GPT Image 2 中文文字总是畸形乱码：能力边界在哪，3 种绕法怎么选

“文生图模型会写字”这件事，从一开始就是个误会。

2021 年前后那批文生图模型放出来的时候，圈里传得最凶的是一批”招牌图”：招牌上、书脊上、T 恤上全是”像字但不是字”的东西——连英文字母都拼不齐，更别说汉字。当时没人把这当 bug：大家默认它本来就不该会写字，字形对它来说和树叶纹理、砖墙缝隙同属一类，都是局部纹理。

五年过去，英文短词大致能出对了。中文这条线，还卡在半路上。

这篇把路线图画清楚：它从哪来、现在停在哪一站、下一站多远，以及站在 2026 年 7 月这个位置上，你手里那张中文全是鬼画符的图该怎么办。

先交代一件跟本文有关的事：讲演进的文章最该配一张时间线信息图，我没做。那张图得在图里渲染一堆中文年份和里程碑名——让模型去画一张全是中文的图，来给”模型画不好中文”这个论点当插图，当场自打脸。这个取舍本身，就是全文结论的预演。

模型不是在”排”字，是在”画”字

图注：左边是画的，右边留给排版

你在 Photoshop 里打一个”燚”字，屏幕上出现的那个字形，是从字体文件里取出来的一段矢量轮廓：排版引擎按字号缩放、按基线对齐，再画到画布上。字形是查出来的——字体文件里那个字长什么样，它就长什么样，一笔一画都不会走样。

文生图模型手里，看不出有这样一张表。

这里得先声明一句：OpenAI 没有公开 GPT Image 2 的具体架构。 下面是一种可能的解释，依据的是这一类模型的公开研究——DDPM（2020）给出的是”从高斯噪声一步步去噪、生成图像”的过程；Latent Diffusion（2022，Stable Diffusion 的底子）把去噪搬进潜空间、再解码回像素，并用 cross-attention 接收文本条件。这些论文里找不到一条”按字形逐笔监督”的通路。按这个视角看，图里那个像”燚”的东西，是模型根据训练时见过的无数张”图上有字”的照片，在那个位置涌现出来的一片像素——像不像字，取决于它对”这块地方该长什么纹理”的先验。

这套机制能不能反推到 GPT Image 2 身上？不能。所以下面这段更要紧——你不需要知道它内部是什么，看行为就够了：同一段 prompt 什么都不改，连着跑四次，那块招牌上的字每次都不一样。（图叮的生图页没有 seed 输入框，每次都是重抽。）排版引擎不会这样：它不会随机发明笔画，你打什么字它就取什么字形，同样的输入永远同一份轮廓。所以不管底下是什么，结论都一样：这条链路吐出来的字形是不稳定的，不能当成”取”出来的东西去验收。

这也是为什么 prompt 改一遍又一遍也白搭：你能约束风格和布局，却按不住字形。这条天花板留到绕法三再拆。

汉字这道坎，有几个能自己查的数字

同样是画不好字，为什么英文先被解决、中文还悬着？有几个数字公开可查，你自己就能核。

先看字符集的量级差。Unicode 的 CJK 统一表意文字基本区（U+4E00–U+9FFF）有 20992 个码位；中国 2013 年发布的《通用规范汉字表》收 8105 个字，其中日常够用的一级字表是 3500 个。拉丁那边呢——26 个字母算上大小写共 52 个，加 10 个阿拉伯数字，62 个。

这不是”多了一点”，是两个数量级。而且汉字不是原子符号，是偏旁部首的二维拼装：左右、上下、包围结构；同一个”氵”在不同字里宽窄不同、落点不同。要在像素空间里稳定还原这几千个结构，和还原 62 个字母不在一个层级上。

再叠一层：这几千个字形在训练数据里的频次极不均衡——“的""是""了”被见到的次数，和”燚""龘”完全不是一回事。低频字画出来什么样，你可以自己想。

所以这是能力结构层面的事，不是你 prompt 写得不够好。

一张路线图：从”连英文都拼不对”到”英文能出、中文悬着”

文本渲染这条线，按公开论文和官方技术报告的时间顺序，几个站点大概是这样。

2022 年 5 月，Imagen（Google）。 论文第一次把”文本编码器怎么选”摆上台面：拿一个冻结的大型语言模型（T5-XXL）当文本编码器，比图文对比学习出来的编码器更能理解复杂描述；而且把文本编码器做大，收益比把图像那侧做大更明显。文字渲染从此成了一个可优化的维度，不是天生的残疾。

2022 年 11 月，eDiff-I（NVIDIA）。 同时挂 T5 和 CLIP 两个文本编码器，论文专门展示了拼写能力的改善。方向被坐实：想让模型画对字，先让它”读懂”字。

2023 年 4 月，DeepFloyd IF 公开发布（研究许可，不是完全开源）。走 T5-XXL 路线的像素级级联扩散模型，普通人也能在一个下得到的模型上稳定拿到可读的英文短词。

