生图提示词遵循度评测：同一段中文提示词下

我拿同一段中文提示词，测了九张 AI 生图。题目很细：雨后自行车铺，师傅低头查内胎漏点。

评分只看“听不听话”。气泡从哪起、工具是不是尖嘴钳、视线落没落在漏点上——全是可数项。满分 10 分，最低 6，最高 10，平均 8.7。

结果挺有意思。ChatGPT 界面出来的三张拿了 10、9、10；直接调 API 的四张是 7、9、9、10。最慢那张耗时是最快的 5.5 倍，分数却只差两分。

但真正要紧的是另一层：界面上的模型名，多半不是画图的那个。

OpenAI 的机制里，顶层 model 管对话，生图是 image_generation 工具另指定模型。Luna、Astra 这些更像对话档位，不直接生成像素。它们那三张分数挤在一分内，反而更像是同一个生图模型在波动。

所以这轮根本排不出谁最强。每个型号只跑了一张，2.6 还单独开了 complexity=high，配置都没对齐。真要比，至少每个模型跑三张看稳定率。

排名可以当热闹看，机制才是真收获。