GPT Image 2.5 画科研插图：期刊到底认哪几类

让我真正重视起来的是一张病例流程图。数字全对：筛查 1240，排除 240（再拆成 140 和 100 两条原因），纳入 1000，再分 600 / 200 / 200。图例用实线和虚线区分了模型开发与最终评估，和我要求的一模一样。

但有一个箭头是反的。内部测试集有一条箭头指回了冻结模型，正是审稿人会拿红笔圈出来的那一处。图看着是对的，说的话在方法学上是错的。

这中间的落差就是这篇要讲的。GPT Image 2.5 现在确实好到能给论文画图了。但「能不能用」是另一个问题，而且分两层：你的出版方允许什么，以及什么能扛住一次认真的通读。

哪些期刊认 GPT Image 2.5 画的科研插图

这件事没有一条通行规则，而且各家差异大到你应该在生成之前就去查，而不是生成之后。

截至 2026 年 9 月，大致格局是这样：

• Nature 在 2023 年发过一条全面禁止 AI 生成图片出现在投稿中的政策，后来撤下了，换成按风险分级的框架。目前仍被明令禁止的只剩一类：照片级逼真图像。
• Science 三家里最保守，也一直没松口：AI 生成插图需要编辑明确许可。
• Elsevier 的写法最有参考价值，因为它直接点了图的类别：流程图、概念示意图、实验流程图属于放行范围；伪造或改动原始数据图像不行。

从这里能推出两件事，它们决定了你可以去尝试什么。

第一，安全区是那些不承载数据的示意图。流程图、分析管线、网络结构总览、装置示意——它们传达的是你本来就已知的结构。模型在做排版，不在做测量。

第二，任何从原始图像派生出来的东西都出局，不管它看起来多好。这不是风格问题也不是质量问题，是数据完整性问题，而且没有绕开的办法。

务必查一遍目标期刊自己的作者指南，并按其政策要求披露 AI 使用情况。上面这张表是用来决定「值不值得动手」的起点，不能替代你最终要被约束的那份政策。

每条提示词都带的 GPT Image 2.5 风格前缀

本文每一条提示词都以同一段开头。加不加这段，出来的图是论文插图还是图库配图。

先说清楚一件事：四张图跑的是这些提示词的英文版，所以图上的文字是英文。下面给出的中文写法结构完全一致，槽位和句序一一对应；换成中文跑，图上的文字多半会出中文。

为学术论文正文制作图像。白色背景，克制的二维科学插图风格，
无装饰性背景、立体阴影或无意义图标。使用统一的无衬线字体。
文字、数值和连接关系必须严格遵循输入，不得补充未提供的
实验结果或结论。优先保证正确性和最终印刷尺寸下的可读性。

每一句都在单独干活。

「无装饰性背景、立体阴影或无意义图标」，去掉的是三样东西——有它们在，图一眼就不像论文插图。不写这句，你会得到渐变背景、每个框下面一层柔和投影，以及任何叫「处理」的节点旁边一个小齿轮。

**「统一的无衬线字体」**很关键，因为默认行为是靠变换字重和字族来做强调——那是幻灯片的做法，不是插图的做法。

**「不得补充未提供的实验结果或结论」**是最重要的一句。图像模型很乐意在某个对比框下面写个 P 值，或者在箭头上加个「显著」。在方法学插图里那叫编造。这四次生成里没有一次自己编了数字，而最容易编的那两张——管线和网络结构——回来都是干净的。

**「最终印刷尺寸下的可读性」**是在往「字大一点、元素少一点」的方向推。一张在屏幕上 1024 px 能读的图，缩到印刷单栏宽可能就看不清了。

图一：用 GPT Image 2.5 画病例流程图

就是开头那张。提示词把每个框、每条边都写死了——只有这样，你拿到的才是你这项研究的图，而不是一张通用图。

[风格前缀]