2023 年下半年，DALL·E 3 与 SDXL 这一代。 英文短词的可读性变成商业模型的卖点。中文呢？还是鬼画符。割裂第一次变得刺眼：同一个模型，英文能出 SALE，中文出不了”促销”。

2023 到 2024 年，专治”图里的字”的方法成型。 GlyphControl、AnyText（阿里，ICLR 2024）走的是字形条件注入：先用真正的字体文件把字渲染成一张字形图，再把这张图当额外条件塞进模型，模型只负责把它融进画面的光影和材质，不负责发明字形；AnyText 明确支持中文。Glyph-ByT5（微软）换了个入口——用字形与文本配对的数据去微调一个字符级文本编码器，再接进 SDXL。路子不同，冲的是同一个问题：别让模型自己瞎猜字长什么样。

这批工作存在本身，就是一次坦白——指望模型凭空学会写汉字，这条路被绕开了。

2024 年，Stable Diffusion 3。 三个文本编码器并联（两个 CLIP 加一个 T5-XXL），官方技术报告把拼写能力列为主要改进项之一。仍然是英文。

2025 到 2026 年，GPT Image 2 这一代。 走到今天：英文短词和阿拉伯数字大体能用；大字号、少字数的中文要看运气；小字号、密集排版的中文，别想。这个判断的来路得说清楚：OpenAI 没公布分语言的逐字准确率，它是跑图跑出来的经验，不是官方指标——下一节给你一套自检方法，你自己就能复现。图叮之前那篇 GPT Image 2 高清出图的 5 类翻车 把”文字”单列了一类，结论也是同一句话：图内中文默认走”AI 留白 + 后期贴字”，别赌模型。

路线图画到这儿，有件事很明显了：这几年真正被解决的是英文。中文一直坐在候机厅里，广播喊的一直是别的航班。

什么时候能赌一把，什么时候直接别想

“别想”这话太糊。但我不会给你一组”字数不超过 N、字高不低于 M%“的阈值——那种数字看着精确，其实没有公开实验或官方文档撑着，是把猜测包装成标准。给三样更硬的：一条数学、一条物理直觉、一套你自己就能跑的自检。

数学：字数是指数，不是加法。 一个简化模型——假设各个字画对与否互相独立、单字正确率都是 p（p 小于 1），那么 n 个字全对的概率就是 p 的 n 次方：每多一个字，成功率是乘下去的。真实情况里错误未必独立、每个字的 p 也不一样，所以这不是一个能拿去算准确率的公式；它只说明方向：每多一个必须正确的字，整串全对只会更难。反过来，这也给出了最有效的降难度手段：能砍字就砍字。

物理直觉：像素不够，笔画就黏。 一个二十多画的汉字和一个英文字母，缩到同一个字高时，汉字的笔画间距要小得多。而像素有下限——相邻两笔之间的空隙不足一个像素，采样和压缩之后就会连成一坨墨。这跟模型好坏无关，是显示和印刷的老问题：同一个字号下，宋体的横细到一定程度在屏幕上就会消失，同一个道理。所以同样的画面、同样的字高，先糊的是汉字。至于具体糊在哪个字号，还受字体、抗锯齿、导出格式和压缩影响——别去套什么统一阈值，在最终尺寸下逐字看才算数。

图注：字号一小，笔画先黏死

自检：出图后自己跑三步。

1. 导出后放到 100% 视图（别用”适应屏幕”，那会二次糊化），把每个字念一遍。念不出来，或者是错字、偏旁装错位置——翻车，不用看第二眼。
2. 同一段 prompt、其余参数不动，只换种子，连出三四张，只盯那块文字。每张都不一样，说明这个位置的字形不稳定，你是在赌博。
3. 把同一个位置的中文换成英文短词，再跑一遍，对比可读性。英文字母加阿拉伯数字只有 62 个、字形也简单得多，稳定性明显高一档——画面只是需要”有点字的感觉”时，换英文是一次几乎不花钱的降难度。

结构上就没戏的场合（不用试，直接走绕法一）：

• 需要逐字正确的文字：包装合规文案、成分表、批号、规格参数、价格旁的单位、法务声明。错一个字的代价，不是重出一张图能兜住的。
• 密集排版：一整段话、一张列表、一份菜单。字数一多，上面那个指数就把你摁死了。
• 小字号：二维码旁边那行小字、瓶身背面的说明。像素本来就不够摆笔画。
• 竖排、艺术变形字体、精确的品牌 logo 字样；品牌名带生僻字的也一样，低频字模型见得少。

