七个图像模型各干各的活：选错模型，词写得再好也没用

这些模型互相之间不能替换，每一个都是为不同的工作造的，选对模型和选对词一样重要，所以选型表被放在了第一章的第一页，比任何写法都靠前。

两个 Nano Banana 怎么选

Nano Banana 2 是 2026 年 2 月的新模型，日常大部分工作交给它就行：质量接近 Pro 但快得多，出字稳，多张参考图之间的一致性最强，改图、产品、品牌这三类活的默认选择就是它。Nano Banana Pro 是 2025 年 11 月的那一代，定位成高端选项，需要精确、需要品牌级的还原、或者要打磨最难的那条提示词时才用它，跑得慢但天花板更高。

另外几个的脾气也各有说法。Flux.2 是为「控制」造的：一次能接十张参考图，能对上指定的十六进制色号，能跟着结构化的分镜清单走，适合那种从头锁到尾的品牌和产品流水线；但给它一条模糊的提示词，它会还你一张精致但平庸的图。Krea 2 走的是另一头，它为「风格」造：从风格参考图和情绪板出发，专门避开那种默认的 AI 精修味，代价是它在理解你的意思而不是照你说的做，而且图里出字很弱。Recraft 之所以能在这张表里占一格，是因为它做排版依赖度高的海报和艺术学院水准的插画，并且是这批里唯一能导出真矢量文件的。

Recraft V4.1 的专长展示：分层的展示字体、训练过的品牌风格、以及唯一一条通向真矢量的路。图片来自手册第 11 页。

一条图像提示词该交代的六件事：主体、动作、场景、光、构图、风格

现在的图像模型读的是句子不再是关键词堆。你描述一个连贯的场景，它跟着建。像 Nano Banana Pro 和 2、GPT Image 2、Seedream 这几个会推理的模型，遇到一条内容繁多的提示词会先分段读一遍再渲染，所以一个场景里有很多主体、很多细节时它们也扛得住。

结构是六段。下面这张图把一条真实的香水广告提示词拆开，看每一段管的是画面里的哪一部分：

六段拼起来就是完整的提示词，跑出来是下面这张图。瓶子落在画面右侧、水花在它旁边溅成一个小王冠、硬侧光扫过湿石板，画面里的每一样东西，提示词都事先点过名，没有一处是模型自己发挥的：

Nano Banana 2 出图。客户要的是「货架上有能量」而不是摆拍，所以整条提示词只交代了三件事：瞬间、光、框。图片来自手册第 6 页。

同一套结构换个方向写，就是另一种活。左边这条把提示词当成一份版面简报：文案写什么、每个元素放哪儿、哪里留空；右边这条走电影感，靠的是几个「看起来像什么」的词。

版面 · GPT Image 2。标题「MORNINGS, UPGRADED」用厚重的墨黑无衬线占满上半张、分两行；副标题在左下；不锈钢保温杯在右下角带柔和阴影；一条钴蓝细线是全图唯一的点缀。手册第 6 页。

电影感 · Nano Banana 2。红大衣的女人在黄昏的湿路面上快步穿过斑马线，人带着运动模糊，身后一辆巴士拉出光轨，钠灯和橱窗光。人在左三分之一。手册第 8 页。

35mm film still: a woman in a red coat dashes across a rain-wet crossing at dusk, mid-stride with motion blur, a bus streaking past behind, sodium streetlight and shop-window glow, muted Kodak palette, natural grain, subject on the left third, full frame edge to edge, no letterboxing, no black bars.

