为什么现在可以把”概念稿”塞进 30 分钟里
过去一个概念稿的临界路径是这样的：设计师在 Figma 里搭一版粗框，去素材站找视觉参考，翻三个竞品的截图，然后把结果拼成一个”能看但不能评审”的东西。真正卡住进度的从来不是创意，而是跨过”布局对”和”视觉对”之间那道坎的时间。布局对了视觉不对，改视觉会破坏布局；视觉对了布局不对，调布局会把视觉氛围一起打散。这两件事在同一个画布里互相干扰，一改就是两小时。
GPT Image 2 在 2026 年 4 月 21 日发布之后，这件事第一次有了工程化的解法。它是 OpenAI 首个内置推理能力的图像模型——先想再画，而不是像上一代那样把文本提示词直接映射成像素。在 ChatGPT 里它被叫作 Images 2.0。这个”先想”的能力，配合单次最多 16 张参考图（每张最大约 100MB）、最长 32,000 字符的提示词，让”分工投喂”成为可能：你给它一张结构图说布局，给它几张风格图说气质，让它自己去调和。
但能调和，不等于调和得好。绝大多数人第一次用双图参考时，得到的结果是”结构被风格图吃掉”或者”风格被结构图的灰框拖累成 PPT 模板”。这篇文章要解决的核心问题只有一个：怎么让 GPT Image 2 明确知道，哪一张图说了算，哪一张图只是参考。我会把整套双图参考工作流拆成五步，每一步给出具体到参数的做法，并附上成本核算表和失败案例对照表。
谁适合读这篇
如果你是在做产品界面、运营活动页、品牌物料、电商详情页、海报、App onboarding 的设计师或设计负责人，这篇内容可以直接落地。如果你只是想”随便生成几张好看的图”，那 GPT Image 2 单图模式就够了，双图参考反而是过度设计。双图参考的价值只在一种场景下成立：你对布局有明确要求，同时对视觉有明确要求，而且这两个要求来自不同的地方。
先统一三个概念
为了后文不产生歧义，先把三个词定义清楚。这里贯穿全文的核心工具是 GPT Image 2，而”双图参考”是它的一个使用方法，不是它的功能名。
结构图：你自己画的、用来告诉模型”东西放哪、多大、怎么排”的图。它不负责好看，只负责空间关系。
风格图：你从素材库、竞品、品牌手册或者历史项目里挑出来的、用来告诉模型”要什么质感、什么颜色、什么光影、什么字体性格”的图。它不负责布局，只负责视觉语言。
双图参考：在同一次 GPT Image 2 调用里，同时投入结构图与风格图，并在提示词里用权重声明明确两者边界的工作方式。它的关键在于”声明”，不在”投入”——只投不声明，模型会按它自己的概率去猜谁更重要。
动手之前：先把双图参考的分工想清楚
结构图与风格图各自解决什么问题
概念稿评审时，评审人通常只会问两件事：这个信息层级对吗？这个感觉像我们的东西吗？前者是布局问题，后者是视觉问题。双图参考的本质，就是把这两个问题分别交给两张（或两组）图，避免它们在同一个输入里打架。
| 维度 | 结构图 | 风格图 |
|---|---|---|
| 回答的问题 | 元素放在哪、多大、什么顺序 | 看起来像什么、什么情绪 |
| 画到什么程度 | 线框 + 分块灰度即可 | 越具体越好，分辨率越高越好 |
| 数量建议 | 1 张（2 张会产生布局竞争） | 2～4 张（同源同调性） |
| 颜色策略 | 纯灰阶，禁止任何彩色 | 明确主色，避免多主色冲突 |
| 文字策略 | 只标区块名与字数，不写正文 | 可以有装饰性文字，但不能有语义 |
| 模型听谁的 | 听几何 | 听材质、光、色 |
反直觉结论一：结构图别画太细
这是这套工作流里最容易出错、也最少人讲的地方。绝大多数人的直觉是：我把结构图画得越精细，模型越听话。事实恰恰相反。结构图越精细，GPT Image 2 越容易把它当成一张”风格图”，连它的灰色、它的线宽、它的默认字体一起继承下来。
原因不复杂。GPT Image 2 是带推理的图像模型，它在”先想”的阶段会去判断每张参考图的角色。当你给的是一张带圆角矩形、带按钮、带导航栏、带阴影、带模拟正文的精细线框时，这张图在视觉上已经非常接近”一张设计稿”，模型的推理会把它归入”成品参考”，于是连它的视觉语言也照搬。你得到的就是一张被放大的 Figma 灰稿，风格图基本白给。
实操建议：结构图只画到三个信息——分块边界、模块的相对比例、信息层级（用 3 级灰阶表达主次）。不要画圆角，不要画阴影，不要画图标，不要在按钮里写”立即购买”。在区块中央用铅笔工具手写一行标注就够了，比如”HERO 区 720×420 / 标题 2 行 / 副文案 1 行 / 主按钮”。
