这两天在完成一个家长任务——给小孩准备幼儿园2025年度亲子故事比赛要用的PPT，而PPT的最终困难落到了配图上，我就顺手测试了一下GPT4o的文生图能力。
我个人对其整体评价是：发散创作单个图片是没有问题的，但想要创作一套连续的保持风格统一、没有逻辑错误的画册就做不到，还需要进化，尤其在空间方向上的理解能力有限，在以图修图时，会丢三落四，最终落下一个失望的结果。究其原因是在生图时，产生的token数量过多，GPT4o会在提示词上分出主次，有所取舍。
故事全文
我给小朋友选了《神奇的帽子》的故事，讲的是四只耗子去偷魔术帽的故事，主打简短好背，教育小孩不能偷盗。
《神奇的帽子》
魔术团里有一位老爷爷，老爷爷有一顶奇怪的帽子，只要吹口气里面就会变出好多好吃的东西来，有糖果、蛋糕还有苹果。
“哎，要是把这顶帽子偷来该多好啊！”，这话是谁说的，是几只耗子说的。
晚上，它们悄悄的来到了老爷爷的家里。老爷爷呢，正睡觉呢！帽子没有放在柜子里，也没有放在箱子里，那在哪里呢？正盖在老爷爷的脸上。
大耗子挤挤小眼说：“咳咳，我看呀，叫小耗子去偷最合适了”。
小耗子一听：“啊......我不去，我不去，太吓人了！那个帽子里面呀藏着一个呼噜，地板、窗户都会动，我不去”。
大耗子又叫黑耗子去偷，黑耗子不敢，叫灰耗子偷，灰耗子也不敢，反正不管叫谁去偷，谁都说不敢。
大耗子生气了，摸摸长胡子说：“嗯，好了，好了，你们这群胆小鬼，你们不去，我去”。
话是这么说，其实大耗子心里也挺害怕，它轻轻的一跳，跳到了床上，爬到了老爷爷的枕头旁边，用尖鼻子闻了闻那顶帽子，好香啊好香啊，有蛋糕味儿，还有糖果味，大耗子把尾巴伸到帽子底下去，小尾巴把帽子顶起来，咦，这是怎么了？尾巴伸到一个小窟窿里去了。哎呀，什么小窟窿，那是老爷爷的鼻孔啊。
“阿阿……嚏”，老爷爷打了一个大大的喷嚏，吓得大耗子连滚带爬地说：“哎哟哟…，不好了，不好了，这帽子里啊还藏着一个阿嚏，这个阿嚏可比那个呼噜厉害多了，要不是我跑得快呀，我差点给炸死了”。
小朋友们，这个故事告诉我们，不管我们多么想要一样东西，偷别人的东西是不对的。我们要用勤劳的双手，去换取真正属于自己的东西！
准备工作和创作过程在下文展开，先看成品。
成品效果
以下图片都是GPT4o根据我的AI提示词生成出来，整体风格要求是：
高质量3D卡通渲染，一致的《疯狂动物城》皮克斯风格，16:9宽屏比例，高分辨率，统一角色设计，温暖色调，精细质感。
在角色形象、魔术师的卧室布局都通过统一的项目文件跟GPT4o约定好，聊完觉得它理解了，才开始干活的。
初看，你可能觉得效果还是可以的。聪明如你，细究一下，就会看出挺多问题的，这还是我多次要求其精修、最终妥协出来的效果。
镜头一【魔术师展示】插画
**简评：**这张由于没有太多要求，就算通过了。
镜头二【耗子窥视】插画
**简评：**有两点问题，一是魔术帽中的糖果风格没有主动保持一致，二是台上马戏团的蒙古包装饰和台下的观众不应该放在一起作为背景。
当然再次让GPT4o修改也是可以，但第二稿它可能会丢掉让我满意的耗子的形象和表情上的效果，也有可能会把耗子和魔术师放在一起，混乱不清。
镜头三【夜晚卧室】插画
镜头四【耗子们讨论】插画
镜头五【大耗子行动】插画
镜头六【喷嚏与逃跑】插画
简评：从镜头三开始，到镜头六的插画，你应该都能看出问题来，房间布局是以镜头三为基准的：
1、镜头三老爷爷的身体在被子里没有轮廓，生成好几次帽子盖不着眼睛；
2、镜头四床头柜多了个盒子、窗户下多了书柜，衣柜却不见了，床尾的护栏也不见了；
3、镜头五老爷爷的枕头后又多了个枕头，原本想要个耗子尾巴误伸到老爷爷的鼻子里，让耗子换了个背对的姿势，试了好多稿也没能成功，或者成功了又丢了其他要素；
