4 月 21 号 OpenAI 放了个大招——GPT-Image-2。TechCrunch 说它"出人意料地擅长生成文字"，推特上到处是"设计已死"的震惊体。
刷了两天我就烦了。全是对比图和情绪输出，没几个人说清楚到底怎么用。
行，那我来。踩了两天坑，掏心窝子整理出来。
它到底是个啥
先说清楚几个概念，不然容易搞混：
- ChatGPT Images 2.0：你在 ChatGPT 聊天界面里直接让它画图，用的就是这个
- gpt-image-2：模型名字。但调 API 时端点叫
gpt-image-1——对，是 1 不是 2，别问我为什么
跟 DALL-E 3 最核心的区别：这货会"想"。
OpenAI 官方博客原话说的是"visual reasoning"。翻译成人话——DALL-E 3 是扩散模型，噪点去噪一步莽到底，根本不管布局合不合理。GPT-Image-2 把图像拆成 Token 序列，跟大模型处理文字一样先规划再动手。
结果就是——文字渲染准了，构图可控了，你能跟它"对话式"改图了。华尔街见闻那篇分析说得比较到位："从渲染工具进化到了战略设计系统"。我觉得夸大了，但方向没错。
三种用法，按需选
用法一：ChatGPT 里直接画
最简单。打开 ChatGPT，跟它说"帮我画一张 XX"就行。
几个提效技巧：
给参考图。别光用文字描述。上传一张你想要的风格的图，说"参考这张的色调和构图，帮我画 XX"，效果比纯文字 prompt 好太多。
分步迭代。别试图一句 prompt 搞定一切。先让它出个大概，然后说"把文字放大""背景换成深蓝""左边的人物删掉"——一步步调，比重写 prompt 快得多。
中文文字渲染。这是它的杀手锏。把要渲染的文字用引号括起来强调：
海报标题写「深夜食堂」四个字，楷体，白色，居中放在画面上方 1/3 位置
实际效果如下——四个字清晰可读，风格、位置、字体全部到位：
准确率比 DALL-E 3 高了不止一个档次。根据 nanowow.ai 那篇对比测评的数据，文字渲染准确率从 DALL-E 3 的约 60% 直接拉到了 99%。我自己测了 20 组中文文字，只有 1 组出了问题（是个生僻字）。
用法二：API 调用
开发者看这里。代码很简单：
from openai import OpenAI
client = OpenAI()
result = client.images.generate(
model="gpt-image-1", # 注意：不是 gpt-image-2
prompt="一只橘猫坐在赛博朋克街道上",
size="1024x1024",
quality="medium", # low / medium / high
output_format="png"
)
# 默认返回 b64_json，不是 URL！
import base64
image_data = base64.b64decode(result.data[0].b64_json)
with open("cat.png", "wb") as f:
f.write(image_data)
几个关键参数：
| 参数 | 选项 | 说明 |
|---|---|---|
| quality | low / medium / high | low 最便宜但糙，high 最贵最精 |
| size | 1024x1024 等 | 支持 3:1 到 1:3 的各种比例 |
| output_format | png / jpeg / webp | png 支持透明背景 |
| response_format | b64_json / url | 默认 b64_json，很多人栽这儿 |
用法三：图片编辑（局部重绘）
这个功能很多人没注意到。你可以上传一张图，让它只改局部：
result = client.images.edit(
model="gpt-image-1",
image=open("original.png", "rb"),
prompt="把背景从白色换成渐变蓝色，其他不变"
)
掘金上有篇文章专门测了商业设计场景，说主体锁定"让产品图批量生产成为可能"。我自己试了——换背景、改文字、调颜色，主体确实不太会变形。做电商的同学可以重点关注。
钱的问题