如果你确实需要传递非常精确的间距（比如 24px 栅格、8pt 体系），不要画在结构图上，写进提示词。数字是文本的强项，图形的弱项。
反直觉结论二：参考图数量和可控性是边际递减的
GPT Image 2 单次支持最多 16 张参考图，这个数字很容易让人误以为”越多越好”。实际测试下来，控制力随数量的变化大致是这样一条曲线：
1 张时，模型几乎没有参照，全靠提示词，结果是”惊喜多、可控低”；2～4 张时，控制力快速上升，模型能在几张图之间找到一个共同的”风格解”；5～8 张时，控制力进入平台期，增加的是”细节丰富度”而不是”方向准确度”；超过 8 张之后，控制力开始下降，因为多张图之间出现了内部矛盾——一张冷调一张暖调、一张无衬线一张衬线，模型必须自己投票，而它的投票结果你看不见也改不了。
所以这篇文章推荐的默认配置是 1 张结构图 + 3 张风格图 = 4 张参考图。这个组合在可控性和丰富度之间的平衡最好，也留出了足够的余量，让你在失败时能快速定位是哪一张图出了问题。真正需要用满 16 张的，通常是”多图一致性”场景（比如同一套 8 张电商详情页），而那属于 Character Lock 的领域，不是这里要讲的。
第一步：画结构图——细度、比例、标注的三条铁律
用什么工具画
Figma 本身就是最好的结构图工具，不用换。新建一个 Frame，尺寸与你目标出图比例一致（16:9 页就 1920×1080，移动端就 390×844 或 750×1624，2K 图可以用 2560×1440）。在里面用矩形工具堆分块，灰度只用三档：#1A1A1A 主信息区、#8C8C8C 次级区、#E6E6E6 背景/填充区。导出 PNG，1x 即可，不需要 2x。
这里有个细节：导出前把所有图层名改成语义名，比如 hero-copy、product-grid-3x2、cta-main。原因不是 GPT Image 2 会读图层名（它不会），而是你自己在写提示词时需要一段”区块清单”，图层名就是清单的草稿。这一步省下来，后面写提示词会多花十分钟。
细度上限：三个”不要画”
具体到执行层面，结构图有三样东西必须克制。
不要画圆形和圆角。一旦出现圆角，模型会开始判断”这个 UI 的语言是 iOS 还是 Material”，然后调用它对这个语言的既有印象，覆盖你风格图给的视觉。要表达”按钮是圆角还是方角”，写进提示词。
不要画图标和插图占位。图标是最强的风格信号之一。你在结构图里放一个线描相机图标，模型就会往全线描风格上靠；放一个填充风图标，就往扁平填充风上靠。插图占位一律用纯灰矩形 + 内部写”IMG”，这是行业里唯一被模型稳定理解为”此处待填图”的写法。
不要画阴影和描边。阴影属于视觉语言，不属于布局。你要说”卡片要不要浮起来”，写进提示词。
比例与栅格：让结构图自带秩序
结构图的价值不在于精确，而在于”比例关系”。所以画的时候优先保证三种比例是准确的：主视觉区与内容区的面积比、各栏的宽度比、留白与内容的比例。这三者决定了生成图”像不像一个专业版面”。
以常见的营销落地页为例，可以用 12 栏栅格，左右边距各 1 栏，内容占 10 栏；Hero 区高度占视口 45%，内容区占 40%，页脚占 15%。把这些比例画准，再配合提示词里的”12 栏栅格，间距 24px”，GPT Image 2 生成的版面几乎不会出现”元素挤在角落”或者”顶部巨大标题压垮页面”这类低级错误。
标注怎么写才有效
结构图上允许的文字只有一种：区块名 + 关键约束。写法参考这一行：
SECTION B｜2×3 PRODUCT GRID｜SQUARE RATIO｜GAP 24
用全大写、英文、无装饰，这样模型不会把它当成”要渲染的正文内容”去做花体设计。如果你要表达中文内容的层级（比如”标题最多 12 字”），写在提示词里，不要写在图上。图上出现中文，会让 GPT Image 2 有机会把这块当成一个”文字渲染任务”，反而抢走注意力。
第二步：选风格图——张数、同源性、禁止项
三张怎么配
风格图不是”三张都好看”就行，三张各自承担不同的职责，这是双图参考能否稳定的关键。推荐的三张结构是：
主调图（Decision Maker）：决定颜色、光影、材质的一张。这是权重最高的一张，通常来自品牌手册的视觉示例页，或者上一版做得好的项目稿。要求：有明确的主色、明确的光位、明确的环境（比如柔光棚拍、暗背景聚光、自然光窗边）。
质感图（Texture Reference）：决定细节密度的一张。它不需要构图好看，只需要”放大看有很多东西”，比如磨砂玻璃、噪点渐变、纸张纹理、金属拉丝。用它告诉模型你要什么级别的细节。