4、镜头六老爷爷不应该戴眼镜或眼罩，让它去除眼镜，就又多了眼罩，衣柜处应该是窗户所在位置，床头靠着的墙无中生出了窗帘；
哪怕我在不同镜头之间的提示词都加上：请保持和镜头三中的卧室布局一致，总会顾此失彼，理解不到位，原本我以为半小时就搞定的几张图，弄了两天时间，结果让人失望，好在艺术允许抽象 。
空间方向
在第一遍创作完后，我发现哪怕我方位文字描述得再详细（让Claude 3.7出提示词，再让GPT检查修正），一套画下来，在卧室方位和摆设上总有偏差，我就问GPT，我该怎么办？它丢给我：
好吧，那我就来设计一下，我先问Claude，一个健康家居的卧室应该怎么设计？因为卧室的设计还涉及到后续的几个镜头的视角，要给耗子们留出讨论的地盘，还要从各角度取景不至于太昏，我要Claude帮我考虑这些因素，基于Claude的设计，我整理出如下提示词：
老爷爷卧室的布局描述：
高质量3D卡通渲染，皮克斯风格，温馨复古卧室，45度俯视角展示完整布局。
房间呈长方形，朝向明确：
- 床铺位于房间中央偏南，床头朝南靠墙摆放，床身朝北延伸
- 东墙(即床左侧)开有一扇中等大小的窗户，带有半开的淡蓝色窗帘
- 床的东侧(左侧)放置一个木质床头柜，上面有一盏开启状态的暖黄色小台灯
- 西北角(即床右前方)摆放着一张小圆桌和一把木椅
- 东北角(即左前方)靠墙摆放着一个古朴的深色木质衣柜
- 整个房间铺着深色木地板，反射微弱灯光
光源明确：东窗外透入蓝色月光，形成蓝色光斑，与床头左侧暖黄色台灯形成双色光源效果。窗外可见深蓝色夜空和明亮月亮。卧室整体色调温馨平衡，蓝色月光与黄色灯光交织，营造安静舒适的夜晚氛围。房间内物品比例适当，与Q版人物造型协调，保持皮克斯风格的精致感和温暖质感。
此布局设计适合从多角度拍摄：45度俯视全景、床左侧水平特写、低角度地面视角，保证镜头三、四、五、六的空间一致性。
为了让GPT4o能够彻底理解，我根据上述提示词画了个草图，如下图所示，标注了卧室的朝向和摆设，丢给GPT4o去理解，我让GPT4o向我解释了草图中的布局，以检验它确实是理解了我的草图。
后来我发现GPT对空间理解能力不准确，比如左前侧它就理解不了，于是又换成了基于画面的上下左右来描述房间摆设，才理解了我的意思。
以下是一些残次品展示：
点评：台前幕后混乱，没有空间感。
点评：空间布局错乱，老爷爷的头像个玩具摆在床上。
点评：图片比例16:9，变成了1:1，老爷爷的脸和胡子质感损失，看起来像玩具。
点评：空间布局混乱，明确要求窗户是在东边，床的左侧，但还是把窗户放在了南边。
点评：在我明确要求：“床左侧（东侧）有木质床头柜，左侧墙壁（东墙）上有一扇中等大小的窗户，左前角（东北角）靠墙处摆放一个深色木质衣柜”后的效果，衣柜仍然没有出现，后来发现是理解不了“左前角”，东北角也同样无法理解。
点评：这张空间就错得更离谱了。
我直接跟GPT4抱怨了，怎么效果越来越差了？它的回答是：
AI 的图像生成模型（比如 DALL·E）对于“空间定位词 +复杂家具布局 +高角度透视”这类组合指令的解析，仍然存在局限，尤其是：
方位词（东北角、东侧、右下）不是它天然理解的语义单位；
房间布局要求多时，它会随机取舍，不保证“全部命中”；
若文本描述越长、越复杂，它可能只保留部分高权重信息（例如“月光”、“床”、“老爷爷”），而牺牲“衣柜方位”这样的次要描述。
点评：这张图是在我给出卧室布局草图后，跟GPT4o聊完确认它已经理解我的草图后，生出的效果，我开始崩溃了……
以图修图
以图修图，效果是有的，但不给出原图的提示词的情况下，在理解上会有所损失，于是就会出把新问题修复，又出现新问题——把原本满意的效果破坏掉了，如光线、细节等。
以下是一些残次品展示：