AI 味是模型的默认答案：你没填的空，模型拿最平均的答案填上

这一节是全本手册的地基。它先给了一个观察：不管哪个模型，你放着不管，它都往同一个默认答案上跑，主体摆在正中央盯着镜头、姿势摆好、光打得平、整张画面都清楚，再加一层加工过的油光。

这东西现在有个专门的词，叫 slop，直译是泔水，指的就是那种一眼看出是 AI 生成的图。人半秒钟就能认出来，认出来之后的第一反应是：这个品牌不上心。手册对它的态度是四个字，永远别交。

Slop 是默认值。所以你设的每一个参数（框在哪、抓哪个瞬间、什么镜头、什么时间、什么光）都把这张图从默认往外挪一步；每一个你留着不填的空，模型都会拿它最平均的那个答案填上。 The Prompting Handbook · Field notes: killing the slop（中译）

下面这组图是同一个模型、同一个人物，最能说明这句话的意思。

左边是真正的默认：提示词只有一句「一个微笑的女人在农夫市集摊位前举着一篮蔬菜」，没有别的。图很干净很称职，但人在正中央、面朝镜头、摆好的笑、从前景到背景全是清楚的，一眼就是 AI 图库照。右边是同一个女人被导演过：挪到右三分之一、侧身四分之三背对、抓的是她整理蔬菜时朝画外某人笑的那一刻、近处一筐蔬菜虚化框住画面、下午的暖侧光从左边打过来、帽檐上一道柔和的轮廓光、皮肤留着毛孔和碎发。数一数右边比左边多做了七八个选择，差距就是从这儿来的，跟模型无关。图片来自手册第 15 页，模型都是 Nano Banana 2。

把图从默认往外挪，拆成两个动作：先导演这个镜头（框偏一点、抓一个真实的瞬间、做出前后景的层次），再把调子收到柔和的电影玻璃感上（对比度轻、焦点过渡绵、颗粒细而均匀）。第二个动作有现成的文字可以抄，第一个动作只能你自己写。

soft cinematic lens, shallow depth of field with creamy focus roll-off, gentle contrast with soft highlight roll-off, fine uniform film grain, no oversharpening, no digital look

Natural skin texture: realistic pores, fine hairs, subtle veining, a faint highlight. Tactile and real, not retouched plastic.

胶片痕迹里只有一样值得留：颗粒。灰尘、划痕、「老旧受损胶片」这类词一律别写。

三条把画框管住的经验

图里要出字：把字打引号，再像给设计师派活一样交代版面

这是绝大多数提示词崩掉的地方，新手尤其频繁。原因在这里：模型摆字的方式跟设计师一样，跟打字员不一样。你要交代的是版面，文案只是填进去的内容。

分层的字 · Nano Banana Pro。绿色大写「NATURE」占上三分之二，背后是一层暗色的藤蔓叶片，前面是手绘感的百合、万寿菊和玫瑰，一部分花挡在字前面，另一部分留在字后面。提示词里把这个前后关系直接说了出来。手册第 9 页。

整段话当主体 · Nano Banana 2。「A USER INTERFACE IS LIKE A JOKE. IF YOU HAVE TO EXPLAIN IT, IT'S NOT THAT GOOD.」分两块占满画面，中间叠印一个笑到拍腿的黑色简笔小人，半调网点、做旧油墨、两色印刷。字全对，标点都在位。手册第 9 页。

Vintage screenprint design poster, giant green condensed text filling the canvas: "A USER INTERFACE IS LIKE A JOKE." across the top half and "IF YOU HAVE TO EXPLAIN IT, IT'S NOT THAT GOOD." across the bottom half, simple black doodle figure centered in overprint, laughing with head thrown back, one hand slapping a knee, the other holding a computer mouse, halftone dot texture, risograph print effect, distressed ink, off-white paper background, bold graphic design, 2-color print, retro illustration.

改图不用抠图了：说清改哪一处，再说清什么不许动

现在的改图是对话式的：你把要改的地方用话说出来，不用再手动画蒙版。一句话公式是，说改什么，同时说什么保持不动，只点名该动的那一样。

换背景：产品和影子一起搬过去

左边是原图，一瓶「LUMIÈRE NATURELLE」的精华站在木质厨房台面上；右边是改完的，同一个瓶子、同一道影子，背后换成了灰色影棚。整条提示词只有两件事：改什么、什么不许动。手册第 13 页，Nano Banana 2。

@image1 Keep the product and its shadow exactly; replace the background with a soft, sunlit grey studio sweep.