绘制一张横向病例流程图。初始队列框「Screened, n = 1240」；
排除分支「Excluded, n = 240」，其中列出「Missing imaging, n = 140」
和「Missing outcome, n = 100」；剩余框「Included, n = 1000」。
纳入队列分为「Training, n = 600」「Validation, n = 200」
「Internal test, n = 200」。
Training 指向「Model fitting」；Validation 指向
「Hyperparameter selection」；两者共同指向单一框「Frozen model」。
Frozen model 分别应用于「Internal test」和独立的
「External cohort, n = 300」，二者最终进入「Performance evaluation」。
外部队列不属于最初的 1240 人。测试集和外部队列不得有任何箭头
指回训练或调参。用实线表示模型开发、虚线表示最终评估。

拿回来的结果：每个数字都对，两条排除原因正确地嵌在排除框之下，实线虚线图例也对。

错的是两条边。 一是方向：内部测试框画了一条箭头指向冻结模型，方向正好反了，应该是冻结模型指向它。二是漏边：提示词写了内部测试与外部队列「二者最终进入 Performance evaluation」，图里只有外部队列那条虚线接上了，内部测试在图上成了一条死路。

值得把这一条丢在哪儿说清楚，因为很有启发。提示词里那个方向只在肯定句里出现过——「Frozen model 分别应用于 Internal test」；而我的否定句点的是训练和调参，没有点冻结模型。所以模型并没有违反我写下的规则，它违反的是我只是暗示了的那条。一条否定指令只保护它逐个点名的那些框，别的一律不管。 应该写成「不得有任何箭头从 Internal test 或 External cohort 指回任何更早的框」。

这是生成方法学插图最该知道的一件事。箭头方向编码的是你的方法学，而模型把箭头当成排版元素，不当成逻辑。 把每一条边当成一句话念出来——「冻结模型被应用于内部测试集」——然后检查箭头方向和这句话是否一致。

图二：分析管线

多阶段管线是这个做法最划算的地方，因为替代方案是在绘图软件里耗一小时。

[风格前缀]

绘制一张横向单细胞多组学分析流程图，不需要图像标题，分四个阶段：
① Study design：8 donors，分为 Control n = 4 和 Treatment n = 4，
每位供者均进行同一细胞的 RNA＋ATAC 联合测量。
② Paired measurements：上方「scRNA-seq / Gene expression」，
下方「scATAC-seq / Chromatin accessibility」，两条支路用
Cell barcode 表示细胞配对，标明「Paired within cells」。
③ Modality-specific processing：RNA 支路为 RNA QC → Normalization
→ PCA；ATAC 支路为 ATAC QC → TF-IDF → LSI。
④ Joint analysis：两支路汇入「Weighted nearest neighbors」，
再分支到「Joint embedding」「Cell clustering」「Cell-type annotation」。
图下方单独放置「Donor-level comparison」模块：按 donor × cell type
汇总 RNA raw counts，进入 pseudobulk differential expression。
该模块的输入箭头来自 RNA counts 和 Cell-type annotation，
不来自 UMAP 坐标。
RNA 始终蓝色，ATAC 始终橙色，联合分析紫色。
不要添加差异基因数量、P 值或疾病结论。

这张基本可直接用。四个阶段编了号也框住了，三条支路的配色（蓝/橙/紫）自始至终没串。我真正在测的是另一个细节：pseudobulk 模块的输入箭头是不是来自 RNA counts 和细胞类型注释——确实是，没有从降维坐标上引线。这是方法学上正确的接线，也是很容易画错的一处。

一处小偏差：底部那个汇总模块自作主张用了第四种颜色（青绿），提示词里只给了三种。不影响正确性，但如果你要严格配色，得把它也写进去。

它也遵守了否定指令：没有编造基因数、没有 P 值、没有疾病结论。

有两条经验可以迁移。在提示词里给阶段编号，图里就会有编号，省掉一轮返工。以及按支路指定颜色——「RNA 始终蓝色」——比要求「配色清晰」可靠得多，因为前者给的是一条它能执行的规则，后者给的是一个需要它自行解读的目标。

