OpenAI 在 2026-04-22 推出 GPT Image 2（產品名 ChatGPT Images 2.0、API 模型名 gpt-image-2），是 DALL-E 3 與 GPT Image 1.5 的繼任者。最大的改變是把 o 系列的 reasoning 帶進生圖流程——模型會先規劃、自我檢查再下筆，加上原生 2K、多語言文字渲染（中日韓、Hindi、Bengali 都能寫對）與網路搜尋整合。這篇文章整理它跟前代的差異、API 價格與各種入口的使用方式，並附上幾組可以直接複製的提示詞範例。
GPT Image 2 是什麼
GPT Image 2 是 OpenAI 推出的新一代多模態生圖模型，產品端品牌叫「ChatGPT Images 2.0」、API 模型名是 gpt-image-2，發表日期是 2026-04-22。它直接取代過去 ChatGPT 內建的 DALL-E 3 與短暫存在過的 GPT Image 1.5，後續所有 ChatGPT 預設的生圖入口都會改走這顆新模型。
這次的發表方式很安靜——沒有 keynote、沒有 livestream、沒有預熱貼文，就是模型頁面上線、Image Arena 排行榜上多了一行新紀錄。但實測結果完全不安靜：上線 12 小時內，GPT Image 2 在 Image Arena 的文字轉圖（text-to-image）、單圖編輯、多圖編輯三個榜單同時拿下第一，文字轉圖領先第二名 +242 Elo，是這個榜單有紀錄以來最大的領先差距。Anthropic、Google、Black Forest Labs 這些對手在生圖榜上都被一次拉開。
OpenAI 沒有公開 GPT Image 2 的詳細架構，只說它的「思考」能力是由 GPT-5.4 同代的 reasoning 後端驅動，配合一個專門做圖像生成的解碼器。換句話說，這顆模型不是把過去 DALL-E 系列的擴散模型直接放大，而是「LLM 會 reasoning + 生圖 decoder」的混合體，這點跟 Google 那邊的 Nano Banana、Gemini Image 系列方向類似。
跟 DALL-E 3 與 GPT Image 1.5 差在哪
先用一張表把開發者最常關心的幾個項目對齊：
| 項目 | DALL-E 3 | GPT Image 1.5 | GPT Image 2 |
|---|---|---|---|
| API 模型名 | dall-e-3 | gpt-image-1 | gpt-image-2 |
| 原生最大解析度 | 1024×1792 | 1536×1536 | 2K（含 2048×2048、2048×1152 等） |
| 內建 reasoning | 無 | 無 | 有，o 系列思考 |
| 網路搜尋整合 | 無 | 無 | 有，可即時 fact-check |
| 文字渲染 | 常拼錯 | 英文堪用、CJK 不行 | 英文穩定、CJK／Hindi／Bengali 也能寫對 |
| 多圖一致性 | 難維持 | 有限 | 同一 session 多次出圖可保留主角／場景 |
| 圖片編輯 | 限制多 | 支援 | 單圖、多圖編輯都領先 |
| 知識截止 | — | — | 2025-12 |
幾個要展開的點下面分別來看。
三大核心升級
會思考的生圖流程
過去的生圖模型基本上是「prompt 進、圖出來」的一次性過程，模型沒有時間檢查自己畫的對不對。GPT Image 2 的 reasoning 流程把這件事整個改了——拿到 prompt 之後模型會先規劃畫面結構（有哪些主角、放哪裡、視角怎麼擺）、檢視語意一致性（如果說「七位坐成弧形」，會先想清楚七個人各自的位置），對複雜場景才下筆。對於需要精準佈局的 infographic、UI mockup、含多個角色的插畫，差距非常明顯。
實際使用上感受得到的是兩件事：第一，輸出時間比 DALL-E 3 長一些，因為要思考；第二，過去那種「畫成功率忽高忽低」的隨機感大幅降低，prompt 寫清楚的話幾乎一次就能對。
文字渲染與多語言
這代被社群討論最多的就是把字寫對。DALL-E 3 時代生出來的招牌、菜單、海報十之八九會出現「TACBO」「FRIES」拼錯的尷尬，現在 GPT Image 2 不只英文穩，中日韓、Hindi、Bengali 這類非拉丁字母的腳本也能正確渲染，包含手寫筆記、招牌、UI 標籤、海報文字、QR Code。對需要做品牌素材、行銷視覺、簡報插圖的工作流，這一點影響非常大——以前要交給設計師後製貼字的步驟，現在可以由模型一次完成。
