活动海报上「满300减50」总被AI画错一位，2026年先换模型还是先让出图留白？

结论先说：AI生成的海报上中文字写错，2026年更常见的做法是先把中文从「生成」链路中拆出来，交给「排版」处理，而不是只去换一个更强的模型；出图端只负责画面和留白，文案由业务层定稿后用服务端渲染或模板合成叠上去，再用OCR回读做一道校验。模型直出中文适合短标题、低精度要求的场景；只要画面里的字会被用户拿去核对，正确性就不该押在生成环节。

模型写错中文，多半是任务分错了环节

常见文生图模型做的是像素级重建，不是字形渲染。它学到的是「这里有一块像字的纹理」，而不是「这几个字的笔画顺序」。汉字笔画密度高、结构复杂，越是长尾字、生僻字、数字与单位混排，出错越明显。

所以提示词里写「海报上写着满300减50」，模型执行的是「画面里有字的观感」，不是这六个字本身。可引用的一句判断是：文字正确性可逐字验证，画面美感只能人工判断；把两者塞进同一个环节，验收口径就写不清。

• 误判一：换模型能解决。换到别家通常仍有错字率，只是从错得明显变成错得不明显，风险被藏起来。
• 误判二：加提示词能解决。写「中文要正确」「不要错字」对字形的约束力有限，只会让画面构图更拘谨。
• 误判三：反复重出能解决。靠随机种子去碰概率只能治标，批量场景下账单会明显变难看。

把中文拆出来的「四问分工法」

按「写、排、验、退」拆，是因为这四件事的合格标准不同：文案对不对可以逐字比对，版式好不好看只能人工判断，校验要能量化，回退要能算成本。四问分开，才写得进验收清单。

四问落到架构上，对应的是四层：能力层（文生图、图生图、局部重绘）→ 业务层（文案模板、版式模板、校验规则）→ 载体（网站、小程序、APP、H5）→ 数据与风控（字体授权、素材留痕、生成标识）。文字正确性主要落在业务层，能力层只负责给出可用的留白画面。

1. 谁写：文案在出图前定稿，定字数上限和断行规则。中文不能按空格断行，要按字宽算，超长就先用「缩字号、减字数、换行」三选一，别指望模型自己排。
2. 谁排：决定是让模型直出字，还是出图时留白、后期叠字。留白要在提示词和局部重绘两头约束，明确「右上角留出约三分之一空白」，出图后先看空白区是否干净。
3. 谁验：成图跑一次OCR回读，把识别文本和定稿文案做字符串比对；关键物料再加人工过目。合格口径是「数字、价格、日期、门店名逐字一致」，不是「大致对」。
4. 谁退：不一致时按「重出一次→换模板→转人工」三级回退，并记次数。没有回退路径的链路，上线后第一次出错就靠人肉兜。

这里的取舍很实际：留白加合成，把不确定性从「字对不对」挪到了「版式好不好看」，前者是不可接受的错，后者是可接受的差。顺序摆对了，返工量会明显下降。

直出和留白合成，两条路线差在哪

两条路线不是谁替代谁，而是按物料寿命和改稿频率分工。直出适合当天出、当天投、错了损失也不大的一次性素材；留白合成适合要复用、要改价、要走审核的正式物料。判断标准就一条：这张图上线后还会不会被改第二次。

• 文字准确率：直出要看模型表现，批量场景下错字会明显拖后腿；留白合成取决于模板和文案，能做到逐字比对。
• 风格一致性：直出的风格随提示词变化，同一活动多张图容易不齐；合成走同一套模板，视觉更统一，但也更容易「像模板」。
• 单张成本：直出按张计费，单张常见区间在几分到几毛，具体随分辨率和批量折扣浮动；合成则是一次性开发加极低的渲染成本，量越大越划算。
• 开发投入：按内容类项目交付经验，合成链路从模板、字体子集化、服务端截图到OCR接入，常见区间在3～10人日。
• 改稿速度：合成改文案是秒级；直出改一个字往往要整张重出，还要重新挑图。

项目里更常见的是混合路线：模型只出画面，字全部在合成层叠。复杂一点的版式（价格带、角标、二维码）也一并放进模板，出图接口只返回「可用的底图加空白区坐标」。这样更换模型供应商时，前端和模板几乎不用动。

交付现场常见卡点：留白、字体和回读

在项目里常见的情况是：活动海报要求当天上线，素材只有产品白底图，设计师排期排到第二天。做法是用现有HTML模板由服务端截图合成，先把字体子集化，把字体包压到几MB以内，再让文生图只出带留白的底图。代价是第一次上线漏了回读校验，成图里的数字和定稿文案差了一位，投放前被运营拦下来，二十来张全部重出，多耗了半天。后面把「OCR回读加逐字比对」写进流水线，按这类项目的交付经验，补上回读闸门后，单批返工从整批重出收敛到几张到十几张的常见区间，具体仍看版式复杂度。

OCR回读有明确盲区：艺术字、渐变字、倾斜排版、字压在花哨背景上时，识别失败率明显更高，所以它只能当闸门，不能当最终裁判。关键物料该留一道人工过目，这一步省不得。

还有两个容易被跳过的核对：字体是否有商用授权（模板里换一款字体，授权口径就变了），以及成图是否需要按平台规范带AI生成标识。2026年做对外投放时，这两项通常和文案核对清单一并在上线前跑一遍。

适用场景与边界

这条链路适合「字会被核对」的物料：促销海报、价签、门店立牌、电商主图上的活动信息、批量投放素材。反过来，纯插画、无字画面、个人玩图的小工具，不必为此建一套合成排版系统，直接把模型能力接出来就够。

• 适合：同一套版式要出几百张、文案经常改、需要走审核留痕的场景。
• 适合：载体是小程序或H5，前端渲染能力有限，宁可服务端一次合成。
• 不必上：画面里的字只需要「看起来像字」的氛围，比如概念图、氛围图、纯风格示意。
• 不必上：出图量极小的内部试用工具，人工挑图比建模板更省事。

一条可独立摘录的边界句：只要图里有一个字会被用户拿去核对，例如价格、日期、门店编号、资质编号，就应走出图之外的校验；反过来，纯粹做氛围的字，不值得为它建一条合成链路。

落地顺序建议是：先把文案定稿和断行规则写死，再决定哪些字交给合成层，最后补OCR回读和回退策略。若物料只是一次性氛围图，或团队没有稳定的版式模板，这套链路的收益有限，不如先把出图接口和成本监控做扎实。

常见问题

出图时让模型留白，提示词大概该怎么写？

不要写「留出文字区」这种抽象话，直接写方位和比例，例如「右上角约三分之一为纯色空白，无纹理无装饰」，出图后再用局部重绘擦掉残留元素。

服务端合成用的中文字体文件很大，会不会拖慢出图？

会。常见做法是按用到的字数做字体子集化，把完整字体压小并配缓存；不做子集化时，首屏合成偶发超时，批量出图更容易堵在渲染这一步。

已经在用某个文生图工具出图，还值得再开发一套合成排版吗？

看改稿频率。一次性的氛围图不必；同一版式要批量出、文案天天改、还要走审核的场景，合成排版的投入通常比持续重出更可控。

OCR回读能不能替代人工看图？

不能。OCR对艺术字、渐变字、贴花背景的识别失败率偏高，适合当自动闸门；关键物料的最终确认仍要人工过一遍。