先别急着 high quality 全开。看看账单怎么算的：
| 质量 | 大约 Token 消耗 | 单张成本（估算） |
|---|---|---|
| low | ~1000 tokens | ~$0.04 |
| medium | ~2000 tokens | ~$0.08 |
| high | ~4000-8000 tokens | ~$0.12-0.24 |
输入部分：30.00/百万 Token。
我第一天不懂事，high quality 跑了 200 张测试——晚上看账单差点没缓过来。腾讯云开发者社区那篇接入教程也提了这事儿，说"计费模式是最容易翻车的地方"。他们没说错。
建议：开发测试阶段一律 quality="low"，正式环境再开 medium 或 high。
我踩过的 5 个坑
坑 1：SDK 版本
openai 包要 ≥ 1.75.0。老版本调 gpt-image-1 会报参数错误，报错信息还挺误导人的——你以为是 prompt 写错了，其实是 SDK 太旧。
pip install --upgrade openai
坑 2：返回格式
默认返回 b64_json，不是 URL。代码里直接取 result.data[0].url 拿到的是 None。要么加 response_format="url"，要么解码 base64。
我在这个坑里白瞎了半小时。气得够呛。
坑 3：生成速度
high quality 一张图要 60-90 秒。做批量生成时记得加超时和重试逻辑，别用默认的 30 秒 timeout。
坑 4：并发限制
Rate limit 比较严。批量跑别逞能一口气发几十个请求上去——429 报错会让你怀疑人生。老老实实用队列控制并发数。
坑 5：竖排文字
中文渲染虽然进步大，但竖排文字还是不太行。如果需要竖排效果，建议用后期工具叠加，别指望模型直接搞定。
跟 DALL-E 3 到底差多少
既然 OpenAI 说 5 月 12 日弃用 DALL-E 3 API，那做个对比也算有参考价值：
| 维度 | DALL-E 3 | GPT-Image-2 |
|---|---|---|
| 中文文字 | 经常缺笔画少偏旁 | 95%+ 准确率 |
| 最高分辨率 | 1792×1024 | 原生 4K |
| 编辑能力 | 基础重绘 | 主体锁定 + 参考图 |
| 生成速度 | 10-15 秒 | 60-90 秒（high） |
| 透明背景 | 不支持 | 原生支持 |
| 风格一致性 | 每次都不一样 | 可锁参考图风格 |
Creative Bloq 那篇评论说得挺到位：GPT-Image-2 不是为了"画得更好"，是为了"用得更顺"。
一句话总结：慢了，但好用了。
如果你的场景是"快速出大量草图"——DALL-E 3 在被弃用前可能还有些优势。
如果你要"精确控制、文字渲染、风格一致"——GPT-Image-2 没有对手。
几个值得试的场景
我这两天测下来，觉得以下场景 ROI 最高：
- 电商产品图：上传产品图 → 换背景 → 加文字标签 → 出图。透明背景输出 + 主体锁定，流程很顺
- 公众号 / 自媒体封面：给它文章标题 + 风格描述，一次出一张 80 分封面，比找素材快
- UI 原型图：描述页面布局，它能出高保真度的 UI 界面，用来给领导看方案或者写 PRD 够了
- 多语言营销素材：同一张海报，让它换成英文/日文/韩文版本。文字渲染能力在这个场景里就是降维打击
- 信息图表：给数据和要求，它能画出结构清晰的信息图。MindStudio 的测评里也重点提了这个场景——不是特别精美，但够用
迁移清单
DALL-E 3 API 5 月 12 日弃用。如果你在用，现在该动了：
- 升级
openaiSDK 到 ≥ 1.75.0 - 把
model="dall-e-3"改成model="gpt-image-1" - 检查返回值处理：默认从 URL 变成了 b64_json
- 调整超时设置：生成时间从 ~15s 变成 60-90s
- 重新评估成本预算：计费模式从按张改成按 Token
- 测试中文文字渲染效果——这部分是纯提升，不需要改代码
搞定这几项，基本无痛迁移。
以上就是我两天实测整理出来的干货。不吹不黑，工具好不好用要看你拿它干嘛。
有啥具体问题评论区聊。踩了新坑我也会更新。