實測下來中文比 Gemini 系列穩定一些，但繁體與簡體的辨別偶爾還是會混；如果要明確指定繁體字，prompt 直接寫「使用繁體中文」效果最好。
網路搜尋整合
第三個跟過去生圖模型完全不同的地方是可以連網查資料再畫。過去要畫某個近期才出現的人物、產品、事件，模型只能憑訓練資料硬猜，常常畫成完全不存在的東西。GPT Image 2 會在思考階段呼叫 web search，先確認對象長什麼樣，再下筆。例如「畫 2026 年 NVIDIA GB300 的伺服器外觀」「畫某新車款的儀表板」這類 knowledge-cutoff 後的題材，現在比較有機會畫得貼近事實。
網路搜尋目前主要在 ChatGPT 端有效——配合 GPT-5.5 等 thinking 模型才會被觸發；API 端是否預設啟用，OpenAI 官方文件沒講得很清楚，這部分等之後實測會再追蹤。
三種入口怎麼用
跟前面 GPT-5.5 的安排類似，GPT Image 2 也是依入口不同有些差異：
| 入口 | 可用方案 | 使用方式 | 限制 |
|---|---|---|---|
| ChatGPT | 所有 ChatGPT、Codex 用戶（含 Free） | 對話內直接請模型畫圖；付費方案可用更高品質與解析度 | Free 有每日次數限制，Plus／Pro 額度寬鬆 |
| Codex | Plus、Pro、Business、Enterprise、Edu | 跟 ChatGPT 一樣的對話介面，可在程式相關情境直接請出圖 | 多用於 mockup、icon 等開發場景 |
| API | 已開通帳號 | gpt-image-2 模型名，依品質與解析度計費 | API 開放時間與分階段政策請看 OpenAI Help Center |
對一般使用者最直接的路徑就是打開 ChatGPT，輸入想畫的內容；模型會自動切到 GPT Image 2，不需要從 model picker 切換。Free 方案也能用，只是次數受限，付費方案除了次數寬鬆之外還能解鎖 2K／4K 與 high quality 等較高層級的輸出。
ChatGPT 介面的尺寸與品質控制
ChatGPT 端不必像 API 那樣自己塞參數，對話框右側會有一個面板，提供四個控制項：
| 控制項 | 選項 | 說明 |
|---|---|---|
| Size mode | Auto / Aspect ratio / Custom pixels | 讓模型自己決定、選預設比例、或直接給 pixel 尺寸 |
| Aspect ratio | 1:1、3:2、2:3、16:9、9:16、3:1、1:3 | 從正方形到超寬／超高都支援 |
| Quality | Low / Medium / High | 對應 API 的三檔品質，影響細節與成本 |
| Batch count（n） | 1 – 10 | 一次出幾張 |
Custom pixels 模式下兩邊長度都必須是 16 的倍數，最大邊上限 3840px、總像素 65 萬到 830 萬之間，比例不能超過 3:1。生成完還可以直接點圖打開編輯器，框出特定區塊請模型補畫或修改。
注意：Free 方案能看到完整的控制項，但實際可用的解析度與品質有限制——2K／4K 與 high quality 主要保留給 Plus 以上的付費方案，Free 用戶切到這些選項時通常會被自動降階或提示升級。
API 價格
API 端走的是 token-based 計費，跟一般文字模型一樣，但圖片本身會被換算成 image token。官方公布的單價如下（台幣以 1 USD ≈ 32 TWD 換算，僅供參考）：
| 類型 | USD / 1M tokens | TWD / 1M tokens |
|---|---|---|
| Text input | $5.00 | NT$160 |
| Text input（cached） | $1.25 | NT$40 |
| Image input | $8.00 | NT$256 |
| Image input（cached） | $2.00 | NT$64 |
| Image output | $30.00 | NT$960 |
實際每張圖的成本依解析度與品質階層而定，OpenAI 給的常見數字大約是：
| 解析度 | Low | Medium | High |