版式气质图（Tone Reference）：决定字体性格、留白节奏、元素疏密的一张。这张最容易选错，因为它常常和结构图的布局冲突。正确做法是：选一张”气质对但布局完全不同”的图，比如你做的是横向 Banner，就用一张纵向海报当气质图。布局不同，模型才不会被它带偏结构。
同源性：三张图必须是一个”视觉世界”
这里有个硬规则：三张风格图的主色不能超过两种色相，色温方向必须一致。一张冷蓝、一张暖橙、一张米白，模型会生成一张”三色平权”的图，看起来像没过校对。如果你的品牌确实是多色系，那就把三张图统一到一个子色系里，其他颜色写进提示词作为点缀。
同理，材质语言要统一。哑光 + 高光金属 + 水彩纸这三种质感，模型无法判断哪个是主，结果通常是全部糊在一起。选择时问自己一句话：这三张图如果并排挂在同一面墙上，像不像同一个展出的作品？
禁止项清单
以下几类图千万不要放进风格图组：
带真实人物正脸的商业摄影（会触发身份参考逻辑，且存在合规风险）；带大段文字的截图（模型会尝试复刻文字，占掉大量渲染预算）；带明显水印、UI 边框、浏览器 chrome 的截图（会被当成布局的一部分画进去）；饱和度极高、对比极硬的”高能图”（有它之后，其他两张图都会被压成配角，权重声明也很难拉回来）。
参考图总量控制与分组
单次 16 张的上限不是让你一次塞满，而是给你”分组”的空间。同一次任务里如果需要多套视觉方向（比如要给评审三个选项），正确做法不是把 12 张图一次性投喂，而是按组分开调用。一组一组地出，最后在 Figma 里横向对比。
【GPT Image 2 参考图分组清单 · 单次任务模板】
任务名：AURORA 春季会员活动落地页 · 概念稿 Round 1
目标比例：16:9 / 2K（2560×1440）
单组参考图数：4 张（1 结构 + 3 风格）
—— GROUP A：冷调科技感（默认方向）——
[01] 结构 | wireframe_A_16x9.png | 3 档灰阶 · 12 栏栅格 · 无圆角无阴影
[02] 风格 | ref_master_glass.jpg | 主调：冷蓝 + 磨砂玻璃 + 侧逆光
[03] 风格 | ref_texture_grain.jpg | 质感：细颗粒噪点 + 微渐变
[04] 风格 | ref_tone_poster.jpg | 气质：纵向海报 · 大留白 · 无衬线细体
—— GROUP B：暖调品牌感（备选方向）——
[05] 结构 | wireframe_A_16x9.png | 与 A 组共用同一张结构图
[06] 风格 | ref_master_warm.jpg | 主调：米白 + 陶土橙 + 柔光棚拍
[07] 风格 | ref_texture_paper.jpg | 质感：纸张纤维 + 柔边阴影
[08] 风格 | ref_tone_editorial.jpg | 气质：杂志内页 · 衬线标题 · 窄栏
—— 保留位（暂不入组，进入 Round 2 再评估）——
[09]-[16] 备选风格图池：竞品截屏、历史项目稿、品牌手册 P12-P18
（规则：单组超过 5 张时，可控性下降，需重新拆组）第三步：写合并提示词——权重声明是整套工作流的命门
为什么冲突时模型不听话
当结构图和风格图在某个维度上给出矛盾信息时，GPT Image 2 会怎么选？答案是：它会按参考图的”视觉强度”投票，而不是按你的意图投票。风格图通常色彩丰富、对比强烈、细节密集，视觉强度天然高于灰度线框。所以在没有任何声明的情况下，模型默认让风格图赢——这就是为什么很多人”给了结构图，出来还是不像结构图”。
要改变这个默认，你必须在提示词里建立一套显式的仲裁规则：告诉模型每个维度上谁说了算。这套规则就是”权重声明”。它不是加分项，是使用双图参考的前提条件。没有权重声明的双图参考，成功率和单图参考没有区别。
权重声明的四段式结构
我把权重声明归纳为四个层次，建议按顺序写，GPT Image 2 的推理阶段对这种结构化输入的遵循度明显更高：
第一段：角色分配。明确点名每张图的角色，用”参考图 1/2/3″这种编号而不是”那张蓝色的图”，因为模型对编号的定位更稳。
第二段：维度仲裁。逐维度写”取自哪里”，覆盖六个维度：布局、比例、颜色、光影、材质、字体性格。这是最关键的段落。
第三段：冲突规则。写一句兜底：当某维度上两边冲突时，以哪边为准。这句必须写死，不能留模糊空间。
第四段：绝对约束。列出模型绝对不能做的事，比如”不得复刻参考图中的文字”、”不得出现品牌 Logo”、”不得在图上添加任何水印”。
完整合并提示词模板