同一张原图，两个方向各改一次

原图

改法一 · 改成正午

改法二 · 树下加个人

把两张图合成一个从没发生过的瞬间

@image1 是一张模特照，@image2 是一个不锈钢保温杯的产品图，一句话把两者放进同一个阳光下的瞬间，脸和杯子上的标签都保住了。给参考图编号、然后在句子里直接点名它们，是这类合成的关键写法。手册第 13 页，Nano Banana 2。

@image1 @image2 The model from @image1 leans against a sunlit concrete wall raising the tumbler from @image2 toward camera, laughing off-camera, golden side light, shallow focus. Keep her face and the tumbler's label exactly.

各家在改图上的特长也不一样：Nano Banana 2 是日常主力，能选中任意一块区域细修、能挪机位、能改焦点和调色、能把白天的场景重新打成夜晚；Seedream 能合并最多十张参考图，同时保住脸、光和色调；Nano Banana Pro 能在一张图里同时管住五个角色和十四个物体不串；Recraft 输出的是真能编辑的矢量文件，不只是 PNG。

同一个角色要反复出现：先做一张三视图，之后每张图都带着它

对反复出现的角色来说，没有比这件事回报更高的了：在一个角色第二次出现之前，先给它做一张三格的设定表，然后把这张表当成所有后续生成的母版。

规矩有两条。第一，之后每一次生成都把这张表作为参考图带上；第二，每一条描述这个角色的提示词，都照着这张表来写，而不是照着记忆写。

最左边标着 @reference 的是那张街拍原照，右边三格是生成出来的设定表：正面半身、标准侧脸、全身站姿，纯白影棚底。同一个人，深色头发向后梳、品红色醋酸板墨镜、蓝色冲锋衣配橙色织带、同色系长裤和干净的运动鞋。手册第 17 页，Nano Banana 2。

reference: her portrait · Character sheet: one 16:9 frame divided into three equal panels on a pure white studio background. Left panel: straight-on head-and-shoulders portrait. Centre panel: exact side profile portrait. Right panel: full body, standing relaxed. The same woman in all three panels, the woman from the reference image, keeping her identity exactly: dark hair slicked back, magenta acetate sunglasses, natural lips, blue technical shell jacket with orange trim details, matching blue trousers and clean sneakers. Soft even studio light, no props, no text, fine film grain, photorealistic.

说不出那个词就做不出那个效果：一份测过的词表

手册对这件事的判断是：很多团队做不出想要的那张图，卡住的地方在词汇上，他们说不出自己想要的那个「样子」在行业里叫什么名字。所以它给了一份短名单。

用法有个硬规矩：一条提示词里叠两三个就够，别把一整组都堆上去。堆多了这些词会互相稀释，最强的那个反而不灵了。

视频这边变了什么：一次生成，画面和声音一起出来

2026 年视频这一半最大的变化是转向了「omni」架构，文字、图、视频、音频进同一个模型，出来的是带同步声音的成片，一次跑完。上一代是你给一段文字，它还你一段没有声音的画面，声音要另外配。

Gemini Omni Flash 的用法手册给得很具体：在它那儿松散地指挥、试方向，最后回 Seedance 成片。它会自己生成声音和说话，但不能跟你提供的音频文件对口型。Sora 2 和 Wan 系列补齐了更广的版图，手册对它们没有展开评价。

补一句手册没写的背景：Happy Horse 是 2026 年 4 月初匿名出现在 Artificial Analysis 的文生视频榜上、直接冲到第一的那个模型，4 月 10 日阿里才承认是自己做的；1.1 版出自淘天集团的未来生活实验室，6 月 23 日发布。

最容易搞混的两个控制：首帧尾帧和参考图

这两个可以在同一次生成里一起用：钉一个首帧来控制开场的构图，同时挂一张角色参考图，让这个角色全程不走样。

视频提示词的八段和六条规矩

视频提示词是一段镜头描述，不是一袋标签。写的时候把自己当成一个正在给摄制组下指令的导演。八段依次是，镜别、运镜、主体、动作、场景、光、风格、声音。

社交广告 · Seedance 2.5。一只手把保温杯从阳光下的厨房台面拿起来，快速推近，热气升腾。这是手册里的静帧，动起来的版本在 Magnific 站内的画布上。手册第 24 页。

