OpenAI 发布 GPT Image 2.5 官方提示词指南：从玄学到工程化的实战规范
OpenAI 近期在 API 文档中正式发布了针对 GPT Image 2.5 系列的完整提示词指南（Prompting Guide）。这份文档摒弃了以往社区流传的“咒语式”提示技巧（如"cinematic lighting, 8k, masterpiece"），转而采用类似技术规格书（Spec Sheet）的工程化思维，为开发者提供了从模型选型、迁移策略到参数调优的全套标准化方案。
核心架构：Flare 与 Sunburst 的双模型决策
GPT Image 2.5 并非单一模型，而是由两个针对不同场景优化的模型组成，指南将其选择定义为工作流决策而非个人偏好：
- gpt-image-2.5-flare：小模型，优化速度。图像质量与 GPT Image 2 相当，但延迟更低。
- gpt-image-2.5-sunburst：基座模型，优化质量。提供比 GPT Image 2 更高的图像质量，但生成速度较慢。
关键决策逻辑：
- 若现有 GPT Image 2 工作流已满足质量要求，优先测试 Flare 以在保持质量的同时降低延迟。
- 若 GPT Image 2 无法满足复杂需求，先用 Sunburst 验证质量上限。
- 若 Sunburst 通过，再回测 Flare；仅在质量达标且延迟改善时切换，否则保留 Sunburst。
注意：不同模型下的
quality="high"参数并不代表相同的图像质量，且速度提升具有工作负载特异性。
六步迁移 Playbook：从旧版到新版
针对从 GPT Image 2 迁移至 2.5 的生产环境，指南提供了严谨的六步实施流程：
- 保存基线：收集代表性生产提示词和参考图（包括难编辑案例、文字准确性、透明背景等），记录模型、设置及结果。
- 选择候选模型：验证工作流后，简单场景选 Flare，复杂场景选 Sunburst，保持 Prompt、尺寸和格式不变。
- 检查完整结果：对比指令遵循度、身份保持、文字准确性及透明度。对编辑工作流需测试完整序列，而不仅是单步。
- 测试延迟增益：仅在质量通过后，对比 Flare 与相同要求的延迟表现。
- 单步调优：在重写 Prompt 前，逐个调整设置。需测量典型响应时间、失败率及单次成功图像的成本（切勿假设快模型一定更便宜）。
- 按工作流逐步 rollout：先分流少量流量，监控指标，逐步扩展，并保留旧模型以防回滚。
工程化规范：参数与 Prompt 的分离
指南强调：API 参数应独立于 Prompt 设置。将“4K”写入 Prompt 仅是建议，而设置 size 参数才是保证。
关键参数配置
- model:
gpt-image-2.5-flare或gpt-image-2.5-sunburst - quality:
auto(默认),low,medium,high,xhigh,max - size:
auto或自定义分辨率 - background:
auto,opaque,transparent
自定义分辨率硬约束
若使用自定义分辨率，必须严格遵守以下规则：
- 每边像素数不得超过 3,840。
- 两边像素数必须是 16 的倍数。
- 长宽比不得超过 3:1。
- 总像素数必须在 655,360 到 8,294,400 之间。
- 超过 2560×1440 (3,686,400 像素) 的分辨率需谨慎使用。
提示词编写黄金法则
指南用三句话概括了高质量 Prompt 的核心：
"从你需要生成的图像出发，然后描述主体、构图、风格和约束。对于编辑任务，明确指出应改变什么以及必须保持不变的部分。一次只优化一件事，并检查结果。"
OpenAI 在文档中提供了超过 20 个示例，展示了 Flare 与 Sunburst 在同一输入下的对比效果，帮助开发者直观理解不同模型的特性边界。
