GPT Images 2.5实测：用角色卡+参考图实现系列插画角色一致性

做系列插画最怕什么？不是单张图崩，而是第一张惊艳，第二张开始跑偏，到第五张的时候，那只猫已经不是那只猫了。我所在的ZHGO团队最近发布的 CatMe 创意系列，就是专门拿着这个问题去硬刚 GPT Images 2.5 的：一只叫 MeMe 的奶油色小猫，要在几十张图里长得一模一样，还要自然地出现在咖啡店、书桌、天台、雪地这些场景里，部分图还得带上招牌、饮品杯、包装袋上的文字。整套东西做完之后，我最大的感受是：GPT Images 2.5 这一版真的把“连续创作”从一个运气问题，变成了一个可以被方法化的问题。

这篇文章不是泛泛的新功能播报，而是把一个真实项目从定位、提示词设计、实测翻车到最后落地成贴纸和壁纸的全过程拆开来讲，适合正在用图像模型做IP形象、内容配图、品牌日常素材的朋友，尤其是对“同一角色跨图保持一致”有硬需求的人。文中出现的提示词、参数和排查经验，都是以 CatMe 项目实际跑图记录为底稿整理的，不是照着官方说明抄出来的。

1. 为什么拿“猫”当压力测试？CatMe 的项目背景

CatMe 名义上是一个创意系列，本质上却是一台测试机器。我们刻意把测试对象选成猫，不是因为它可爱，而是因为猫几乎涵盖了图像模型最容易翻车的所有特征。

1.1 从“单图能打”到“整组能用”的关键转变

GPT Images 2.5 发布当天，市面上讨论最集中的是画面质感提升。确实，同一句 “a cozy room with warm light”，2.5 给到的光影层次、材质纹理都比旧版本更细腻，木桌纹路、布料褶皱、玻璃杯边缘的折射都经得起放大看。但对我们这种做系列内容的人来说，单张好看早就不是兴奋点了，因为旧版本已经能交出不错的单品。

真正决定启动 CatMe 的，是连续一致性这个维度的变化。旧版图模型跑同一角色的不同场景，你总会有一种不确定感：“这到底还是不是刚才那只猫？”2.5 把这种不确定感压到了很低的水平。我用同一段角色描述做了简单的量化测试：不挂参考图跑 30 张，主要特征保持在七成以上（眼睛颜色、毛色、圆脸比例里至少两项不出错）；挂一张标准像做参考图再跑 30 张，这个数字能到九成以上。这个数据不是实验室结论，就是 CatMe 项目早期批量生成时的真实记录。

另外一个容易被忽略的变化是“局部修改”的边界感。以前想让模型改一个围巾的颜色，它基本会把整个人物连同背景一起重画；2.5 在大多数情况下能意识到“只改围巾，其他不动”这个指令的含义。这两个变化叠加在一起，意味着团队终于可以用传统设计流程的思路来做生成式项目：先定角色视觉规范，再批量出场景图，最后按需微调——而不是一张一张碰运气。

1.2 CatMe 系列设置的三层测试目标

猫本身就够难处理了，但还是需要在项目里人为增加难度，才能逼出模型的能力边界。CatMe 系列在设计时按三层目标拆解，每层对应一类真实应用需求。

第一层是角色一致性测试。同一个 MeMe 要出现在咖啡店窗边、木书桌、天台日落、雪地、夜晚路灯下这些完全不同构图和光线条件的画面里，毛发层次、眼睛颜色、脸型比例都不能走样。这一层解决的是 IP 形象、连载贴纸、品牌吉祥物的基础问题。

第二层是场景扩展测试。从室内到室外、从白天到夜晚、从近景到中景，环境跨度拉得很大。模型必须理解场景框架，同时不把场景里的光源色、透视效果误加到角色身上。这一层直接决定我们能不能用同一套角色卡批量产出“同一个人在不同地方”的素材。

第三层是图文混排测试。我们会故意让场景里出现需要正确书写的文字，比如咖啡杯上的“CATME”、店铺招牌上的“猫语咖啡”、贴纸边圈的装饰字体。文字渲染一直是生成式图像模型的短板，2.5 在这方面的提升幅度直接决定了素材能不能用于真实场景，而不只是停留在“思路稿”阶段。

