GPT Image 2 与 Nano Banana：可核查的配对绘图试验

模型比较应回答一个窄问题：在实际测试配置下，哪条路线更能遵守这份需求并完成这次修改？不能用两张好看的样图推导普遍科学准确性。

先记录精确模型身份

OpenAI 官方将 GPT Image 2列为图像生成与编辑模型。Google 的图像生成文档介绍 Nano Banana 系列及其变体。应记录服务实际使用的 API/模型标识；系列昵称不足以复现实验。

同时保存日期、提示词、参考图顺序、请求设置和实际输出像素。服务未公开的参数应写“未提供”，不要猜测。

固定便于核查的需求

使用虚构机制，避免对真实通路作无依据主张：

从左到右绘制四个区室：Input、Sensor、Relay、Output。依次用向右箭头连接。主流程上方增加 Regulator，用一条抑制 T 形端线指向 Relay。标签严格只有这五个英文词。白色背景、扁平蓝色形状，Regulator 为橙色。不添加其他标签、数值或分子身份。

这份需求有五个精确字符串和四条关系。看到结果前就应写下正确答案。

按通过条件评分

检查	通过条件
标签	五个字符串都出现且拼写正确
主流程	三根箭头按指定顺序连接
抑制关系	T 形端指向 Relay，而非 Sensor
额外内容	没有自行添加身份或定量结论
修改	只有要求改的标签变化

视觉清晰度单独备注。阴影、饱和度或需求中没有的漂亮分子，不应算作科学正确性得分。

对两边提出相同修改

要求：“将 Output 替换成 Response，保留其他标签、箭头和位置。”对照整张图，包括修改区域以外的部分，记录意外变化和额外尝试。

预算允许时，可做多组配对试验，每组两边输入保持相同。假设三组中两组完全通过，就如实写 2/3，不应称为普遍准确率。本文没有宣称已完成模型基准测试。

检查实际文件而非设置名称

请求 4K 不证明返回了原生 4K，应读取实际宽高。PNG 是位图，把它装进 SVG 不会使标签成为文字对象；转换或可编辑导出应另行测试。

报告应保留采用与拒绝的样图、对应输入及限制。最终获得的是针对一项绘图任务的可核查选择，真正研究内容仍需科学审阅。