电影感 · Seedance 2.5。低机位侧向跟拍，骑车的人在黄昏的海岸边滑行，前景的草被风压弯。同为手册里的静帧。手册第 24 页。

Vertical 9:16 medium shot. A hand lifts a coffee flask off a sunlit kitchen counter, quick push-in, steam rising. Bright natural morning light, clean and airy. SFX: gentle pour, ambient kitchen. No music. No subtitles.

各家的段落顺序略有出入：Seedance 要求先说镜头数、时长和画幅，再走主体到动作到环境到镜头到风格，参考物标成 @image1、@video1、@audio1；Kling 是主体加运动加场景加镜头加光加氛围；Happy Horse 走同一套镜头描述的路子；Gemini Omni Flash 是唯一的例外，它被调过、适合对话式指挥，可以先随便说再一轮轮改。

最强的视频编辑不在视频模型里：把第一帧抠出来当图改，再还回去

这是手册里最反直觉的一招，也是最能直接抄走的一招。它的出发点是一句很简单的事实：一个片段是被它的第一帧驱动的。

顺着这句话往下推：既然第一帧决定了这个镜头长什么样，那就把任何一段视频的第一帧抠出来，当成一张静态图去改，图像模型在「照着指令改」这件事上是最强的，改完再把这一帧还给视频模型，同时把原片挂上去当运动参考。跑出来是同一个镜头、同一个运镜、同一个节奏，只有你指定的那处变了。

1

先有一个片段

例子是一段 5 秒的 Seedance 2.5 镜头：白色球鞋放在展台上，缓慢环绕 180 度，一道轮廓光扫过鞋底，一镜到底。生成的片子和实拍的片子都行。

2

把第一帧导出成静态图

不需要任何额外工具。在 Magnific 里每次生成的首帧本来就跟片子存在一起，抓出来当成一张普通图片处理就行。就是上面那一张。

3

用 Nano Banana Pro 改这一帧

在图像模型里做这次修改，因为它照着指令改的能力最强。规矩还是那条：点名要改的，钉住不许动的。

@image1 Change the white sneaker to a matte-black colorway with black laces and a black sole; keep the pedestal, the lighting, the camera angle and everything else exactly.

同一个展台、同一束光、同一个机位，只有鞋换了颜色。

4

把改好的帧还回 Seedance 重渲

把它设成首帧，把原片挂成运动参考。跑出来的是同一个环绕、同一道扫光、同一个节奏，只有鞋变了。

@image1 @video1 Repeat the exact same slow 180° orbit and rim-light sweep as @video1, now around the matte-black sneaker from the start frame. Same pacing, same framing, one continuous take. No cuts.

新片子的第一帧。手册第 27 页，四张图依次是这条流水线的实际产物。

顺便一个用法：一张静态图变成整个场景的机位覆盖

同样的逻辑还有一个变体。把一张场景图丢给 Seedance 当首帧（Kling 在 4K 下也行），让它做一个缓慢的穿行镜头，边转边在每个角度停一拍。渲出来像一次真的堪景：每一个停顿的瞬间都是一张能抠出来的帧，光一致、场景一致，可以直接拿去当后面正式镜头的首帧、参考图或者背景板。

起点只有这一张图：一个只存在于图片里的球场。制作组需要的是这个场地的全套机位。手册第 28 页，Nano Banana 2 生成。

这是从那一次穿行渲染里抠出来的八个角度。因为全部来自同一次连续渲染，人群、灯光和建筑在每一帧之间都是一致的，分别生成每个角度做不到这一点。手册第 28 页，Seedance 2.5。

start frame: stadium still · Real-estate style drone fly-through shot from the stands of a packed football stadium during an evening match. The camera slowly moves through the tier, rotating and stopping for a beat facing each angle: the camera rotates right and slowly pushes in over the crowd toward the floodlit pitch, then rotates left and slowly pushes in along the rows of cheering fans close to the lens, then rotates 180 degrees and slowly pushes in toward the upper tier and roofline behind.