下面这个模板可以直接用，把方括号里的内容替换掉即可。它控制在 1200 字符左右，远低于 32,000 的上限。我建议不要写满——提示词太长时，模型会在推理阶段”选择性忽略”后半段，而它选择忽略哪一段你无法预测。控制在 2000 字符以内，遵循度最稳定。
【任务】生成 1 张概念稿，用于内部设计评审，不需要最终成品精度。
【参考图角色】
参考图 1 = 结构图（唯一布局来源）
参考图 2 = 风格主调图（颜色 / 光影 / 材质的最高优先级）
参考图 3 = 质感参考图（细节密度）
参考图 4 = 气质参考图（字体性格 / 留白节奏）
【维度仲裁 · 逐项声明】
- 布局与元素位置：100% 取自参考图 1，不得增减区块、不得改变区块相对大小
- 区块比例与栅格：取自参考图 1，12 栏栅格，栏间距 24px，左右边距 80px
- 主色与配色比例：取自参考图 2，主色占画面 60%，辅色 30%，点缀色 10%
- 光影方向与质感：取自参考图 2，主光源来自左上方 45°，柔和侧逆光，无硬阴影
- 细节密度：取自参考图 3，允许细颗粒噪点与微渐变，禁止大面积纯色平铺
- 字体性格：取自参考图 4，无衬线细体，字重 300-400，字间距微收紧
- 留白节奏：取自参考图 4，模块之间留白不小于 64px
【冲突规则】
当参考图 1 与参考图 2/3/4 在任一维度冲突时：
1. 凡是"位置、大小、顺序"相关，一律以参考图 1 为准；
2. 凡是"颜色、光、材质、字体"相关，一律以参考图 2 为准；
3. 参考图 3/4 仅做微调补充，不得覆盖参考图 2 的决定；
4. 严禁把参考图 1 的灰度、线宽、默认字体继承到最终画面。
【画面内容】
页面为 16:9 营销落地页。自上而下：
A 区（占高 45%）：左侧主标题两行、副标题一行、主按钮一枚；右侧产品主图占该区 52% 宽度。
B 区（占高 40%）：2 行 × 3 列产品卡片网格，卡片为正方形比例。
C 区（占高 15%）：页脚，左侧 Logo 位，右侧三个文字链接。
【文字渲染】
主标题中文 10 字，副标题中文 16 字，按钮中文 4 字。字形清晰可读即可，不要求排版精致。
除以上文案外，画面中不得出现任何其他文字。
【绝对约束】
- 不复刻任何参考图中的文字、Logo、水印
- 不出现人脸与真实人物
- 不添加参考图 1 中不存在的区块
- 输出 2K 分辨率，16:9
【输出】
单张图，概念稿精度，允许局部不完美。权重声明的三个写法技巧
技巧一：用百分比代替形容词。“结构要准确”这句话模型读不懂，”布局 100% 取自参考图 1″它能读懂。百分比给了推理阶段一个可计算的目标。
技巧二：否定句要具体。“不要像线框图”太抽象，”严禁把参考图 1 的灰度、线宽、默认字体继承到最终画面”是模型能执行的具体动作。GPT Image 2 的推理能力对”具体动作”的响应远好于”抽象评价”。
技巧三：把最重要的约束放在最前和最后。模型的注意力在长提示词里呈”两头高、中间低”的分布。所以角色分配放开头，绝对约束放结尾，中间才是细节。
一个常被忽略的维度：文字渲染
GPT Image 2 的多语言文字渲染是它最被低估的能力之一。它支持拉丁、中文、日文、韩文、印地文、孟加拉文、阿拉伯文，官方口径是准确率 95% 以上；部分资料提到的细分数据是英文等 7 种语言 99%、中文 90% 以上。这意味着你完全可以让它直接把中文标题画出来，而不是事后在 Figma 里贴字。
但双图参考场景下，文字渲染有一个陷阱：风格图里的装饰性文字会被模型当成”要渲染的文字”。所以选风格图时要避开带大段文字的图；如果避不开，就在提示词里加一句”参考图 2/3/4 中的文字仅作视觉参考，不得渲染进最终画面”。
另外，中文在 2K 分辨率下比在 1K 下明显更稳。1K（约 1024 长边）时，中文笔画密集的字符容易糊成块；2K（2560×1440）基本可读；4K 更清晰但要注意，OpenAI 明确说明高于约 2560×1440 的输出属于实验性，不保证稳定性。所以概念稿阶段，2K 是性价比最高的档位。
第四步：批量出 8 张候选——一次性拿到足够多的”方向”
用”成套输出”而不是重复调用
GPT Image 2 单次提示最多可产出 8 张成套图像，并且跨图保持主体一致。这个能力在双图参考里非常重要，因为它让 8 张候选共享同一个结构图与同一组风格图——也就是说，你对比的是”模型在同一个约束下的 8 种解”，而不是 8 次独立抽卡。前者可以用来做设计判断，后者只能用来抽奖。
