AI 图像空间约束实测：把三杯一壶放对位置

画面里出现了要求的所有东西，不等于它完成了要求。数量、位置、方向和完整性回答的是不同问题；先分别核对，再评价图片是否精致。

这次要做一张小型茶席静物：左半边三只蓝杯，右半边一只珊瑚色茶壶，黄色餐巾放在壶下方。八张结果的计数和茶壶朝向都正确，但六张仍然让壶嘴跨过中线；只有 Banana 的两张把完整茶壶留在了指定半区。

本文用一段固定的空间描述，比较 GPT Image 2.5 Flare、GPT Image 2.5 Sunburst、Nano Banana 2.1 和 Grok Imagine Image 2.0。每个条件生成两张，规模刻意保持很小。它用来观察一张具体图片中的执行差异，不用来给模型排永久榜单。

先把画面拆成可以核对的关系

从物件开始，再写每件东西必须满足什么。本次“五件物体”指三只杯子、一只茶壶、一张餐巾。附着的壶嘴、把手和壶盖属于茶壶，不要因为它们也是独立形状就重复计数。投影也不是额外一只杯子。

中线只是判断位置的辅助线，不是要求模型在桌面上画一条线。想象这条线，就能检查“左半边”是否真的成立。柔和阴影跨过中线，不会把杯子搬到右边；杯沿本身跨过去，则是另一回事。

还要保留“无法判断”这一种记录。如果两块重叠的蓝色形体让你分不清是否真有两只杯子，不要因为提示词写了三只，就替结果补上三只。先记下是什么妨碍判断。审图的目的是看返回的图，不是凭记忆把意图填回去。

这种分拆借鉴了以物体为中心的图文一致性评估。GenEval 把数量、位置、颜色等性质分开分析，而不是只依靠整体观感。本次采用针对茶席的人工清单，没有运行 GenEval 软件，也没有引用它的模型分数来替这些新结果评分。GenEval 原始论文

测试用什么要求，审图就用同一份要求

共享提示词固定了主体、俯拍视角、物件颜色、图像中的方向、分离关系、光线和请求的 3:4 构图，不使用参考图。下方是本轮提交的完整文字。如果只复制最前面的风格形容词，真正需要执行的任务会被删掉大半。

Create an elegant editorial still-life photograph in portrait 3:4 format, viewed directly from above. On a warm ivory tabletop, place exactly three cobalt-blue ceramic cups, all entirely within the LEFT half of the image, separated in a neat vertical row from top to bottom. Place exactly one coral-red ceramic teapot entirely within the RIGHT half of the image. The teapot spout must point LEFT toward the cups, and its handle must be on the RIGHT side. Place exactly one folded mustard-yellow cloth napkin below the teapot, also in the right half. All five objects must be fully visible and separated, with no overlaps. Soft natural light comes from the upper left. Refined material detail, calm composition, generous empty space. No saucers, spoons, other utensils, flowers, words, people, hands or additional objects.

“留出充足空间”是为了支持物件分离，不是授权模型用一个新配件填满空白。颜色也要绑定到正确的物体：出现珊瑚色杯子和蓝茶壶，不能因为所需色盘都在，就算符合要求。

每个条件两次计划请求的有效返回图全部保留，不从中挑最好看的一张代表模型。没有产生图片的服务失败，应与一张多出第四只杯子的图分开记录。后者虽然不符合要求，仍然是应该被纳入观察的有效结果。

请求的画幅比例与文件真正返回的像素尺寸，也是两件事。展示时保留完整画面，按原比例显示。先裁成统一比例再评分，可能藏起越界的壶嘴，或者直接删掉本来需要揭示的额外物件。

本轮实际怎样执行

2026 年 10 月 23 日，四个模型条件各提交两次独立请求，使用相同英文提示词，不提供参考图。空间测试的八次请求都返回了图片，八张全部展示，没有因为不够好看或不够听话而删除其中某张。

四个条件都请求了竖向 3:4、1K 分辨率档，但原生尺寸并不相同；Banana 文件也只是接近 3:4，并非精确等于 3:4。这里保留这些区别，不靠拉伸或裁切统一。“Medium”这个同名档位，也不说明不同模型家族进行了相等的内部处理。因此，这是同一份简报的比较，不是所有内部设置完全一致的比较。

图注中的名称表示请求的模型条件，返回结果没有独立确认实际生成模型的身份。本文由 AI 编辑在知道这些标签的情况下逐图目检，不是人工盲测，也没有运行 GenEval 自动评分。

先看完八张，再决定喜欢哪张

八张都能清楚数出要求的物体，三杯都排在左侧，壶嘴朝左、把手朝右，物件完整且相互分离。真正拉开本轮结果的是更严格的要求：完整茶壶是否始终留在右半边？其中六张把壶的主体放在了右侧，却让壶嘴跨过中线。

GPT Image 2.5 Flare

两张都把五件物体安排得很干净，乍看能令人信服地回答“右边一只茶壶”。但更具体的要求是完整轮廓留在右侧，它们没有做到。两张的餐巾本身都留在右半边，因此不能把失败笼统写成“整幅构图混乱”。