|---|---|---|---|
| 1024×1024 | ~$0.006（NT$0.2） | ~$0.053（NT$1.7） | ~$0.211（NT$6.8） |
| 1024×1536 / 1536×1024 | ~$0.005（NT$0.16） | ~$0.041（NT$1.3） | ~$0.165（NT$5.3） |
| 2K（最高品質） | — | — | ~$0.30（NT$9.6）起跳 |
跟 DALL-E 3 的固定 $0.04（standard）／$0.08（HD）相比，GPT Image 2 在 low 階位反而更便宜，但高品質與 2K 的價位明顯高出一截。實務上對 SaaS 產品做頭貼、商品圖這種大量需求，可以走 low / medium 控制成本；對印刷、行銷視覺等需要交付的場景再切到 high quality 與 2K。
注意：API 上線是分階段釋出，部分地區或帳號可能要等 waitlist 通過。實際上線狀態以 OpenAI Platform 文件 為準。
提示詞範例
下面整理幾組能突顯 GPT Image 2 新能力的提示詞，全部都是繁體中文撰寫，可以直接複製貼到 ChatGPT 對話視窗，或包裝成 API 的 prompt 欄位送出。每一組會說明這個提示詞主要在測什麼能力，以及實務上可以怎麼改寫成自己用的版本。
範例一：含繁體中文招牌的城市夜景
這組主要是測多語言文字渲染。過去的生圖模型畫繁體中文招牌幾乎都會變成亂碼，是 GPT Image 2 最被看好的能力之一。
畫一張台北信義區的夜晚街景，由低角度斜上拍攝。
畫面中央是一間小巷裡的拉麵店，木質暖色招牌上寫著繁體中文「光譜拉麵」四個大字，
旁邊有較小的繁體中文標語「招牌豚骨．每日限量五十碗」。
店門口紅燈籠掛著「營業中」三個字。背景遠處是模糊的霓虹招牌與行人，
鏡頭風格偏電影感，低光、淺景深、些微底片顆粒。提示詞重點：先指定場景與視角（信義區、低角度斜上）、再指定每一塊文字內容（招牌、副標、燈籠），最後給視覺風格（電影感、底片顆粒）。把要寫的字明確列出來，比寫「上面有些招牌」效果好非常多。
範例二：技術部落格的封面 banner
這組主要是測排版與英文文字渲染，是部落格作者最常用的場景之一。
設計一張 1792×1024 的技術部落格封面 banner，主題是「GPT Image 2 介紹」。
左側 60% 區域是主視覺：一顆懸浮的稜面玻璃立方體在畫面中央偏左下，
表面有清透的折射與反射，內部透出青綠（#0AA889）與珊瑚橘（#FF8A4C）
柔和漸層光，光線從立方體裡溫和地擴散出去，像晨光穿過水晶。
立方體周圍漂浮著數十個半透明的小型圖示（相機、字母 A、繁體中文「字」、
日文假名、emoji），帶輕微景深，象徵多語言與多媒材生成。
背景是明亮清新的科技感空間：米白漸層底（#FFFFFF → #F2F6FA），
覆蓋一層極淺的等距點陣網格與細微紙質紋理。畫面四角有低調點綴：
左上角一團 8% 不透明度的青綠柔光暈、右下角一團 8% 不透明度的珊瑚橘柔光暈，
遠處有少量微小的程式碼字元（0、1、{、}、繁中漢字）以非常淺的灰色（不超過
12% 不透明度）散布，營造科技氛圍但不搶過主視覺。整體調性像是 Stripe、
Linear、Vercel 的官網插畫。
右側 40% 是文字區，搭配淺灰描邊的白色卡片，帶柔和投影：
最上方一行小字「OPENAI · 2026-04-22」（中灰色），
中間是粗體大標「GPT Image 2」（深炭灰 #1F2937），
下方是副標「ChatGPT Images 2.0：會思考的生圖模型」（青綠色）。
整體配色：米白底 + 青綠／珊瑚橘雙色點綴 + 深炭灰主文字。
Sans-serif 無襯線幾何字體，風格明亮、乾淨、商務專業，避免任何賽博龐克元素。提示詞重點：明確指定畫面比例（1792×1024）、區域分配（左 60% / 右 40%）、每一塊文字的內容與層級（小字／大標／副標），以及配色與字體類型。這種結構化指示對 GPT Image 2 的 reasoning 特別友善。
範例三：CICD 系統架構圖（GitHub + Cloudflare）
這組測多區塊 infographic + 多服務一致性 + 大量文字標籤，畫一張現代 SaaS 常見的 GitHub × Cloudflare CICD 架構圖。元件多、連線交錯，是生圖模型過去最容易畫崩的場景，也最能凸顯 reasoning 的價值。