图三：模型结构

这类图手画起来很烦，在方法学论文里又近乎必备。这是四张里规格最复杂的一张，而它扛住了。

[风格前缀]

绘制一张 3D 编码器-解码器分割网络的结构总览图，含残差块与空洞瓶颈。
从左到右：输入体数据标注「Input 1 x 128 x 128 x 128」。
收缩路径四个阶段，每阶段为残差卷积块后接下采样，
各阶段标注通道数 32、64、128、256。
瓶颈由三条并行空洞卷积分支组成，空洞率分别为 1、2、4，输出拼接。
扩张路径四个阶段与收缩路径镜像，每阶段为上采样后接残差卷积块，
通道数 256、128、64、32。
跳跃连接以水平箭头绘出，连接同分辨率的收缩与扩张阶段。
最后经 1x1x1 卷积输出「Segmentation map」。
附一个小图例，区分残差块、下采样、上采样、跳跃连接与空洞卷积。
不要添加准确率数字或数据集名称。

两个方向的通道数都对，空洞瓶颈按要求建好并做了拼接，跳跃连接连的是同分辨率的阶段，图例完整。没有编造准确率。

唯一的偏差是风格而非事实：前缀要的是克制的二维，它给了等轴测的立体方块。对网络图来说这算是可接受的行业惯例，但如果你的期刊要求纯平面，就得明确写「平面二维矩形，不要等轴测或透视」——只写「二维」它没接住。

四张图看下来，规律和我事先想的不一样。它画得忠实的是我逐项列出来的东西：框、数量、颜色、部件、顺序；它画错的是需要它自己推断的东西，而箭头方向几乎总是需要推断的。网络结构图之所以最稳，是因为每个通道数、每条连接我都写下来了；流程图翻车的那条边，恰恰是唯一一条方向被我留给它去推的。

图四：实验装置

第四类值得备着的是装置示意图——告诉读者实验在物理上是怎么搭起来的那张。

[风格前缀]

绘制一张实验室灌流实验装置示意图，侧视，清晰线条图。
从左到右：「Medium reservoir」锥形瓶，经管路接「Peristaltic pump」，
再接「Bubble trap」，然后进入置于倒置显微镜载物台上的
「Perfusion chamber」（显微镜以简化轮廓绘出）。
从腔体出口有箭头回到「Waste bottle」。
沿管路用小箭头标出流向。
在腔体处以带引线的标注标出「Temperature 37 °C」和「Flow 0.5 mL/min」。
右上角加一个插图框，放大显示腔体横截面：
盖玻片上的「Cell monolayer」，其上方以平行流线表示「Laminar flow」。
不要出现品牌名、型号或厂商标志。

部件齐全且顺序正确，流向箭头方向对，两处标注都带引线挂在腔体上，插图框也按要求画了——盖玻片上的单层细胞，上方平行流线。

不要出现品牌名、型号或厂商标志 这句在这里默默干了不少活。训练数据里的实验室设备满是厂商标记，而泵上凭空长出一个 logo，既是商标问题，也等于对你的方法做了一个没有依据的声明。

用 AI 画科研插图不能越的那条线

上面所有内容，画的都是你自己指定的示意图。旁边还有一种用法，看起来很像，效果好得惊人，而且不能发表。

如果你把一张医学影像交给图像模型，让它勾出病灶，它会返回一个看起来像分割结果的东西。它不是。模型重画了这张影像，然后把轮廓画在了重画的版本上。 那条轮廓跟原图对照起来可能很像，但逐像素地看，底下那张图已经不是你的数据了——它是一张长得像你数据的新图。

