GPT Image 2.6 Extra High 翻车：为何AI网红还在吹？

用户实测：新模型“基本不可用”

一位 Reddit 用户发帖直言，GPT Image 2.6 Extra High 已经糟糕到“基本不可用”的程度。该用户使用的是 Pro 计划，并特意开启了“extra high thinking”模式，但结果却令人失望。据其描述，新模型在处理参考图时严重失真，多角色场景下无法正确摆姿，生成新角色时比例失调——在追求真实感时尤为明显。

更让这位用户困惑的是，他遭遇了更多的“安全过滤器误报”。一些完全无害的提示词被系统错误拦截，导致生成流程频繁中断。他发出疑问：“是我疯了吗？到底发生了什么？”

与 AI 网红的口碑撕裂

帖子指出，与此形成鲜明对比的是，Twitter 上的 AI “网红”们却在集体称赞这个版本是“明显的升级”。这种官方宣传与真实用户体验之间的鸿沟，引发了不少讨论。该用户质疑，这些网红是否真的深度使用过模型，还是仅仅为了流量而迎合厂商。

这种撕裂并非孤例。在 AI 图像生成领域，新模型发布初期的评测往往带有滤镜——网红展示的是精挑细选的案例，而普通用户面对的却是日常使用中的各种瑕疵。

技术短板：参考图与多角色一致性

从用户反馈来看，GPT Image 2.6 Extra High 的核心问题集中在两个方面：

参考图保持能力下降。 用户称模型“butchers reference images”，意味着当输入一张参考图并要求在此基础上修改或延续风格时，输出结果与原图偏差过大，失去了参考的意义。

多角色姿态控制失效。 只要画面中出现一个以上角色，模型就无法正确安排姿势，角色之间的互动显得僵硬或错乱。这对于需要生成双人合影、对话场景等内容的用户来说，是致命缺陷。

此外，生成全新角色时比例失调的问题，在写实风格下被进一步放大。用户原本期待“extra high”模式能带来更精细的控制，结果却适得其反。

参考图保持能力（reference image preservation）是图像生成模型的一项关键技术指标，指模型在接收到一张或多张参考图后，能够在输出中保持原图的身份特征、风格、构图或细节的程度。在扩散模型（Diffusion Model）中，这通常通过图像编码器（如 CLIP 或 IP-Adapter）将参考图映射为条件向量，再在去噪过程中注入来实现。如果条件注入过强，输出会缺乏创造性；注入过弱，则参考图失去意义。用户所说的“butchers reference images”正是条件注入与原始图像语义对齐失败的表现。

多角色一致性（multi-character consistency）则要求模型在同一画面中为多个不同角色分别保持身份与姿态的准确性。这比单角色生成困难得多，因为模型需要解决角色间的属性绑定问题，避免不同角色的特征互相污染。常见方案包括区域化注意力掩码、角色分隔 token 或 ControlNet 姿态引导。当模型参数量或训练数据中多角色样本不足时，就容易出现姿态错乱、肢体融合或比例失调。

安全过滤器：误报增多引发不满

安全过滤器误报是另一个被重点吐槽的点。用户表示，误报数量“上升了”，但他并未提供具体比例或案例。这种误报不仅打断创作流程，还让用户不得不反复修改提示词以绕过拦截，降低了效率。

对于付费 Pro 计划的用户而言，这种情况尤其令人沮丧——他们支付了更高费用，却得到了更受限的体验。

安全过滤器（safety filter）是部署在图像生成模型输出端或提示词输入端的内容审核机制，通常由独立的分类器（如基于 CLIP 的 NSFW 检测器）或规则引擎实现。其目标是拦截色情、暴力、仇恨符号等违规内容，但分类器本身存在假阳性率——即把无害内容误判为违规。当模型版本更新导致输出分布变化，或过滤器阈值被调低以加强合规时，误报就会增多。对于付费用户而言，误报意味着生成流程被中断、积分被消耗却得不到结果，因此体验落差尤为明显。

结语：别让网红评测代替你的判断

这位 Reddit 用户的经历提醒我们，AI 图像模型的真实表现往往与社交媒体上的吹捧存在差距。如果你正在考虑使用 GPT Image 2.6 Extra High，建议先用自己的实际工作流测试，而不是轻信网红们的“升级”断言。毕竟，模型好不好用，最终取决于它能否稳定地解决你的问题。