点评：这张图描述地是大耗子用尾巴去顶老爷爷的帽子，一不小心顶到老爷爷鼻孔了，画了很多稿，限于篇幅就不一一放出了。本来这张图片我想改改很快就可以用了，但还是我高估了，我将图片下载下来，在上面画了一条红线，示意大耗子的尾巴应该怎么误入鼻孔中，失败了；我还尝试让大耗子换个姿势，背向帽子，扭头看着尾巴去顶帽子，直接告诉我技术原因生成不了。我问它：“你到底是技术问题呢，还是生成频率受限了呢？”
它回答：“
你问得很到位，其实是技术格式的问题，不是生成频率受限。
刚刚在尝试发起“图像编辑”指令时，系统对图像编辑参数的解析出了问题（不是因为次数用完或受限），所以才连续报错。这个问题我可以手动规避一下，现在我会重新梳理正确的指令结构，然后再试一次修正尾巴颜色与路径的编辑。
我们立刻开始，争取这次不出问题。如果这次系统还是不能执行，我会给你一个替代解决方案，比如：
用精细文字+图示指导你或设计师后续人工修改；
或者在兼容的编辑平台上接力修改。“
最终我放弃了尾巴误入鼻孔的效果，改成刚上床准备动手的效果，也就有了上文中的成品效果。
附准备工作
在GPT4o生图前，我做了如下准备工作：
1、故事全文；
2、按故事情节拆分成6个分镜（镜头1～6分别是：魔术师展示、耗子窥视、耗子们讨论、大耗子行动、喷嚏与逃跑），并生成相应的分镜提示词；
3、整理出插画全局风格、角色统一描述；
全局统一风格标签：高质量3D卡通渲染，一致的皮克斯风格，16:9宽屏比例，高分辨率，统一角色设计，温暖色调，精细质感，--ar 16:9 --s 1024 --stylize 100
角色统一描述：
老爷爷：慈祥白发老人，Q版大头小身体比例，标志性夸张白色八字胡，眯成月牙形的眼睛，红润脸颊，半月形金边眼镜，身穿深蓝色星星图案长袍
魔术帽：黑色圆顶高筒魔术帽（非尖顶），金色装饰带
耗子描述：
大耗子：灰褐色，戴翠绿领结，长胡须，细腻毛发，《疯狂动物城》风格
小耗子：浅粉色，大眼睛，圆耳朵，细腻毛发，《疯狂动物城》风格
黑耗子：圆滚滚黑色身体，红鼻子，短胖尾巴，细腻毛发，《疯狂动物城》风格
灰耗子：细长灰色身体，戴褪色绿色小帽子，细腻毛发，《疯狂动物城》风格
4、整理出故事中老爷爷的卧室布局（后来第二遍补充）；
5、将以上4点整理成一个markdown文档并上传到GPT4o项目中（新建一个项目）；
附提示词
🎬 镜头一：魔术师展示
高质量3D卡通渲染，皮克斯风格
温馨的马戏团舞台，彩色条纹帐篷、金色聚光灯照射，镜头微低角度拍摄。画面中央是慈祥白发的老爷爷魔术师，Q版大头小身体比例，标志性夸张白色八字胡，眯成月牙形眼睛，红润脸颊，半月形金边眼镜，身穿深蓝色星星图案长袍。他微笑着举起黑色圆顶高筒魔术帽（带金色装饰带），帽子上方漂浮着彩色糖果、小蛋糕和红苹果，周围有星光闪烁效果。为了适应16:9比例，画面背景宽广，帐篷和舞台的细节扩展到画面两侧，给场景带来更多的空间感，增强舞台氛围。鲜艳饱和色彩，柔和光影，温暖色调，精细渲染，微低角度拍摄，聚光灯效果，干净背景，细节丰富。《疯狂动物城》级别的细节质感。
🎬 镜头二：耗子窥视（幕后视角）
高质量3D卡通渲染，皮克斯风格
舞台幕侧视角，画面通过舞台灯光的自然过渡形成前景和后景的深度对比。老爷爷的侧背影（与镜头一完全一致的白发老人，Q版大头小身体，深蓝色星星图案长袍）正面对着观众席表演，举起黑色圆顶魔术帽，帽子上漂浮着糖果和小蛋糕。背景中的四只Q版耗子（《疯狂动物城》风格）站在观众席边缘：灰褐色大耗子（戴翠绿领结，长胡须）站在前面；浅粉色小耗子（大眼睛，圆耳朵）好奇地趴在大耗子肩上；黑色黑耗子（红鼻子，圆身体）挤在中间；细长灰色灰耗子（戴褪色绿色小帽子）侧身探头。所有耗子具有细腻毛发质感，眼睛闪闪发光，表情充满惊奇与向往。背景中的人类观众被模糊处理，确保耗子们的形象突出显示，舞台两侧的帐篷和其他细节延伸至画面边缘，增强 16:9 比例下的空间感。