做法是在提示词末尾加一段”变体指令”：在保持布局、配色体系、主体不变的前提下，让 8 张图分别探索不同的节奏变化，比如按钮处理、卡片细节、留白密度、光影强度。这样 8 张里至少有 3 张是可比的。
8 张里该看什么
不要一张张看完整画面，那会被漂亮的光影骗。评审概念稿要按固定顺序看四个点：
先看布局保真度——区块数量、相对位置、面积比是否和结构图一致，这一项是硬门槛，不过关的直接淘汰；再看视觉方向——整体是否落在风格图给出的色彩与质感区间里；然后看文字可读性——中文标题是否清晰；最后看细节可信度——材质、留白、边缘处理是否像人做的。
按这个顺序，通常 8 张里会有 2～3 张进入”可讨论”区间，1 张进入”可评审”区间。这就够了。概念稿阶段追求的不是 8 张都好，而是 8 张里至少 1 张能把讨论推向正确的方向。
成本与耗时核算表
这一节的数据按官方 API 定价计算：图片输入 $8 / 百万 token，缓存图片输入 $2 / 百万 token，图片输出 $30 / 百万 token，文本输入 $5 / 百万 token。单图成本区间为约 $0.006（低质量档）到 $0.211（高质量档），Batch API 五折。
| 环节 | 操作 | 单次成本（估算） | 耗时 | 产出 |
|---|---|---|---|---|
| 1. 画结构图 | Figma 内手绘 + 导出 PNG | $0 | 6～8 分钟 | 1 张结构图 |
| 2. 选风格图 | 素材库筛选 3 张 | $0 | 4～6 分钟 | 3 张风格图 |
| 3. 写提示词 | 套用合并模板 | 文本输入约 $0.002 | 5～7 分钟 | 1 份带权重声明的提示词 |
| 4a. 出 8 张（标准质量 2K） | 单次调用，8 图成套 | 约 $0.32～$0.45 | 2～4 分钟 | 8 张候选 |
| 4b. 失败重跑 1 次 | 微调权重声明后重调 | 约 $0.32～$0.45 | 2～4 分钟 | 8 张候选（第二组） |
| 5. Figma 精修 | 图层整理 + 批注 | $0 | 8～10 分钟 | 1 份可评审概念稿 |
| 合计（含 1 次重跑） | — | 约 $0.65～$0.90 | 约 27～39 分钟 | 1 份概念稿 + 8～16 张备选 |
如果只跑一轮不重跑，总耗时基本落在 25～33 分钟区间，符合”30 分钟出可评审概念稿”的预期。成本在 1 美元以内，摊到一次评审会上，约等于一杯咖啡。这也是双图参考值得被日常化的原因——它不是”贵得只能用在重点项目上的炫技”，而是可以每周跑十次的常规动作。
想进一步压低成本，可以在探索阶段用低质量档（约 $0.006/张）批量试方向，选定方向后再用高质量档（约 $0.211/张）出 2～4 张精修底稿。整组的单张均价可以压到 $0.05 左右。如果批量任务不着急，走 Batch API 还能再打五折。
第五步：进 Figma 精修与批注——把”图”变成”可评审稿”
导入与图层策略
把选中的 1～3 张候选图拖进 Figma，先不要急着裁剪和改色。第一步是做”图层骨架”：在图片上方新建一个 Frame，按结构图的区块再画一遍透明的参考框，命名为和结构图一致的 hero-copy、product-grid、cta-main。这一步的作用不是叠加，而是给后续的设计师留下”哪里能改、改多大不越界”的信息。
对图片本身，建议保留原图不裁切，只做一层轻微的色阶修正（通常是降低 5% 饱和度、提升 3% 对比），让它在 Figma 的画布上不至于过亮抢走画板边框。不要试图在 Figma 里”修图”——概念稿的目的不是精修，是让评审能对方向做判断。
批注：让评审 3 分钟看懂你做了什么
很多人把概念稿丢上去就不管了，评审会上花 15 分钟解释”这里的结构是我定的、这里的颜色是参考图给的”。正确做法是把这件事前置到文件里。每张概念稿上放 3～5 条批注就够，建议覆盖四个位置：
结构来源（标在页面边缘，写”布局锁定，来自结构图 v2，勿在评审中讨论布局”）；视觉来源（标在主视觉区，列出三张风格图的缩略图与一句话说明）；待决议点（标在你不确定的地方，比如”B 区卡片圆角待定，受品牌规范限制”）；被模型忽略的约束（标在被牺牲的地方，比如”模型未严格遵守留白 64px，实际约 40px，需人工确认”）。
第四条最关键。它向评审传递了一个信号：你知道这张图的边界在哪里。这比”这张图很好看”有价值得多。
流程串联：从单页到用户路径
单张概念稿只能回答”这一页长什么样”。评审真正关心的是”用户从看到到下单，中间经历了什么”。所以如果你这次做的是产品流程，不要只出首页，用同一组结构图 + 同一组风格图，把关键 3～5 个页面都生成出来。因为共用参考图，跨页面的视觉一致性由模型保证，这一步几乎不额外花时间。