选择猫作为测试对象，还有一个很现实的理由：猫的毛发是典型的高频细节，无数模型在这里翻车；猫的五官比例非常敏感，稍微偏移一点，观感立刻从“可爱”滑向“诡异”；更重要的是，养猫的人对猫的特征有极强的纠错直觉，观众很容易判断一张图“像不像”。拿猫当试纸，等于主动把验收标准拉高，猫能过了，其他题材基本是降维使用。

2. 提示词结构与风格锚定：CatMe 能复现的核心方法

做系列项目，最忌讳的是每张图的提示词都从零写起。风格飘逸、特征漂移，问题多半出在提示词结构不统一。CatMe 系列最终沉淀下来的方法可以拆成三步：角色卡、参考图、场景模板。这套组合基本把系列创作里“变量”和“常量”的边界划清楚了。

2.1 第一步：把角色写进一张“角色卡”

早期我也用过散文式描述，比如“一只看起来很温柔、有点懒洋洋的奶油色小猫，眼睛圆圆的很可爱”。问题在于这种写法把希望模型执行的属性，和模型可以自由发挥的部分混在了一起。2.5 的语义理解虽然在进步，但它最擅长接收的仍然是清晰、分块、可检索的属性集合。

CatMe 的角色卡，本质上是把设计规范里的“设计令牌”复刻成文字。每个字段都是常量，在后续所有场景提示词里原样复用：

• 角色信息：MeMe，一只奶油白底色、浅棕耳尖、琥珀色圆眼睛的短毛猫，两颊偏圆，尾巴蓬松，不穿衣服
• 色板：奶油白、浅棕、焦糖色
• 画风：日系手帐插画、扁平、细线条、温和阴影、干净边缘
• 情绪基调：慵懒、好奇
• 禁忌词：不做写实、不做厚重厚涂、不做拟人化

落到实际提示词里，角色卡长这样：

A cream-colored cat character named MeMe, with light brown ear tips, round amber eyes, a short fluffy tail, chubby cheeks, wearing no clothes, soft flat illustration style, pastel color palette of cream / light brown / caramel, clean thin outlines, gentle warm lighting, hand-drawn sticker style, cozy mood. Do not make it photorealistic, do not add thick painting texture, do not anthropomorphize.

把这段文字整段复制到每一个场景提示词的开头，然后再接场景信息。它起到的作用，等于告诉模型：这一长串属性是全项目的常量，可以微调光影，但不能改变主体特征。

2.2 参考图比想象中更重要，但别贪多

提示词能框定属性，却不能框定“手感”。同一个提示词跑两张图，可能一张像手绘贴纸，一张像绘本内页。这是语言描述的天然上限。解决办法是给模型一张视觉锚点。

我的操作流程是：先用角色卡单独跑一张 MeMe 正面标准像，然后把这张图作为参考图，连同角色卡一起传给后续所有生成任务。实测下来，参考图对脸部比例、眼睛间距、毛色分层的约束力非常强，比我用任何形容词都管用。2.5 对参考图的利用方式已经更像“身份识别”而不是“风格借鉴”了。

但这里有个反直觉的坑：参考图不是越多越好。我第一次尝试时传了 7 张不同角度的 MeMe，结果模型自动在特征之间做了“平均”，生成出来的猫眼睛像 A 图，脸型偏 C 图，毛色又取 D 图，谁都不像，比不传参考图还要不稳定。后来减到一张正面像加一张侧面全身像，效果立刻稳了。参考图控制在 1 到 3 张以内，质量远比数量重要。

2.3 场景模板：把变量和常量分开管理

角色卡确定后，每张场景图的提示词都是在一个固定骨架上替换场景变量。CatMe 的提示词骨架是：角色卡 + 场景描述 + 画面重点 + 构图要求 + 文字内容。

以“咖啡店”这张图为例，完整提示词是这样的组合：

[角色卡原文] + MeMe sitting by a café window on a wooden stool, holding a tiny paper cup with the text “CATME”, warm morning light, blurred menu board background, cozy illustration, clean composition, sticker book page style.