設計一張 2560×1440 的橫向系統架構圖，主題「GitHub × Cloudflare CICD Pipeline」。
深藍黑漸層背景（#0A0F1F → #1A2340），覆蓋一層細密的等高線網格與微弱的星塵粒子，
營造科技感但不要喧賓奪主。整張圖分為三個垂直 swim lane（泳道），
泳道之間用半透明分隔線與標籤區分：
【左側泳道：Developer / GitHub】淺紫色（#7A5CFF）強調色。
- 最上方一個「Developer」icon（坐在筆電前的剪影），底下標籤「git push」。
- 下方依序三個圓角卡片：
1. GitHub Repository（含 GitHub octocat logo、分支圖示、PR badge「#142」）
2. GitHub Actions（含 workflow 步驟列表：lint → test → build → publish，每行有 ✓ 綠勾）
3. Container Registry（GHCR，含一個 Docker image tag「v1.4.2」）
【中間泳道：Build & Distribution】青綠色（#00FFAA）強調色，是整張圖的主軸。
- 最上方一個大型「Build Artifacts」六邊形 hub，內部寫「artifact bundle 24.6 MB」。
- 中間放三條平行的傳輸管線（pipe），每條管線上有移動中的資料光點：
Pipe A → Cloudflare Pages（靜態網站，標籤「pages.dev」）
Pipe B → Cloudflare Workers（邊緣函式，標籤「workers.dev / 200ms cold start」）
Pipe C → Cloudflare R2（物件儲存，標籤「assets bucket」）
- 三條管線匯聚成一個發光的 Cloudflare 橘色 logo（雲朵造型）。
【右側泳道：Edge & Runtime】橘色（#F38020）強調色，Cloudflare 官方品牌色。
- 最上方畫一個地球，地球上散布七個發光節點（東京、台北、新加坡、法蘭克福、
倫敦、紐約、聖保羅），節點之間有細弧光線連接，代表全球 CDN。
- 地球下方四個圓角卡片並排兩列：
- Cloudflare CDN（含 cache hit 96.4% 的迷你儀表板）
- Cloudflare D1（SQLite at Edge，含一個 mini schema icon）
- Cloudflare KV（key-value store）
- Cloudflare Analytics（含 sparkline 折線圖，數值「12.8k req/min」）
- 最下方一個「End User」icon（手機 + 筆電），標籤「< 50ms TTFB」。
【跨泳道箭頭】用霓虹白色（#FFFFFF）帶光暈的弧形箭頭連接：
- GitHub Actions → Build Artifacts（標籤「on: push to main」）
- Build Artifacts → 三條 pipe 分別到 Pages / Workers / R2
- Cloudflare 雲朵 → CDN 地球（標籤「auto deploy」）
- CDN → End User（標籤「edge cache」）
- Cloudflare Analytics → GitHub（虛線回饋箭頭，標籤「webhook alerts」）
【右上角】放整張圖標題「GitHub × Cloudflare CICD」（大標，白色粗體）
與副標「from commit to edge in < 90s」（青綠色細體）。
【右下角】小字「Architecture Diagram · klab.tw · 2026-04」浮水印。
整體風格：扁平 + 微立體陰影、清晰標籤、賽博龐克配色但保留商務專業感，
所有圖示與標籤的對齊嚴謹，確保即使縮到 50% 仍能看清楚每個元件名稱。提示詞重點：用泳道（swim lane）切分階段，模型在 reasoning 時會更容易把元件分組擺放；每個元件除了名稱還補上具體可寫的數字或標籤（artifact 大小、cache hit 率、TTFB 時間），讓圖看起來像真的 dashboard 而不是空殼示意；連線一律用「箭頭 + 標籤」的格式描述，並指定弧形或虛線等樣式區分業務流與監控回饋；最後在每個泳道指定一個強調色（紫 / 青綠 / 橘），整張圖視覺層次會非常清楚。這種寫法在 DALL-E 3 時代幾乎不可能穩定產出，現在 GPT Image 2 一次就能畫到接近能直接放進技術簡報的程度。