可以赌一把的场合：字少、字大、都是常用字，而且错了也不致命——背景里虚化的街边招牌、远处的书脊，观众根本不会去念，糊了也没人发现。

三种绕法，按推荐度排

绕法一：出图留白，后期用真正的排版工具把字加上去

这是正解。原因很单纯：它把”画字”这个概率性的动作，换成了”排字”这个确定性的动作。

第一步，在 prompt 里显式要求文字位置留白。不是写”文字要清晰”，而是写”文字位置留空”：

产品包装上的文字位置全部留白，不出现任何字符；
海报中央预留一块干净的浅色区域，用于后期添加标题；
品牌 logo 位置留空，由后期单独贴回。

图注：字留到后期再排

顺手把 prompt 里的品牌名、商品名、广告语全删掉——模型看到这些词会试着把它们写进画面，等于你亲手埋了个翻车点。商品用品类词描述就够（写”红色精华液瓶”，别写”XX 牌红色精华液”）。具体写法见 GPT Image 2 的 prompt 写作模式。

第二步，把字加上去。用什么工具都行——Photoshop、Figma、任何一个能排版的编辑器，共同点只有一个：字形来自字体文件，不是模型现画的。

图叮的给图片加文字干的就是这件事，纯前端：图片不上传服务器，全程在你自己浏览器里跑完，注册后免费、不限次数。

几个别人踩过的坑，它默认帮你躲开了：

• 白字压在浅色背景上会直接消失。 多数在线加字工具默认不描边，你在小预览框里看着挺好，导出到原图才发现字糊进了天空。它默认带描边（白字配深色边、黑字配白色边），底图什么颜色都分得出字的轮廓。
• 字号按预览尺寸算，导出后字变指甲盖。 预览是降采样过的：48px 在预览里看着正好，落到 4000px 宽的原图上小得可怜。正确做法是把字号和位置存成相对图片宽度的比例，绘制时按实际尺寸现算——顺带的好处是，给一批宽高各异的图打同一段文案，文字会落在同一个相对位置上。

这条路径的代价是多一道工序。可那道工序是确定性的、可批量的、不花钱的；而重生成是概率性的、每次都扣积分。

绕法二：图生图局部重绘，只重画文字那一块

底图很贵的时候用这个：那张构图你迭代了好多次才满意，光影材质全对，就招牌上那几个字是鬼画符——重做整张，风险是构图跟着一起变。做法是框选文字区域做局部重绘（inpainting），只让模型重画这一小块。它比整张重生成好一点，原因不神秘：画布小了，模型的注意力被约束在这块地方，不用同时操心商品、背景、光影。

但那块地方干的仍然是”画字”，不是”排字”，上一节那些判断照样适用：字少、字大、常用字，你可能撞对；成分表那种密集小字，重绘多少次也还是那样。

所以给自己定个上限：试几次，不对就退回绕法一，把那块抠成留白，后期贴字。上限定几次不重要，重要的是有上限——“再试一次说不定就好了”是赌徒心态，而积分是真金白银。

绕法三：prompt 硬调（它的天花板在哪，你得知道）

排第三，是因为它的天花板明摆着：prompt 是条件信号，能影响”有没有字""什么风格""什么颜色”，但按不住字形。你写”避免乱码""确保汉字正确”，这些词不会变成任何字形层面的约束——模型本来就在尽力把那块画得像字了。

prompt 真正能做的是降低难度，不是提高精度：减字数、加大字号（在 prompt 里写成”占据画面上方三分之一的大标题”）、换成英文或数字、要求留白。你会发现这四件事里的第四件，已经通向绕法一了。

所以 prompt 硬调算不上一种独立解法，它是”降低难度”的手段集合。真想要精度，得换路径——把字形从模型手里拿走。

我们停在路线图的哪一站

截至 2026-07，这条路线图的当前位置是：英文的问题基本解决了；中文的问题被绕开了，但没被解决。

往前看一站，最有希望的还是那批”专治图里的字”的方法——如果被主流商用模型吸收，中文渲染大概会有一次台阶式提升，而不是一点点挪。但留意 AnyText 这条路线的关键一步：字形是用字体文件先渲染好、再喂给模型当条件的，不是模型凭空发明的——等于把一个排版环节搬进了生成流程。

也就是说，哪怕将来某一代模型”能画对中文”了，它底下干的事，和你今天手动做的”AI 出留白底图 + 后期排版加字”很可能是同一件事——只不过那道工序被搬进了模型内部。你现在手动走的这条路不是权宜之计，只是暂时还得你自己走一遍。

所以站在 2026 年 7 月这个登机口回头看：这几年行业花大力气教模型写字，兜一圈的结论是别教了，把字递给它。你没必要陪着再走一遍弯路。出图时留白，加字时用浏览器里的排版工具——你打什么字它就取什么字形，一分钱都不用花。省下来的积分，留给模型真正擅长的：光影、材质、构图。

图叮工具中心把几类列在一起，界线得分清：纯本地那档（加文字、格式转换、看 EXIF）在你浏览器里跑，不上传、注册后免费、不限次数；网页生图按张计费，各买各的积分包，两个包不通用，会员卡也用不上；PS 插件那档注册送 50 张试用，订阅后无限生成。说到底就一句话：能在浏览器里确定性完成的事，别丢给一个概率性的模型去赌——尤其当那次赌注要花钱。