再拿“雪地”场景对比，只是后半段变量不同：

[角色卡原文] + MeMe walking on a snowy path at dusk, wearing a small red scarf, falling snow, soft blue evening light, minimal background, cozy illustration, clean composition, sticker book page style.

关键点在于：与角色无关的内容全部放在后半段，不能穿插进角色描述里。文字需求也要写明白，比如 “with the text ‘CATME’” 这种直接指出文字内容和位置的写法，2.5 的响应比模糊的 “with some text on the cup” 靠谱得多。

这套结构的好处是方便排查。某张图出现特征漂移时，先看是否场景变量覆盖了角色常量；某张图文字翻车时，只需检查后半段文字区域写法。变量边界清楚了，试错成本就低了。

3. 实测拆解：文字渲染、连续一致性与修复跟随

这一部分是标题里“实测”两个字的分量所在。CatMe 系列从开始到定稿，累计跑了大约 120 张原始图，我按维度做了简单统计。下面这些数据都是项目内部的实际记录，不是官方宣传口径。

3.1 英文短文本：基本达到可商用水平

测试场景包括咖啡杯上的“CATME”、霓虹灯牌上的“MEOW”、书封面上的“CatMe”、快递箱上的“OPEN ME”。2.5 在短英文文本上的表现，是我个人见过生成式模型里进步最明显的一档。

统计下来，短英文文本（3 到 8 个字符）共生成 25 次，拼写完全正确的有 23 次，准确率约 92%。剩余两次也只需要局部修正，不再是旧版那种字母残缺变形、一句话里拼对两个词就谢天谢地的状态。值得提醒的是，花体字、大面积倾斜透视、或者文字被物体边缘切到的情况下，准确率会降到七八成。所以我的经验是：需要严格正确的文字，尽量给模型一个干净的平面区域，文字摆正、字号放大、背景简洁，成功率最高。

3.2 中文文字：有惊喜，别当排版工具用

中文门头字在 2.5 上确实有进步，但离“放心用”还有距离。猫开咖啡店那张图的店铺招牌，我要求写“猫语咖啡”四个字，16 次生成里完全写对了 8 次，成功率差不多一半，已经能挑出可用的底图了。这和以前一比是巨大进步，以前基本每次都是“形近字大联欢”。

但问题也很明确：中文笔画复杂度摆在那里，一旦超过六个字，或者出现“藏”“黛”这类笔画繁多的字，模型就会开始用形近字硬凑。另一个容易翻车的是招牌有透视角度的时候，笔画会顺着错误方向连接，出现“猎语咖啡”“猫话咖啡”这种让人哭笑不得的结果。

结合项目经验，我给中文文字的定位是：能做概念预览、能做氛围背景、不能直接当正式排版。实际工作中，我会准备两套方案。方案一，提示词里只给短词，尽量不超四个字，选笔画简单的字；方案二，生成时干脆保留无字版本，在后期工具里用标准字库把招牌、包装文字替换上去。对我这种效率优先的人来说，方案二是常态。

3.3 连续一致性：最意外的进步

跨图一致性是这次实测中最让我惊喜的维度。没用任何外部插件、没有后期叠图，单靠“角色卡 + 正面参考图”的方式，MeMe 在 30 张不同构图里的脸部特征和毛色几乎没有明显漂移。后续 120 张完整项目图里，偶发的特征偏差主要是眼睛颜色偏浅、尾巴花纹方向变化，频率大约每五张一次，而且修正成本极低，只需表现打回重跑或局部修改。

修复跟随度也值得单独说。我对一张基本满意的图提出“把围巾从黄色改成红色，其他不要动”，模型只改了围巾，没有顺手重绘猫的耳朵或者背景。这种“有边界感的修改”，过去几乎不可能做到，旧版模型往往会把整个画面推倒重来。2.5 在指令约束上的提升，直接改变了后期修图的工作方式——从“重画碰运气”变成了“定点微调”。