範例四：UI 流程 mockup（三畫面依序點選）
這組測多畫面一致性 + 介面精細元件 + 流程指示，一次出三張 iPhone 截圖，模擬使用者從設定首頁逐步點進通知設定的完整 flow，是 GPT Image 2 reasoning 強項才能穩定畫出的構圖。
設計一張 3840×2160 的 UI 流程示意圖，深灰漸層背景，
三支 iPhone 15 Pro 從左到右等距並排，每支手機都帶細緻金屬邊框與島形 Dynamic Island。
三個畫面共用同一個 iOS 18 淺色主題、繁體中文介面，並在手機之間用霓虹青綠色（#00FFAA）
箭頭連接，箭頭中央標示「點擊」與對應元件名稱。
【畫面 1：設定首頁】
頂部 Navigation Bar 標題「設定」。下方分三個 section：
- 帳號：一列「個人資料」帶右側 chevron。
- 通知：一列「通知設定」帶右側 chevron，這列要用霓虹青綠色光暈外框強調，
代表使用者即將點擊的對象。
- 進階：一列「清除快取」（紅色文字）。
【箭頭 1】指向畫面 2，標籤「點擊『通知設定』」。
【畫面 2：通知設定列表】
頂部 Navigation Bar 標題「通知」、左上角返回箭頭與小字「設定」。
下方一個 section 列出三列：
- 推播通知（開關 ON）
- 電子郵件（開關 OFF）
- 簡訊通知（開關 ON）— 這列用霓虹青綠色光暈外框強調。
【箭頭 2】指向畫面 3，標籤「點擊『簡訊通知』」。
【畫面 3：簡訊通知細節】
頂部 Navigation Bar 標題「簡訊通知」、左上角返回箭頭與小字「通知」。
畫面分兩個 section：
- 開啟簡訊通知（開關 ON）
- 通知時段：兩列「開始時間 09:00」「結束時間 22:00」，右側帶 chevron。
畫面下方有一行說明文字「在指定時段外不會傳送簡訊通知」（淺灰小字）。
整張圖最上方放標題「通知設定流程 / Notification Setup Flow」，
最下方右側放浮水印「klab.tw」。配色保持淺色 UI、深灰背景、霓虹青綠強調。提示詞重點：把每個畫面當成獨立區塊用方括號標題分段、每個畫面內部再用 bullet 列出元件與狀態；用霓虹色光暈外框標出「即將被點擊」的元件，再用箭頭與標籤連接畫面，模型才會把流程關係畫出來。前後兩個畫面的 navigation bar 標題與返回鍵互相呼應，能讓 reasoning 階段把「這是同一個 App 的不同層」這件事抓住，產出的細節一致性會比一張一張分開畫穩定許多。
範例五：多角色一致性插畫
最後一組測多角色佈局與細節一致性。
畫一張爽朗有精神的插畫，五位開發者圍著一張長桌共同討論程式碼，氣氛積極投入。
從左到右：
1. 戴黑框眼鏡、穿淺灰帽 T 的女生，正在用筆電，臉上帶輕鬆的微笑。
2. 短髮俐落、穿天藍色襯衫的中年男子，手上拿著筆記本，神情專注但有朝氣。
3. 短髮、穿亮黃色 T-shirt 的年輕男生，正比手畫腳，眼神自信明亮。
4. 戴耳機、穿白襯衫的女生，看著螢幕快速打字，姿態輕快。
5. 穿薄荷綠 hoodie 的男生，舉手提問，笑容開朗。
桌上有筆電、玻璃水杯、便利貼、白板筆，整體乾淨整齊。
背景是辦公室落地窗，外面是晴朗的早晨藍天與遠方城市天際線，
有溫和的自然光從左側灑進室內。
風格採用扁平向量插畫，配色清爽明亮（天藍、白、薄荷綠、檸檬黃做點綴），
線條俐落、色塊分明，整體傳達朝氣與專業感。提示詞重點：把每個角色的外觀特徵與動作分點列出，這樣模型 reasoning 時可以個別處理；場景物件也要列清楚，不然桌上常常會少掉一兩樣。GPT Image 2 對「五位以上同框」的處理已經比 DALL-E 3 穩定許多，但要寫得越具體效果越好。
範例六：夜市美食宣傳海報
這組測攝影級寫實風格 + 大量繁體中文文字渲染 + 多商品排版。台灣夜市場景的氛圍、招牌、價格牌過去都是生圖模型的重災區，也是 GPT Image 2 文字能力最能展現價值的題材。
設計一張直式 1080×1620 的宣傳海報，主題「台灣夜市美食特輯」，
風格寫實攝影 + 設計排版混搭，整體要有夜晚的熱鬧氛圍與食物的香氣感。
【主視覺】畫面上半 60% 是一張俯角廣角的夜市街景照片：
