GPT Image 2 局部改圖指南：Mask 能做什麼、不能保證什麼

先講結論

官方文件能證明什麼

OpenAI 的 API Reference 列出 Create image edit 方法，這是用來修改既有圖片的 API 入口。 OpenAI 的 Image generation guide 也把 Edits 放在圖片能力之中，並描述為修改現有圖片。 同時，OpenAI API 文件中也有 GPT Image 2 的 model page。

這些資料足以支持一個保守判斷：GPT Image 2 所屬的 GPT image 工作流具備圖片編輯基礎。不過，「有 image edit 功能」和「保證只改 mask 內像素」是兩件不同的事。前者是功能入口，後者是輸出保真度承諾；就目前引用到的公開資料而言，官方文件不足以支持「未遮罩位置一定完全不變」這種說法。

Mask 不是像 Photoshop 選區一樣的硬邊界

在傳統修圖軟體裡，選區常被理解為可以鎖住邊界的工具；但在生成式圖片模型中，mask 更接近「告訴模型哪裡是主要編輯區」的指引。

OpenAI Developer Community 有針對 GPT Image 2 masking 的討論，當中有回覆表示 gpt-image-2 API 支援 mask field。 這代表 mask 可以成為工作流的一部分，但不等於它會像傳統選區一樣，成為模型絕對不能跨越的像素邊界。

開發者社群中也有回報指出，images.edit 的 mask 未能把改動限制在指定區域；另一則回覆則指出，與 DALL·E 2 不同，GPT Image 的 masking 更偏向 prompt-based guidance，模型可能不會完全依照 mask 執行。 這些社群內容不是正式 API 規格，但對評估實務風險有參考價值。

更重要的是評測證據。一份 arXiv 圖像設計評測提到，GPT-Image 等模型在 masked edit 任務中未能把修改可靠限制在遮罩區域內。 這不代表 GPT Image 2 每次局部改圖都會失敗；但足以反駁「一定只改指定位置」這種絕對承諾。

三種常見用途的風險重點

1. 換背景：不要只看背景有沒有換成功

用 GPT Image 2 嘗試換背景，是合理的圖片編輯用途，因為 OpenAI 的 image edit／Edits 文件本身已涵蓋修改既有圖片的工作流。 但完成後不能只看背景是否變成目標風格，也要檢查產品邊緣、陰影、反光、比例、顏色，以及主體有沒有被重新詮釋。

由於 mask 未必能穩定限制改動範圍，建議把原圖和輸出圖並排比對，逐項確認主體是否仍符合原本需求。

2. 改包裝：適合探索，不適合零檢查交付

改包裝很適合拿來做 mockup、方向探索或多版本變體；但如果圖片要用於商業交付，就要格外小心。真正的風險不只是「包裝沒改好」，而是模型在改包裝時，把原本要保留的標誌、文字、比例或周邊細節也一併改動。

這也是為什麼 mask 不應被包裝成像素級保真保證。對品牌素材、包裝文字或法規相關標示，仍需要人工核對。

3. 修正指定位置：提示詞要同時寫「要改」與「不要改」

如果只是修掉瑕疵、替換一個小物件，或調整局部區域，可以用 mask 加上清楚提示詞嘗試。較安全的寫法不只描述要改什麼，也要明確描述什麼不可改，例如保留人物五官、產品形狀、品牌標誌、文字、背景與光影一致性。

不過，這仍然是生成式編輯；輸出後仍要檢查未遮罩區域是否出現漂移。

降低「整張圖被重畫」風險的工作流

1. 保留原始主檔。 不要直接覆蓋原始素材，方便回滾與逐張比對。
2. 每次只改一件事。 先換背景，再改包裝，再修細節；不要一次要求模型完成太多變更。
3. 把保留內容寫進提示詞。 例如要求只更換背景，同時保留產品本體、標誌、文字、比例、顏色與光影。
4. 用了 mask 也要明講不可改區域。 Mask 可以提示目標位置，但公開證據不支持把它視為硬性像素邊界。
5. 做原圖對比。 輸出後逐項檢查未指定區域、人物、產品比例、文字、品牌元素與包裝細節。
6. 正式交付前人工收尾。 如果素材需要品牌一致性、法規級包裝文字或像素級準確，最後仍應由設計或修圖人員覆核。

對客戶或團隊可以怎麼說

較安全的說法是：GPT Image 2 有圖片編輯工作流基礎，也可配合 mask 或明確的位置描述嘗試局部修改；但公開資料不支持承諾「只改指定像素或指定區域，其他位置完全不變」。

應避免把能力說成：GPT Image 2 可以保證只改背景、包裝或指定位置，其他地方完全不變。對產品圖、包裝圖和商業素材，最穩妥的做法是把它視為高效率的生成式編輯工具，再用人工 QA 確認未指定區域沒有被意外改動。