完美逆向文生图提示词的方法找到了
文章介绍了一种利用 Codex 创建两个子智能体(逆向提示词智能体 A 和监督智能体 B)的方法,通过 A 生成提示词、B 生图并对比找差异的循环迭代机制,将任意图片精准逆向为可复用的文生图提示词。实验表明,通过 3 轮迭代,成功将风格描述升级为版式锁定和视觉重心的精确约束,实现了 95 分的高保真复刻。
文章介绍了一种利用 Codex 创建两个子智能体(逆向提示词智能体 A 和监督智能体 B)的方法,通过 A 生成提示词、B 生图并对比找差异的循环迭代机制,将任意图片精准逆向为可复用的文生图提示词。实验表明,通过 3 轮迭代,成功将风格描述升级为版式锁定和视觉重心的精确约束,实现了 95 分的高保真复刻。
文章极具实操性,完整展示了通过双智能体对抗迭代逆向推导提示词的机制,见解独到且内容详实,对当前的AI生图应用极具参考价值。
文章探讨了提示词工程中的一个常见误区:提示词越长,生成结果不一定越准确。当提示词同时包含过多人物属性、颜色、物体数量和空间关系时,模型可能生成看起来不错却悄悄偏离关键要求的图片。文中通过长提示词与精简提示词加分步编辑的对比实验说明,约束越多,属性串位、关系混乱和细节遗漏的概率越高。DetailMaster 研究证实,随提示词长度增加,文生图模型在人物属性、位置和实体关系上的准确率一致下降。作者建议不要把提示词写成一次性需求文档,而应先用短提示词锁定主体和构图,再通过局部编辑逐层增加细节,每轮只修改一类变量。
作者用一道难题对比测试开源 5B 图像模型 MOSS-Image 与闭源最强的 GPT Image 2.5:在一张水墨长卷中画出李白临江举杯场景,写出《将进酒》全文12行书法,配标题、作者、朱印和英文,并精确控制酒杯数量。第一轮两者都通过,但第二轮仅改两处细节后,GPT Image 2.5 数错酒杯,MOSS-Image 两轮全部正确。文章分析了小模型在中英文渲染、长提示词理解(支持4K tokens)和风格控制上的优势,并分享了结构化布局、负面约束等复杂提示词技巧,附完整提示词。MOSS-Image 已开源权重和代码,支持 LoRA 微调,ComfyUI 下载量突破70万。
作者在测试 Qwen-Image 2.1 时发现,生图和改图效果不佳的主要原因是创作意图未被准确传递给模型,如负面文字被印进海报、改姿势只换了衣服等。作者将经验整理成 qwen-image-gen Skill 并提交开源:区分文生图、局部编辑和参考人物创作;将人物动作、接触关系、镜头和画面文字写成模型可执行的描述;落实比例决策并检查返回图片真实像素;将质量反馈带回下一版。四组对照实验显示三组改善、一组失败,证明提示词改写有价值但非几何纠错器。
作者在48GB的4090上对Qwen-Image-2.1进行了13组实验、196张图的深度评测。模型视觉生成为7B DiT架构,配Qwen3-VL编码指令与参考图,支持原生RGBA透明。评测发现其强项为中文排版、原生透明通道和多图身份保持,弱项是「替换」语义常退化为「添加」、编辑具有非局部性、缺乏时间维度建模。文章详细测试了文字渲染阈值、透明度真实性、指令遵循、编辑精度、多图参考及性能表现,并给出KV cache与显存的权衡策略。最后作者通过360°转台动画实验,揭示了条件图下seed敏感性等反直觉发现,定位其为关键帧生成器而非视频模型。
本文译写自 OpenAI Cookbook 的开源示例,整理了 GPT-Image 图像生成模型的提示词基本写法与 24 个实用示例。文章首先介绍提示词的组织顺序(场景、主体、关键细节、限制条件),并给出七条核心原则:写出可见细节、明确构图、交代人物姿势动作、逐字列出画面文字、改图时说明保留项、为参考图分配用途、一次修改一个问题。随后通过人物照片、信息图、广告、标志设计、四格漫画、应用界面、教学配图、演示页等场景,以及换衣、合成、透明背景提取、草图转写实、物体移除等编辑示例,展示了完整的提示词与 API 参数设置。
作者李岳分享了基于 Codex Skills 搭建的 AI 视觉工作流,包含六个 Skill:女性写真导演、女性换装导演、通用换装导演、东方仙侠视觉导演、仙侠视频导演和 Seedance 2.5 视频导演。通过将反复踩坑经验转化为规则、路由、默认值和交付格式,把主观审美翻译成可执行的画面参数,形成从人物、服装、场景到镜头和视频方案的完整视觉生产线,强调 Skill 保存的不是形容词而是逻辑判断。