。报告的型号设定里,2.6 两个型号本来就是偏细节与偏速度的分工,特意保留这一对同代对照,又把两个 Sunburst 放在一起看代际差异,2.0 作早期基线。

四次成功请求合计返回 11,089 token。另有两次 401 认证失败,以及 2.5 Sunburst 的一次 400 参数错误,都没有返回用量;移除该模型请求里的显式 complexity 后单独重试成功。按 OpenAI 官方文档,complexity 是 GPT Image 2.6 系列那节引入的设置,2.5 不认识它是合理推测,但没有逐个参数验证过。七次请求的明细都在 generation-usage.csv 里。

口径有一处必须标出来:2.6 显式指定了 complexity=high,2.5 和 2.0 省略该参数、使用服务端默认。所以这四张不是完全相同的配置,耗时和分数不能当严格对照。另外五张没有用量统计,无法比较成本。

界面上的模型名,不是画图的那个模型

这不是九个选手打了一场平局,是两组不同的东西被摆在同一张表上。

OpenAI 的官方文档把这件事写得很清楚。在 Responses API 里,主模型写在顶层 model 字段(官方示例用的是 gpt-6-astra),生图则作为 tools 里的 image_generation 工具单独指定模型,比如 gpt-image-2.5-sunburst;官方原话是“the tool handles GPT Image model selection”。直接用 Image API 时,model 字段填的就是 gpt-image-* 系列。API 里还有个别名叫 chatgpt-image-latest,跟踪的正是 ChatGPT 里使用的那个图像模型;产品侧叫 ChatGPT Images,API 侧叫 GPT Image,两者是同一套能力的不同名字。

因此 Luna、Astra Extra High、Pro 这类标签更可能是对话侧的档位或路由名,决定的是推理档位和提示词处理,不负责生成像素。三张拿到 10、9、10,挤在一分之内,符合“同一个生图模型、采样波动加一次人工判读误差”的解释。要是它们真是三个能力不同的图像模型,同一段这么密的提示词下还如此接近,反而不太寻常。

有一点要修正:主模型并非完全无关。官方图像生成指南写明,Responses API 里主模型会自动改写(revise)提示词以提升效果。档位可能影响的是“最后喂给生图模型的那段文字”,只是不直接画。所以准确说法是不参与图像生成,不是“一点关系都没有”。

边界也摆在这里:报告原话是“已有样本的文件名沿用原标签,未核验这些界面背后的生图模型、生成设置或是否为首张样本”。上面是机制层面的解释,不是对这三张图的实证。要推翻它,最直接的办法是查响应里实际的模型字段,或者同一档位各跑三张,看分数分布是否收敛到同一个区间。时间线上还有个巧合:Images 2.6 于 2026 年 11 月 4 日发布,界面那三张图是 11 月 6 日生成的,按发布时间推测大概率已切到同一代图像模型——这同样是推测。

这轮评测不能推出什么

第一,每个型号只有 1 张样本。10 分制下差 1 分完全可能是一次采样波动,谈不了稳定性。真要比较稳定性,每个模型至少独立生成 3 张,报各项通过率和耗时中位数;15.770 秒也只是单次请求的完整回包耗时,不是 P50。

第二,配置口径不齐。2.6 显式 complexity=high,2.5 和 2.0 用默认值;A 组五张连生成设置和背后模型都没有记录,是否为首张样本也不知道。把两组的分数直接相减,等于把不同坐标系的数放在一起。

第三,评分含人工判读项。“视线是否落在漏点”“光线与叙事”这类 0/1 判断依赖读图的人,九张里有多张因为师傅眯眼接近闭眼被扣掉同一个检查点,换个人评完全可能差 1 分。

第四,天花板效应。中文文字九张全对,等于 2 分恒定拿满;剩下 8 分里还有四到五项几乎所有图都拿满,真正的区分度被压缩在两三个检查点上。总分排名因此比看上去更脆弱。

评分表该怎么改

建议保留原 10 分制做提示词遵循度,方便复核和横向对比。最有区分度的是气泡起点、工具细分类和视线,中文文字项仍要留着,因为它是明确的交付要求。

先把工具项拆清楚:第一分只看桌沿是否恰好三件、各自分开;第二分判断从左到右的具体种类与柄色。这样一把普通钳替代尖嘴钳只影响第二分,除非工具数量或间距也不符合。上表按原规则保留得分,没有混用口径。

再另列三组不计入 10 分的观察项,用于同分时比较:构图与可读性(3:2、略俯拍、脸与双手可见、工具和内胎尽量留全、价目牌接近正对镜头且只写两行);物理细节(透明方形缸、水位约一半、气泡尺寸和方向可信、手指与内胎接触处无穿插);纪实质感(雨后环境、湿指尖、旧木磨痕、哑光橡胶和柔和光影)。平台水印单列,它既影响成片使用,也可能暴露图片来源。

按这组样本,A01 的漏点最易读,A03 的气泡尺度和凝视关系较自然,B04 是本轮 API 图里同时交代清楚漏点和视线的一张,但水位偏高。若后续重点比较查漏是否可信,建议单独统计“单点起泡”和“凝视漏点”两项的通过率,避免被其它项目的高分掩盖。

复跑这套评测的方式也很简单:把 generate-images.ps1 和 prompt.txt 放在同一目录,用 PowerShell 执行脚本,按提示隐藏输入有效的 OpenAI 项目 API 密钥;加 -DryRun 可以只预览配置。脚本和结果日志都不保存密钥,原始日志留在各个 run_* 子目录里。

下一次要分清“模型档位”和“生图模型”,最省事的办法不是再把图看一遍,是把响应里的 model 字段记下来。

参考资料

打开原图 ↗