这一下同时踩了两条线。按上面 Elsevier 那条，它直接落在「伪造或改动原始数据图像」里；另外两家虽然没点这个名，数据完整性的底线是一样的。而且就算把政策放在一边，它勾出的边界不承载任何测量，所以你基于它算出来的任何面积或体积都没有意义。

同样的道理也排除了在真实数据上生成检测框、热力图或任何其他叠加层。需要分割就用分割方法做，叠加层用代码渲染，这样原始像素被保留，掩膜也是一个真正的掩膜。

值得把话说到这么细，是因为这种失败是看不见的。箭头画反了，评审时会被抓出来；一张看着没问题的重画影像，可能不会。

统计图：写代码，不要写 GPT Image 2.5 提示词

箱线图、ROC 曲线、森林图、生存曲线，这几类图一律别交给图像模型——原因不是它画得差。

统计图是你数据的一次渲染。它必须能从数据复现，数字一改就要重画，审稿人还可能要代码。找语言模型要一段绘图脚本，你拿到的是能跑、能核、能进版本管理的东西；找图像模型要一张统计图，你拿到的是一张统计图的照片，坐标轴上的数值是它编的。

界限很清楚：图的内容来自你的数据，就生成代码；来自你的设计，就生成图像。

GPT Image 2.5 画科研插图还会出什么问题

四张图样本很小，但有四件事值得每次都查。

边的方向，以及边的有无。 上面讲过，也是唯一有实质后果的一类。画反一条边和漏掉一条边，后果一样。把每条边当句子念，再数一遍该有的边到齐没有。

排版惯例。 期刊要求样本量 n 用斜体。本文只有图一和图二出现 n，两张都排成了正体。这是件小事，但会让图显得不专业，而且它属于你没法在位图上校对掉的那一类问题。

密集的小号标注。 这四张都没撞上，因为没有一张是标注密集型的。但这个题材里最先劣化的就是最小号的字，而管线那张四个阶段已经接近上限了。如果你的图需要二十个标注，它大概本来就该是两张图。

很大的空白边。 图一和图三都留了大片空白，画面只占了大约三分之二的画布。用于印刷时你需要裁到内容边界，所以别用原始输出去判断这张图的比例。

不重抽也能修

一张图对了九成的时候，重抽通常是错的选择——你会把那九成和错误一起弄丢。

有两个更好的办法。要一次定点修改，比如「其他全部保留，只把 Frozen model 和 Internal test 之间那条箭头反过来」。精准编辑是 2.5 的主打改进之一，不过这一条我没有实际拿去试。或者把这张接近可用的图在可编辑工具里重建一遍：把生成好的版式拿进幻灯片或矢量编辑器，手工改掉那一条错边，两分钟的事，而且你从此有了一份能在审稿人提要求时随时更新的源文件。对一张要走好几轮返修的图来说，有没有可编辑版本，最终比它当初是怎么画出来的更重要。

GPT Image 2.5 画科研插图的设置

上面四张图背后的设置：

关于分辨率补一句。1K 足够判断一张图对不对，而这恰恰是最贵的那个问题，也是第一轮该测的东西。但 1K 不够投稿：期刊通常要求成品单栏宽下 300 dpi 以上，所以图一旦确认是对的，放到 2K 或 4K 重出一版再往论文里放。

两个 GPT Image 2.5 模型都能在浏览器里直接用，见 GPT Image 2.5 页面，不需要 ChatGPT 账号。默认档（medium、1K）每张 8 积分，high 质量和 2K、4K 更贵，生成前页面会显示价格。新账号送免费积分，够你先验证一遍自己的图纸规格扛不扛得住；付款支持支付宝和银行卡。

画插图该用 Flare 还是 Sunburst

本文全部跑在默认的 Flare 上，我没有把任何一张拿去 Sunburst 重跑。对线框类插图，我不指望多花的时间能买到什么：这里的失败是逻辑性的而不是光学性的，多花的渲染时间不会让模型更仔细地读你的方法学。