引擎的八条硬规矩：为什么角色最多三个、为什么不能拍镜子

手册管这一节叫「生成场景的物理法则」，还专门加了一句：这些规矩听起来像迷信，但请当成法律，每一条都是某次渲染撞破它之后才写下来的。

多镜头怎么接：五种接缝

一部多镜头的片子就是一串接缝，每一道接缝回答的是同一个问题的不同答案，下一个镜头是要接着这一帧、接着这个动作、穿过某个东西，还是干脆断开。

十二种运镜，和两条通用建议

两条通用建议：别把多个运镜叠进一条提示词，一个片段一个运镜；几乎所有运镜都加上「缓慢」，慢的运动能藏住模型渲染不干净的地方，快的运动会把每一个破绽都暴露出来。

最后一件：给角色做一次试镜

角色设定表锁住的是脸，试镜锁住的是表演。在一个角色去演真戏之前，先拍一条短的自拍试镜带，看它怎么动、怎么说话、怎么在指令下反应。用不同的「声音配方」生成两三条，挑一条，然后把胜出的那条片子当作视频参考挂在后面每一场戏上，和角色设定表管长相的方式完全一样。手册的算账是：把表演一次性定下来，比一遍遍重摇场景直到碰巧演对便宜得多。

对白 · Kling 3.0 Omni

拍子表 · Seedance 2.5

试镜 · Seedance 2.5

Cinematic self-tape audition, one continuous take. Medium close-up, locked-off eye-level camera, shallow depth of field: a woman in her 30s against a plain grey wall, soft window light from the left, listening to an off-camera reader. A beat of silence; she looks down, then back up. She says, quietly: "You knew. The whole time, you knew." Voice: controlled, hurt, almost warm; it catches on the second "knew." Jaw tightens, one slow blink, the trace of a smile that is not one. She holds eye contact and says nothing more. Natural skin texture, fine film grain, muted palette. No music. No subtitles.

6-second product shot, one continuous take. 00:00 the watch lies flat on black stone, still. 00:02 it rises and rotates slowly to face camera. 00:04 it settles as a rim light sweeps across the dial. SFX: low hum, soft click. No music. No subtitles.

上面那条新写法有骨架，六段：主体、动作、场景、光、构图、风格。横着摊开，每一段管画面里的哪一部分就清楚了。

六段拼起来就是一条完整的提示词。跑出来那张图里，瓶子落在右侧、水花溅成王冠、硬光扫过湿石板，每一样都被提前点过名，没有一处留给模型自己发挥。

同一个模型、同一个人物，提示词只写「一个微笑的女人在农夫市集摊位前举着一篮蔬菜」，出来的图干净称职，也一眼假：人在正中央、面朝镜头、摆好的笑、从前景到背景全清楚。把她挪到右三分之一、侧身四分之三背对、抓她朝画外笑的那一刻、前景一筐蔬菜虚化框住、下午暖侧光从左边打来、皮肤留着毛孔和碎发，多做的这七八个选择就是全部差距。手册管前一种叫 slop（直译泔水，指一眼看出是 AI 生成的图），并给了两块现成文字。

视频这一半今年换了架构：文字、图、视频、音频进同一个模型，出来是带同步声音的成片，手册叫 omni（全模态），上一代还得另外配音。最反直觉的一招也在这边，改一个已经生成好的镜头，最好用的工具要绕到图像模型里去。

走动的那个小方块就是被抠出来的第一帧。首帧钉住画面从哪儿开始，运动参考钉住镜头怎么动，一半用图像模型照着指令改的本事控制内容，一半用视频模型保住连贯。同样的办法还能一帧一帧给整段素材换风格。

38 页里塞了二十多条真实提示词原文，每条都配着它生成的那张图。下面这些正文里都有原文可以整段抄走。