在 Figma 里用 Prototype 连接这 3～5 个页面，加上最简单的 Smart Animate，就能在评审时点着走一遍。这一步的成本是 5 分钟，但它把”概念稿”从”一堆图”变成”一个可交互的提案”，评审通过率会有明显差别。
评审准备清单
评审前 3 分钟，对照这份清单快速过一遍：是否只保留了 1～3 张主稿（不要放 8 张，会让评审陷入选择困难）；是否标注了结构来源与视觉来源；是否列出了 2～3 个明确的”待决问题”，而不是”大家看看有什么想法”；是否准备了 1 张”失败样本”放在附录，用来展示被否决的方向；是否在文件里留了参考图组，方便会后追溯。
提示词里的权重声明怎么写才真的生效
三种权重表达法的对比
权重声明有很多种写法，它们的实际效果差别很大。下面这张表总结了三种常见写法的适用场景。
| 写法 | 示例 | 适合场景 | 稳定性 |
|---|---|---|---|
| 维度归属式 | “布局取自参考图 1，颜色取自参考图 2” | 绝大多数双图参考场景 | 高 |
| 百分比量化式 | “参考图 1 对布局的影响权重 100%，参考图 2 对颜色的影响权重 80%” | 需要微调某一维度强度时 | 中高 |
| 否定排除式 | “不得继承参考图 1 的灰度与线宽” | 作为兜底补充，配合前两种使用 | 中（单独使用效果弱） |
实践中最稳的组合是”维度归属式 + 否定排除式”：前者建立规则，后者堵住漏洞。百分比量化式适合在第二轮微调时使用，比如”参考图 3 的质感强度降到 40%”，用来修正细节过密的问题。
把 16 张参考图拆成”主参考 + 辅助参考”
当参考图数量需要扩展到 8 张以上时，权重声明必须同步升级，否则模型会陷入内部投票。升级的方式很简单：在角色分配段里，把参考图分成两级——主参考（1 张结构 + 1 张风格主调）和辅助参考（其余全部）。然后在维度仲裁段里，只给主参考分配”决定权”，辅助参考只分配”参考权”。
一句关键的兜底句是：“当辅助参考与主参考冲突时，一律以主参考为准，辅助参考仅在其与主参考一致的维度上生效。”这句话写上去之后，16 张参考图的内部矛盾会被压到一个可控范围内，模型只需要在主参考的框架下做细节丰富。
失败案例对照表：四类高频翻车与改法
下面这四个案例来自实际跑图时反复出现的问题，每一个都给出了”要什么 / 为什么错 / 怎么改提示词”三栏对照。建议在第一次跑不通时先来这里对照，比盲目重跑更快。
| 要什么 | 为什么错 | 怎么改提示词 |
|---|---|---|
| 严格按结构图布局出图 | 结构图画得太精细（有圆角、有图标、有模拟正文），模型把它当成品参考，连灰度线宽一起继承；同时提示词只说”参考图 1 为布局”，没写”不得继承视觉” | 重画结构图为纯灰阶三档、去掉圆角与图标；提示词加”布局与元素位置 100% 取自参考图 1；严禁继承参考图 1 的灰度、线宽与默认字体” |
| 出图的质感像风格图，但颜色跑偏 | 三张风格图色相差异过大（一张蓝、一张橙、一张灰），模型做了”平均色”，而提示词只写”颜色参考风格图”，没指定哪一张对颜色负责 | 把风格图收敛到同一色相家族；提示词指定”参考图 2 为唯一颜色来源，主色占 60%、辅色 30%、点缀 10%；参考图 3/4 不得引入新色相” |
| 中文标题清晰可读 | 直接用了 1K 分辨率，中文笔画糊成块；且风格图里有一段装饰英文，模型把渲染预算分给了它 | 把分辨率提到 2K（2560×1440）；提示词加”主标题中文 10 字，必须清晰可读；参考图 2/3/4 中的文字仅作视觉参考，不得渲染进最终画面” |
| 8 张候选各有可取之处 | 分 8 次独立调用，每次参考图相同但采样种子不同，导致 8 张在布局和配色上都不在一个体系里，无法横向对比 | 改为单次调用输出 8 张成套图像；提示词加”8 张图共享同一布局与配色体系，仅在按钮处理、卡片细节、留白密度、光影强度四个维度做变体” |
还有一个隐性失败：结构对了但”不像设计”
这类结果往往发生在结构图完全是几何色块、风格图又过于抽象的情况下。模型严格遵守了布局，也遵守了配色，但生成出来的东西像”用色块填满了模版的占位图”，没有设计感。原因是它缺少”细节层次的示范”。
解法不是加更多约束，而是补一张”完成度参照”，作为辅助参考。这张图不需要和新项目有关，只要是同等完成度的优秀界面即可，作用是告诉模型”成品应该精细到什么程度”。在提示词里把它定位为”仅用于完成度参照，不参与颜色与布局决策”。这一张图经常能把结果从 60 分拉到 80 分。