台灣傳統夜市的窄巷，兩側擁擠的攤車與紅黃招牌，
攤位上飄起淡淡白色蒸氣，地上有反光的水痕，遠處模糊的人潮，
配色以暖橘、紅、黃為主，搭配少量霓虹藍綠點綴，
鏡頭風格類似台灣電影夜景的質感，淺景深、柔和顆粒。
注意：所有招牌與攤位文字使用虛構的台式店名或泛用美食字樣
（例如「老王麵店」「香脆雞排」「古早味」），不要出現任何真實品牌或店家名稱。
【主標題】壓在街景照片中央的暖色半透明色塊上：
最上一行小字（白色細體）「TAIWAN NIGHT MARKET · 2026」，
中間極大的繁體中文書法風格主標「台灣夜市美食特輯」（金黃色，帶細描邊），
副標「八樣經典 · 一次吃個夠」（白色細體）。
【下半 40%】排版區是奶油色（#FFF7E6）背景，
切成 2 欄 4 列共八個美食卡片，每張卡片含：
- 一張該料理的小型寫實照片（圓角方塊，保持風格一致）
- 上方一行繁體中文菜名（深咖啡色粗體）
- 下方一行小字描述（中灰色）
- 右下角橘色圓形價格 badge
八個美食依序：
1. 蚵仔煎 / 鮮蚵 + 雞蛋 + 太白粉 / NT$80
2. 大腸包小腸 / 糯米腸夾香腸 / NT$70
3. 青蛙下蛋 / 粉圓奶茶 / NT$60
4. 胡椒餅 / 現烤肉餡餅 / NT$65
5. 滷味拼盤 / 滷豆干雞翅米血 / NT$120
6. 雞排 / 香雞排加九層塔 / NT$80
7. 牛肉麵 / 紅燒清燉皆有 / NT$180
8. 芋圓豆花 / 古早味甜湯 / NT$65
【底部 footer】中央一行細字「2026 春季夜市特輯」，深咖啡色細體。
不需要 QR Code、不需要地址、不需要任何網址或網域名稱。
整體配色：暖橘紅 + 金黃 + 奶油色 + 深咖啡色字體，
營造熱鬧、溫暖、食慾感，所有繁體中文字務必清晰、無拼錯、
排版整齊；菜名與價格欄位對齊俐落，看起來像出自設計師之手。提示詞重點：用明確的版面比例切分（上 60% 主視覺、下 40% 排版區、footer），讓 reasoning 階段先把版面骨架想好；菜名、描述、價格三欄分點列出（八個品項一目了然），模型才會知道要做成等距卡片；指定具體的攝影風格參考（孤味、艋舺）比寫「電影感」還精準；最後重複叮嚀「文字必須無拼錯、排版整齊」，是這代模型才有辦法穩定達成的指令——DALL-E 3 時代寫了也是白寫。實際做出來常常一次就能交件，是想驗證 GPT Image 2 文字渲染能力最直觀的題目。
適合與不適合的場景
適合切過來的情境
- 需要在圖內寫對文字：招牌、菜單、海報、UI mockup、infographic，這代差距最有感
- 多語言素材：中日韓、Hindi、Bengali 等非拉丁文字場景，GPT Image 2 是目前少數能寫對的選項
- 結構複雜的 layout：多區塊、多角色、多元件的圖，受惠於 reasoning
- 需要連網的時事題材：近期人物、產品、事件相關的視覺，搭配 ChatGPT thinking 模型有 web search 加成
可以先不換的情境
- 單純的 stock photo 風格：DALL-E 3 與 SDXL 早就夠用，沒必要為了多花成本切過來
- 對速度敏感的即時生成：reasoning 會多吃時間，如果是 chatbot 內 inline 出圖，使用體感會比 DALL-E 3 慢一些
- 單張 2K 大量批次：成本會比預期高出許多，建議先用 medium 跑出滿意的構圖再升 high 細修
- 純風格化插畫：Midjourney v7、Black Forest Labs FLUX 在某些藝術風格上仍有更獨特的味道，看品牌定位再選
小結
GPT Image 2 是這幾年生圖模型升級裡最有「世代差」感受的一次，背後的改變不只是把畫質拉到 2K，而是把 reasoning 第一次帶進生圖流程，讓模型有時間自己思考要怎麼下筆。對日常做技術部落格、做簡報、做 UI mockup、行銷素材的開發者來說，「能把字寫對」這件事直接省掉了一整段後製流程，這個體感比任何 benchmark 數字都更直接。
不過 reasoning 的代價是更慢、更貴，對成本與延遲敏感的產品端不見得要全面切過來，可以走 portfolio 思路：日常 stock 用 DALL-E 3 或 SDXL、需要文字與精準排版時切 GPT Image 2、純藝術風格交給 Midjourney 或 FLUX。本文上面的提示詞範例都可以直接拿去 ChatGPT 試試看，如果做出有趣的成果歡迎分享回來。