Sunburst 的优势体现在材质、光线和精细纹理上，那是另一类图：渲染式的机制插画、写实的装置图、封面图。我们那篇 Flare 和 Sunburst 怎么选 有并排样例。方法学插图就用 Flare 生成，把省下的时间花在逐条核对箭头上。

论文里的 AI 披露声明怎么写

多数允许生成示意图的政策，同时也要求你说明用了模型，而这件事通常比大家想的容易满足。它放在方法部分还是图注里视期刊而定，内容要包含三个事实：用了哪个工具、用来做什么、谁核对的。

一句话把三个都装下：

最后那个分句是最值得留着的。 它抢在编辑开口之前，回答了对方真正担心的那个问题——你的图里有没有任何东西是从你的数据里长出来的。

两点实务提醒。先确认你的期刊要把披露放在方法、图注还是单独的 AI 使用声明里，这三种都存在。另外，如果一张图是生成之后又手工改过的，就照实写；「由……起草并经作者编辑」既准确，也更让人放心。

AI 插图用在学位论文、基金申请与会议海报

期刊那条线是你会遇到的最严的一条，而大多数图并不是投期刊的。

学位论文通常按学校自己的规定走，而不是出版方的。这类规定对插图一般更宽松，但对披露的要求更明确。去查你所在研究生院关于生成式 AI 的声明，到现在多数学校都有了。

基金申请在意的是准确性而不是来源。一张生成的管线图不会引起任何注意；风险和别处一样，是那张图暗示了一个你并没有在申请的设计。

会议海报和幻灯片是最宽松的场景，也是这个做法收益最直接的地方。海报需要的是一张讲得清楚的管线图，而不是一张达到发表标准的图，而且没人会来要源文件。

有一件事在上述任何场景里都不变：从真实数据派生的东西依然出局，箭头方向依然编码着你的方法学。

一套扛得住评审的 GPT Image 2.5 出图流程

1. 先查目标期刊的政策。 在决定生成什么之前，先确定你被允许生成什么。
2. 把图当规格书来写，而不是当请求来写。 每个框、每条边、每个标注，全部写成文字。上面那些提示词之所以长，是因为图本身就是精确的。
3. 同一篇论文里的所有图，风格前缀逐字相同，它们才会看着像一套。
4. 优先把每条边当句子核一遍，真正的错误都在这儿。
5. 任何从数据派生的东西都交给代码——统计图、叠加层、掩膜，全部。
6. 要走返修的图，留一份可编辑版本。
7. 按期刊政策要求披露 AI 使用。

这些提示词可以直接在 GPT Image 2.5 页面 的浏览器里跑，或者用文生图生成器，如果你想在两次尝试之间控制比例和质量。

写在最后

对流程图、分析管线、网络结构和装置示意这几类，GPT Image 2.5 现在已经接近期刊标准，值得从它起步而不是从绘图软件起步——前提是你把校对的时间、以及经常还要在可编辑工具里手工收尾的那一轮，预先算进去。它在一张病例流程图里守住了每一个数字，在四阶段管线里让三色方案贯穿全图，还画出了通道数和跳跃连接都正确的网络结构——然后在那张「方向就是全部意义」的图里，把一个箭头画反了。把它当成一个画得飞快、但完全不懂你方法学的绘图员：规格写死、每条边都念一遍、以及任何从真实数据派生的东西，一概别交给它。

延伸阅读

• GPT Image 2.5 Flare 和 Sunburst 怎么选？6 组同提示词实测
• 用 GPT Image 2 一句话生成知识图谱：五大场景提示词模板
• GPT Image 2 商用 / 版权 / 商业落地完整指南
• GPT Image 2.5 立体地图提示词：把城市做成微缩模型

gpt-image2.art 是独立站点，与 OpenAI 无隶属关系。文中出版方政策为 2026 年 9 月的情况归纳，政策会变；投稿含 AI 生成插图前，请以目标期刊当前的作者指南为准。