4. 高频翻车现象与完整修复链路

再强的模型也有稳定翻车的场景。这里的价值不在于“知道会翻车”，而在于遇到翻车时知道从哪里下手。下面三条是 CatMe 项目里出现频率最高的问题，每条都附带完整的排查逻辑。

4.1 翻车一：毛色漂移，奶油猫变橘猫

最早出系列图时，有一张雪地里奔跑的 MeMe 整体泛着橘色调，奶油白变成了香槟金，看第一眼还以为换了个角色。这类问题的根因通常是：场景光源的强烈色温被模型理解成了“改变主体固有色”。尤其夕阳、黄昏这类暖光场景，模型容易把金色调混进角色本身，而不是作为环境色保留。

修复链路分两步走。第一步，在场景提示词末尾追加一句角色固有色重申，例如 “keep the fur color consistent, cream white body, light brown ear tips”，把毛色声明从角色卡里再强调一次。第二步，检查参考图有没有正确挂载——这是最容易被忽略的环节，很多浏览器插件或对话历史会导致参考图没有被真正送入模型，模型等于裸奔跑图。两步做完后，毛色漂移的出现频率从大约每五张一次降到了每二十张一次。

4.2 翻车二：中文招牌字变“形近字乱炖”

前面提到的“猫语咖啡”变“猎语咖啡”，是文字类翻车的典型。排查时发现两个主要变量：一是招牌在画面里有倾斜透视，模型在透视变形下拼接笔画的出错率直线上升；二是四个字里“猫”“语”“咖”都算中等以上笔画量，模型分配给单个字的像素不够，就会出现笔画溢出的错觉。

修复策略是降低单次生成难度。先把招牌区域在构图里放大，让文字拥有足够的画布面积；然后把招牌角度从侧视改为正对镜头，消除透视干扰；最后控制在四到六个字以内。如果这样连续两次还是错，就不硬刚了，直接生成一张干净的无字招牌底图，后期用标准字库把“猫语咖啡”四个字替换上去。这条“无字底图 + 后期补字”的路线，在正式物料里其实比指望模型写对更稳。

4.3 翻车三：猫爪结构错乱与五官轻微错位

猫爪数量错误是最有“AI 味”的翻车现象。明明画的是正脸坐姿，前爪却多出一节；或者耳朵位置略高，眼神从“慵懒”变成了“震惊”。这类问题在 2.5 上仍然存在，但触发概率已经明显低于旧版。

实测规律是：动作越复杂、透视越大胆，越容易翻车；类似坐姿、趴着这类常规构图，几乎不会出错。修复时我不建议直接说“重新生成一张”，而是用对话式修改，把出现问题的区域圈出来，明确指令“只保留两只前爪，去掉多余部分”或者“放低耳朵位置，保持其他不变”。2.5 对这类带区域指向的修复指令，响应质量远高于整体重画——因为整体重画可能会引入新的翻车点，陷入循环。

4.4 完整排查链路：从现象倒推原因

如果一张图出了问题，我通常按下面的顺序排查，速度最快：

第一步先分大类：是主体崩了还是场景崩了。主体崩，优先怀疑场景描述是否覆盖了角色卡属性，比如“傍晚”“暖光”这类词有没有把毛色带偏。第二步检查参考图状态：参考图有没有被正确送入、有没有被夹在对话历史里导致模型取错特征。第三步判断问题类型：文字翻车就先重置文字内容、缩短长度、改构图；视觉元素翻车则考虑是不是动作复杂度超限，调整姿势后再试。第四步，连续失败两次就直接换策略，把目标拆成“纯场景图”和“纯角色图”分开生成，再在后期软件里合成。这个方法看着笨，实际最省时间。

5. 从“能出图”到“能排产”：CatMe 的落地工作流

能出图只是第一步，能稳定、批量、按规格地产出，才算真正把模型用进生产链路。CatMe 系列最后的落地物料包括 6 张贴纸、4 张壁纸和 2 张社交头像框，背后是一套很朴素的选图和精修流程。

5.1 批量出图与选图策略

系列项目里，我很少让一张图决定方向，每个场景至少跑 4 到 6 张，然后按四个维度筛：角色特征是否符合、整体风格是否统一、文字是否正确、构图是否有二次裁切空间。团队内部用一张简单的表格管理这些素材：