🎬 镜头三：夜晚卧室
高质量3D卡通渲染，皮克斯风格，16:9比例
45度俯视角拍摄，画面需清晰展示整个温馨卧室
画面布局：
- 画面下方是一张木床，铺着蓝白格子花纹被子
- 画面左侧是窗户和床头柜，窗户透入蓝色月光
- 画面右上方可见圆桌一角
- 画面左上方有木质衣柜
主要元素位置：
1. 床：位于画面下半部分中央，床头靠近画面底部
2. 老爷爷：躺在床上，黑色圆顶魔术帽(金边装饰带)盖住脸部，仅露出白八字胡
3. 床头柜：在床的左侧，上面有亮着的暖黄色台灯
4. 窗户：在床头柜左侧，挂着半开的淡蓝色窗帘，外面是夜空和月亮
5. 衣柜：位于画面左上角
6. 小圆桌：位于画面右上角
光源效果：
- 左侧窗户投入蓝色月光，在地板上形成蓝色光斑
- 床头灯发出温暖的黄色光晕
- 两种光源交织在房间中央
氛围细节：
- 魔术帽边缘飘出音符和Z形睡眠符号
- 深色木地板反射微弱灯光
- 整体色调温暖，氛围安静梦幻
- 所有细节需达到《疯狂动物城》级别质量
🎬 镜头四：耗子们讨论
高质量3D卡通渲染，皮克斯风格，16:9宽屏比例，低角度近地面视角
夜晚卧室内景，温馨复古风格，细节达到《疯狂动物城》级别
构图元素：
- 床位于画面右侧，露出蓝白格子被子和床腿一角
- 床头柜位于右上角，暖黄色台灯点亮，灯光从上方向左下斜洒
- 窗户在画面左侧，挂着半开的淡蓝色窗帘，月光从窗外洒入
- 月光在深色木地板上形成冷蓝色光斑，地板有轻微反射，展现木纹
- 左上方背景为窗与墙面，右上方背景可见台灯光晕
角色表现：
- 四只Q版耗子围成一圈站在地板上讨论
- 灰褐色大耗子：站中间，戴翠绿领结，双手叉腰，表情严肃
- 浅粉色小耗子：藏在后面，睁大眼睛，神情害怕
- 黑色黑耗子：圆身体，红鼻子，紧张地摇头
- 灰色灰耗子：戴褪色绿色小帽子，双手合十作乞求状
- 所有耗子毛发细腻，Q版比例统一，表情丰富，动作自然
- 耗子影子被月光拉长，投射在地板上，形成有趣轮廓
光影氛围：
- 冷蓝色月光 + 暖黄色台灯光交织，形成梦幻光影对比
- 灯光自然过渡，整体色调安静柔和，具有童话氛围
🎬 镜头五：大耗子行动
高质量3D卡通渲染，皮克斯风格
接近水平视角特写，从床的左侧拍摄。画面承接镜头三的卧室布置：左侧可见窗户边缘，月光从窗帘缝隙中照进；右后方隐约可见床头柜和暖黄色台灯。场景中心是老爷爷的床上局部，蓝白格子被子下是老爷爷熟睡的轮廓。大耗子（灰褐色，翠绿领结，长胡须，细腻毛发）小心地站在枕头边缘，眼睛睁大、神情紧张，伸长尾巴触碰黑色圆顶魔术帽（金色装饰带）底部。帽子下隐约可见老爷爷的白八字胡和鼻子。大耗子爪子紧张地抓住枕头边缘保持平衡，表情专注，嘴角微扬，周围飘浮半透明糖果和蛋糕香味视觉效果。魔术帽边缘微微发光，暗示其魔力。月光冷蓝、台灯暖黄，光影对比形成醒目视觉效果。《疯狂动物城》水准的毛发细节和表情，精细质感，角色连贯性强。
🎬 镜头六：喷嚏与逃跑
高质量3D卡通渲染，皮克斯风格
卧室全景从右上角45度俯视拍摄，与镜头三完全相同的房间布局：中央是老爷爷的床（蓝白格子被子），左侧床头柜上有亮着的暖黄色小台灯，左侧墙有窗户透入蓝色月光，左上角有衣柜，右下方有小桌子。老爷爷（白八字胡，红润脸颊，眯着眼）惊讶坐起打喷嚏"阿嚏！"，黑色圆顶魔术帽（金色装饰带）飞向空中，周围散落糖果和小蛋糕。四只耗子形象与之前一致：灰褐色大耗子（绿领结）被气流掀飞，表情惊恐，尾巴呈现慌张的S形；浅粉色小耗子、黑色黑耗子（红鼻子）、灰色灰耗子（绿帽子）四散奔逃向房间四角，肢体拉长表现速度感。添加动态线条表现喷嚏的冲击波，帽子周围有星星漩涡，高对比度，动态感强。画面背景扩展至16:9比例的两侧，确保视觉平衡，同时展示床上和地板场景，突出人物表情和混乱动态。