Character Lock：让”锁定”这件事真正成立
它解决什么问题
双图参考解决的是”这一张图长什么样”，Character Lock 解决的是”这一套图里的同一个东西长什么样”。在概念稿阶段，它的典型用法是锁定产品主体：你有一张产品实拍图，希望它在 8 张候选里保持同一外观，只是光线、背景、构图不同。启用 Character Lock 之后，改这些维度不会改变主体外观，这是它和普通”风格参考”最本质的区别。
在双图参考工作流里，Character Lock 通常作为第三层出现：结构图管布局，风格图管视觉，Character Lock 管主体。三者叠加时，提示词里要把主体单独写一段，明确”主体外观 100% 锁定，仅允许光线与背景变化”。
何时该用、何时别用
该用：产品图、IP 角色、品牌吉祥物、固定的品牌元素（比如某个特定的图形符号）。不该用：抽象的氛围图、纯排版页面、没有固定主体的海报。后三种场景启用 Character Lock 反而会让模型过度保守，画面变得平淡。
2026 年 9 月的版本变化：该用 GPT Image 2 还是 2.5
2026 年 9 月，OpenAI 发布了 GPT Image 2.5，提供两种模式：Flare 主打更快，Sunburst 主打更高质量。很多人的第一反应是”那就换 2.5″。但在这个工作流里，结论并不那么简单。
GPT Image 2 在细节多、参考图多的任务上仍然有优势。双图参考、8 张参考组合、16 张上限的复杂分组，恰恰属于这一类。原因是它的推理路径在”多图仲裁”这个环节做得更扎实，面对相互矛盾的参考图时更少出现”平均主义”式的妥协。而 2.5 的 Flare 更适合”方向明确、只需要快速出量”的场景，Sunburst 更适合”参考图少、但要求极致精度”的场景。
实操建议：探索阶段用 2.5 Flare 快速试方向（便宜且快），定稿阶段有条件时用 GPT Image 2 跑多参考精修。如果你还没接触过 2.5，继续用 GPT Image 2 完全不影响这套工作流成立——它的 16 张参考、32,000 字符提示词、8 张成套输出这些能力，已经足够支撑双图参考的全部环节。
调用示例：把它接进你自己的工具链
API 调用骨架
下面是一个最小可运行的调用示例，用图片编辑接口，把 4 张参考图（1 结构 + 3 风格）一次性传入。注意两点：一是 quality 参数选 high 时单图成本会明显上升（约 $0.211），概念稿阶段用 medium 就够；二是 n 参数控制成套输出的张数，最大 8。
import base64
from openai import OpenAI
client = OpenAI()
def b64(path):
with open(path, "rb") as f:
return base64.b64encode(f.read()).decode("utf-8")
prompt = open("prompt_merged.txt", encoding="utf-8").read()
resp = client.images.edit(
model="gpt-image-2", # 多参考图 + 多图仲裁场景
image=[
("wireframe_A_16x9.png", open("refs/wireframe_A_16x9.png", "rb"), "image/png"),
("ref_master_glass.jpg", open("refs/ref_master_glass.jpg", "rb"), "image/jpeg"),
("ref_texture_grain.jpg", open("refs/ref_texture_grain.jpg", "rb"), "image/jpeg"),
("ref_tone_poster.jpg", open("refs/ref_tone_poster.jpg", "rb"), "image/jpeg"),
],
prompt=prompt,
size="2560x1440", # 2K，中文可读性的性价比拐点
quality="medium", # 概念稿档位；high 约 $0.211/张
n=8, # 成套输出，最大 8
background="opaque",
output_format="png",
)
for i, item in enumerate(resp.data):