CatMe 全项目 120 张原始出图，初筛后留下约 40 张进入精修，最终发布 12 张，这个漏斗比例是常态。不要指望每张都能直接用，也不要因为筛掉率高就觉得模型不行——设计公司拍一张主视觉还要拍几百张选一张呢，生成式工具的成本已经低到可以接受这种筛选方式了。

5.2 后期精修的三个必做动作

无论模型出图多好看，正式发布前我基本都会做三个后期动作，这也是 CatMe 从“AI 味”走向“成品感”的关键环节。

第一个动作是统一色板。在绘图软件里用好吸管工具把 MeMe 的固有色校准成角色卡里定义的标准色值，尤其是奶白色毛色。模型在不同光照场景里会给出深浅不一的米白，如果不校准，整批图放一起会显得不是一个系列。这一步花不了几分钟，但对系列感的影响极大。

第二个动作是修补文字。如果物料是正式海报或包装，生成出来的文字几乎都要替换成标准字库版本。替换时注意保留原图的透视和光影，给文字加一点和背景匹配的柔化或质感，避免“贴上去”的生硬感。

第三个动作是清理边缘杂点。2.5 在大尺寸输出下偶尔会在毛发边缘或线条交接处留下细小的噪点，放大到 200% 就能看到。用橡皮擦或涂抹工具快速清理一遍，整体干净度会立刻上一个台阶。这个过程看似琐碎，但恰恰是区分“随手跑图”和“可发布作品”的分水岭。

5.3 关于生成内容使用边界的提醒

这个提醒必须单独说。以 CatMe 为例，团队对发布到公开渠道的素材做了二次整理，把画面里可能涉及真实品牌标识、真实人物形象的内容全部替换成虚拟化表达，并在内部保留完整的生成记录和提示词版本，方便溯源。

做这类生成项目时，我给出的建议是：发布商用之前，自己确认所用平台的服务条款里关于生成内容使用和商业化的说明；不同区域、不同平台的要求可能不同，以官方文档为准。保留每一步的生成对话、原始图、修改记录，既是创作过程的资产沉淀，也是将来需要说明来源时的凭证。这些事情做起来不难，但发布之后再补就很被动。

6. 实测沉淀：给我带来效率提升的几个小习惯

连续高强度用了一段时间的 GPT Images 2.5 之后，有一些没写在官方更新日志里、但对实际工作影响很大的经验，挑三个最实用的分享出来。

第一个习惯：先写角色卡，再写场景。不管多着急，先把角色的固定属性单独放在一个段落里，然后在每个场景提示词里整段复用。这套做法看起来死板，却是排查特征漂移的最好帮手。某张图出了问题，直接检查后半段场景变量有没有覆盖前面的角色常量，比从一大段混合描述里找原因高效得多。

第二个习惯：尽量用正面词描述期望风格，少用否定词。我发现 2.5 对“不要写实”“不要太复杂”这类否定句式的理解虽然不错，但实际效果远不如正面描述来得准确。与其写“不要厚涂”，不如明确“soft flat illustration style”；与其写“不要拥挤的背景”，不如写“clean minimal background”。把模型往想去的方向引，比反复拦截不想要的方向更顺手。

第三个习惯：把失败也当成数据。我每次跑图都会在文件备注里记一句失败原因，比如“毛色偏橘”“文字缺笔”“风格偏厚涂”。积累几轮之后，就能明显看出哪些场景是高危区、哪些提示词元素和成功率强相关。做系列创作，真正拉开效率差距的往往不是单张出图的运气，而是你对这个模型的失败模式了解有多深。

这次 CatMe 系列做完，我最大的体会是：GPT Images 2.5 已经让“连续创作”进入了可以认真投入的阶段。剩下的事情，更多是创作者愿不愿意建立一套稳定的工作方法。无论是做 IP、做贴纸，还是做日常内容配图，这套“角色卡 + 参考图 + 场景模板 + 选图漏斗”的方法都可以直接套用。希望这篇实测记录能让你少踩几个坑，也给你做系列项目提供一点真正能落地的思路。