GPT Image 2.5 Sunburst

较大的茶壶与舒展的布面容易辨认，整体也有清楚的视觉重心。但这些优点不会消除边界错误。特别是餐巾只越过一点时，平衡的构图很容易让人忽略它；这正是需要把“好看”和“符合要求”分开记录的原因。

Nano Banana 2.1

这两张通过了事先记录的物件和空间检查。两次杯子造型不同，但本轮没有提供产品参考，也不是身份保持测试。看到结果之后才增加“必须是无把手杯”的要求，会把测试内容换掉，不能据此扣分。

Grok Imagine Image 2.0

两张都保留了预期的上下安排，也有清楚可辨的陶瓷与布料。与展示的 GPT 结果一样，它们满足了“指向杯子”的相对方向，却没有满足“完整放在右半边”的绝对画面区域。

每格只统计本文展示的两张结果，不是对未来成功率的估计。表格也没有把质感、光线和模型整体能力合成一个总分。

把一眼容易漏掉的条件放大检查

768 像素宽的图，中点是 x = 384；Banana 与 Grok 文件各自的中点则是 x = 448 和 x = 432。应依据每份文件自己的宽度判断，不要用网页正文列宽，也不要借用相邻缩略图的中点。

壶嘴确实朝左，尖端也确实占据了左半边。两句话可以同时成立，但这份简报要求前者，同时不允许后者。Banana 的两张结果也说明，这两个要求并非自相矛盾：茶壶可以整体靠右一些，仍然向左朝向杯组。

遇到这类失败，不该要求壶嘴反向。更贴切的修订是：“壶嘴继续朝左，把手继续朝右。把包括两者在内的整只茶壶放在画面中线右侧，茶壶最左缘与中线之间保留可见桌面。”要证明这次改写有效，需要再产生并检查新结果；本轮没有做这一步。

官方说明能告诉我们什么

OpenAI 把 Flare 和 Sunburst 列为两个 GPT Image 2.5 模型；Google 的图像生成文档明确包含 Nano Banana 2.1；xAI 则提供 Imagine Image 2.0 的文生图与编辑说明。它们能够确认名称和能力入口，不能保证这五件东西在这段提示词下必然摆对。OpenAI Images 2.5、Google 图像生成、xAI Imagine Image 2.0

Google 建议提供具体语境并进行迭代；xAI 的提示词指南也先讨论可辨认的主体、数量与观察方向，再考虑风格。这些是写清要求的参考，不是本次实验成功率的证明。Google 实践建议、xAI 图像提示词指南

先排除简报自身的冲突

归因给模型之前，先读自己的要求。如果一边让“茶壶放在餐巾上”，一边又要求所有实体完整分离、互不重叠，两种意图就发生冲突。改成餐巾在画面中位于壶的下方，是解决了摆放方案，不是在修复一个已经明确的模型错误。

“在茶壶左边”也不等于“在图像左半边”。两件东西可以同时位于右半边，其中一件仍然在另一件的左边。本次提示词特意同时写了画面区域和壶嘴方向，审阅时不能悄悄换成较宽松的条件。

正俯拍便于交流图像左右，但不会消除所有判断难点。杯子内部的深色和它的投影仍需要辨认为同一件东西的不同部分。不要见到几个圆形就报几个物体，应沿物理轮廓数杯体。

改写失败的关系，而不是继续加气氛词

有用的修订会指出一个可见失败，同时固定已经正确的部分。假设杯数正确，竖列却排成了三角形，“让构图更有秩序”没有说明错在哪里。更清楚的片段是：“保留相同的三只杯子，让它们的中心在左半边沿一条竖线排列，杯与杯之间留出可见间隔。”

如果餐巾与茶壶重叠，则说明关系：“整张折叠餐巾放在图像中茶壶的下方，两者轮廓之间留出一条可见桌面。”这里没有保证一个像素精确的间距，而是把它与“壶底下的垫布”区分开来。

如果壶嘴指向右侧，就要求修正茶壶方向，并保留杯组和餐巾。不要把整张画布旋转 180 度：那会把指定的左右区域也交换掉，杯列的上下关系也跟着改变。改完后，壶嘴和把手仍要分别看；壶身好像转过来了，不代表两个附属结构一定相互一致。

这些片段都是建议的后续要求，没有在本次实验里额外执行。要证明改写有效，还需要它自己的返回图，并使用同一份完整清单。删掉额外杯子的同时也删掉餐巾，不能算修好了数量问题。

用小比较回答小问题

一段提示词的两张输出，可以揭示这些图片里重复出现的错误。它们不足以说明一个模型在产品图、图解、室内场景或其他提示词上有多高的空间语言执行率。一张干净结果，也不能证明换个杯数、换个布局仍然成立。

实际使用时，先找出一旦偏离就会让素材无法交付的关系，把它写清楚，再生成。保留原结果，针对这一个关系修订，然后重新检查整张图。硬性要求都通过后，再评光线、质感和画面平衡。精修值得做，但不能只是让错误场景看起来更可信。

更广泛的构图规划见构图指南。图像编辑指南解释了为什么“其他都保持不变”仍然需要目检。