with open(f"out/candidate_{i:02d}.png", "wb") as f:
f.write(base64.b64decode(item.b64_json))
print(f"saved candidate_{i:02d}.png")
print("usage:", resp.usage)Batch 五折的用法
如果这次的 8 张候选不急，走 Batch API 可以再省一半。适合的场景是：周五下班前提交，周一早上收图。对于每周固定产出多个概念方向的团队，把批量探索任务全部走 Batch，是成本优化里回报最高的一步。需要注意的是 Batch 有周转窗口，不要用在评审当天的临时补图。
缓存图片输入：容易被忽略的一项
定价表里有一项”缓存图片输入 $2/百万 token”，是普通图片输入的四分之一。当你用同一组参考图反复调用（这就是双图参考的常态），命中缓存的比例会很高。实践上，同一个项目里连续跑 5～10 次，总成本会比”每次重新上传”低相当一截。这也是为什么建议在同一组参考图上做多轮微调，而不是”换一组图重来”——前者能吃到缓存，后者不能。
把这套工作流沉淀成团队资产
参考图库：比提示词库更值钱
很多团队在沉淀提示词模板，但真正带来复利的其实是参考图库。因为提示词可以两周学会，而”哪三张风格图配在一起能出稳定的冷调科技感”这件事，需要半年以上沉淀。建议在共享盘里按”调性”建文件夹，每个文件夹里固定放 3 张已验证明同源性的风格图，命名为”调性-行业-验证日期”。
结构图也要沉淀，但沉淀的是”结构模板”而不是单次成品：一个 12 栏栅格的空白 Frame、一组常用的区块组合（Hero、三列特性、双列图文、页脚）、一套 3 档灰阶。新人拿到模板后，第一步画结构图的时间能从 8 分钟压到 3 分钟。
失败样本库：让错误不要重复
每个项目结束后，把被淘汰的候选图里”最有代表性的一张失败”归档，附一句”错在哪、怎么改”。上文那张失败案例对照表，本质就是一个团队级的失败样本库。它的价值在于让新人在第一次跑图时就知道”结构图画太细会翻车”这种反直觉结论，而不是每个人自己踩一遍。
FAQ
双图参考必须正好两张图吗？
不是。”双图”指的是两类角色——结构图与风格图，不是严格的两张图。实操上最常见的组合是 1 张结构图 + 3 张风格图，共 4 张。风格图超过 4 张后，控制力的边际收益快速下降，而内部矛盾的概率上升。如果你确实需要更多，先按”主参考 + 辅助参考”两级拆分，再写权重声明。
结构图的灰度会不会影响最终配色？
会，而且这是最常见的翻车原因。灰度是视觉语言的一部分，模型很容易把它当成”低饱和度风格”继承下来。所以结构图只允许三档灰（#1A1A1A、#8C8C8C、#E6E6E6），并且提示词里必须有一句”严禁继承参考图 1 的灰度与线宽”。如果你的风格本来就是低饱和，这一句也要写，否则你会得到比预期更灰的结果。
中文标题一定要模型直接渲染，还是后期贴字？
概念稿阶段建议让模型直接渲染。GPT Image 2 的中文准确率官方口径在 95% 以上，部分资料给到 90% 以上，配合 2K 分辨率已经足够让评审读懂信息层级。后期贴字反而会让你在评审时失去”版式整体感”的判断依据。如果最终稿需要精确排版，再回 Figma 重排——但那是设计细化阶段的事，不是概念稿阶段的事。
为什么我用了 16 张参考图，结果反而更差？
因为 16 张之间几乎必然存在内部矛盾（不同色温、不同材质语言、不同字体性格），而模型的”仲裁”结果你看不见。数量超过 8 张之后，可控性开始下降。正确用法是分组：同一时间只投喂一组 4～5 张，跑完再换一组；如果必须一次投多组，就把其中两张立为”主参考”，其余全部声明为”辅助参考，仅在一致维度上生效”。
30 分钟这个数字现实吗？
在参考图库和结构模板已经沉淀好、且只跑一轮的情况下，是现实的：画结构图 6～8 分钟，选风格图 4～6 分钟，写提示词 5～7 分钟，出图 2～4 分钟，Figma 收尾 8～10 分钟。第一次做或者需要重跑一轮时，大约 35～40 分钟。真正省时间的不是”模型出图快”，而是”你不再需要花两小时在布局与视觉之间反复拉扯”。
Figma 里还需要做哪些事，才叫”可评审”？
至少四件：一是给图片加一层透明参考框，标出区块边界；二是放 3～5 条批注，覆盖结构来源、视觉来源、待决议点、被模型忽略的约束；三是列出 2～3 个明确的待决问题，而不是开放式的”大家看看”；四是如果涉及流程，用 Prototype 把 3～5 个页面串成可点击的路径。做到这四条，评审会的时间通常能从一小时压到半小时，且结论更聚焦。
暂无评论内容