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。
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。
作者分享了使用 Elorian AI 刚发布的视觉理解与推理大模型 Glimpse 的体验。该模型能原生理解图片和视频中元素的位置、结构与空间关系。作者将其用于小王子游戏的 bug 排查：只需提供实际游玩录屏，Glimpse 就能分析游戏设计是否合理并梳理潜在 bug。实测中，在无游戏上下文情况下，其发现的问题数量是 Astra 的 3 倍，且可按视频时间戳罗列细节问题，便于逐一核验，极大解决了个人开发者验收容易遗漏的痛点。Glimpse 已开放 API，可接入 Codex、Claude Code 完善验收流程，也适合视频/图片生成等 AIGC 场景。
本文整理了 OpenAI 官方 GPT Image 2.5 提示词写作指南的八条核心原则：先定义结果、选易维护格式、描述可见细节、写清人物动作、精确文字加引号、分开要改与要保持的内容、给参考图编号、有意识迭代。同时介绍了模型与参数（quality、size、background）的选择建议，并结合人像摄影与自然景物两类示例，给出中文提示词模板和实操要点，帮助用户写出可控、可迭代的图像生成提示词。
作者实测商汤新发布的 SenseNova U1 Pro 图片生成模型，该模型在 SuperCLUE-Image 中文文生图榜单排名第一。作者从五个维度进行测试：审美与中文版式、多文字运营物料、资料检索与高密度信息、局部修图、多图融合。测试结果显示，该模型在海报设计、菜单与导览图、科普信息图、全诗《琵琶行》等复杂任务中文字稳定性出色，局部编辑精准不破坏其他细节，多参考图融合能力强，并能从刀版图生成可交付的包装渲染图，整体表现超过 GPT Image 2.5。作者认为其达到可交付水平，决定替换到自己的 8K 生图工作流中。
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。
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。
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。
商汤发布SenseNova U1.5-Lite-Preview，轻量升级版在图像生成与编辑能力上大幅提升，支持4K图像生成，超越U1并比肩商用闭源模型。
本文详细介绍了AI图像与视频生成背后的核心技术——扩散模型（Diffusion Model）。文章通过通俗易懂的语言，解释了其物理起源、从加噪到去噪的运作原理，以及它如何凭借稳定性优势逐渐取代GAN成为生成式AI的主流范式。
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。
本文是对阿里最新发布的千问图像模型 Qwen-Image-2.0 的深度实测报告。文章详细介绍了该模型在提示词长度支持（1k token）、中文文字渲染准确性、指令遵循能力以及2K高清直出等方面的显著提升。作者通过水煮肉片菜谱、人物写真、PPT制作、信息图生成等12个具体场景的实测案例，展示了模型在复杂排版和中文语义理解上的优势，同时也指出了相较于Banana Pro在自主审美和推理能力上的不足。
作者详细记录了从零开始训练一个专属人物 LoRA 的完整实战流程。他使用 GPT Image 2 生成 56 张虚构人物训练数据，基于开源模型 MOSS-Image（5B 参数 Diffusion Transformer）进行微调，仅用一张 RTX 4090 训练约 65 分钟即获得稳定的人物形象生成能力。文章涵盖数据准备、Caption 标注、Checkpoint 选择、效果验收等关键环节，并指出了过拟合等常见问题。作者将整个流程开源到 GitHub，提供运行环境镜像、Jupyter Notebook 和 ComfyUI 工作流，建议初学者亲手跑一遍以真正理解 LoRA 训练原理，一通百通。
