文字、版式与信息图——图里的字是另一门手艺

本课导读

L2 的海报模板留过一个悬念：只敢让模型写一行主标题，正文全部推给后期。本课正面处理图内文字：为什么文字渲染是图像模型的特殊难关、什么时候该让模型写字、什么时候必须自己排版，以及信息图这个"文字+数据+图像"的终极考场。还有一条本课反复出现、也是全 Track 最不可协商的铁律：图里的每一个字，发布前必须人工校对。预计 50 分钟。

为什么模型写字总翻车

对模型来说，文字不是"文字"，是一种恰好长得像字的图案。它在海量含字图片上学会了"这类画面上通常有这类形状"，但它不理解笔画结构和拼写规则。于是出现三类经典翻车：

• 字形错误：多一横少一点、字母凭空变形——图案画得"差不多"，但字就是错的；
• 乱码填充：画面需要"一段文字"时，模型生成"看起来像文字的纹理"凑数，凑近看全是无意义符号；
• 排版失控：字距忽大忽小、行没对齐、文字压在主体上。

中文是硬模式：常用字几千个、笔画密度高、差一笔就是别的字。同代模型的中文渲染普遍明显弱于英文。这不是提示词能修的——是 L1 四层归因里的模型能力边界，对策是换任务形态：字少让模型写，字多自己排。

职责划分：三档决策

图内文字的生产方式按文字量和准确性要求分三档：

档位	做法	适用
全交给模型	文字直接生成在图里	一两个词的大标题、艺术字、字体本身就是视觉主体
模型写短字，后期排长文	主标题生成，正文/小字后期叠加	海报、封面、banner（L2 模板 D 就是这档）
模型只留空间	提示词里要求预留负空间，文字全部后期排	中文正文、数据标注、多语言版本、任何"错一个字就出事故"的场景

判断口诀：字越多、越小、越中文、越不能错，越往下档走。下档不是妥协——Figma/PS 排出来的字永远比生成的字锐利、可改、可复用，多语言版本改个文本框就出来了，重新生成则是重新抽卡。

让模型写字的提示词技巧

决定让模型写的那部分字，用这套写法把成功率拉满：

1. 引号精确指定：画面中的文字仅为："夏日限定"——引号内就是全部，防止模型自由发挥加字；
2. 说明位置和层级：标题"＿＿"位于画面上方三分之一，字号大；
3. 描述字体气质而非字体名：粗壮无衬线、手写毛笔感、复古衬线——模型对气质词的响应远好于具体字体名；
4. 控制数量：一张图里让模型写的文字块不超过两处，越多崩得越快；
5. 中文短语优先：中文尽量控制在 2–6 字的短语；成语和常用词成功率远高于生僻组合。

生成后立刻放大逐字检查——这就是错误清单（本课作业）的第一个来源。

信息图：文字课的终极考场

信息图 = 信息层级 + 数据 + 图像，三个都是模型的短板叠加，所以它是最需要职责划分的品类。

先说最大的坑：模型会编数据。让模型"生成一张关于全球咖啡消费量的信息图"，它会自信地画出柱状图、标上数字、写上国家名——全是编的。这是 L1"幻觉"在数据场景的表现，也直接对应大纲审核框架里的"事实层"。正确分工必须是：

你提供    准确的数据、结论、信息结构（哪条是主信息、哪些是支撑）
模型提供  视觉化的载体：配图、图标、版面风格、装饰元素
排版工具  数据图表本身 + 全部正文文字

信息层级是信息图的骨架，提示词里显式声明三层：

• 一眼层：标题+核心结论——3 秒内看懂这张图在说什么；
• 浏览层：小标题、图标、关键数字——30 秒扫完结构；
• 细读层：说明文字、数据来源——留给真感兴趣的人。

生成时让模型按这个层级做版面（大小对比、区块划分、视觉动线），数据和文字后期填入。这样模型的审美能力用在了它擅长的地方，事实准确性握在你手里。

人工校对：错误清单工作法

大纲对文字类交付的质量要求就五条，直接当验收单用：关键信息准确 / 字体可读 / 层级清晰 / 数据与图像关系合理 / 最终文字人工校对。

落地方法是错误清单——发布前过一遍，每发现一个问题记一行：

## 错误清单 —— 项目：夏日饮品海报 v2
#  位置        问题类型      详情                  处理
1  主标题      字形错误      "限"字右半多一笔       inpainting 重生成
2  左下角      乱码填充      装饰性小字全是假字     后期删除，PS 补真字
3  价格区      数据错误      模型自己写了 ¥18       改为真实价格 ¥22
4  副标题      排版          压住了产品主体         下移，缩小字号

注意 #3——模型连价格都会编。任何会进入画面的数字（价格、日期、百分比、电话）都是高危区。清单不只是质检记录，攒多了就是你的"本模型文字翻车模式库"，直接指导下一次的档位决策。

动手任务：一张信息图 + 一张海报

基础路线（约 60 分钟）：

1. 知识型信息图：把你最近学的任意知识点（比如本 Track 的"四层归因"）做成一张信息图。流程强制走职责划分：先在纸上写好信息层级三层的内容 → 让模型生成"预留了这些区块的版面+配图"（第三档）→ 用任意排版工具把真实文字填入；
2. 商业海报：虚构一个产品做促销海报，用第二档：主标题（2–6 字中文）让模型生成，试三次挑最好，正文价格等后期叠加；
3. 两件作品各交付三样：生成稿（模型原始输出）、修订稿（人工处理后的成品）、错误清单（每个问题按四列格式记录）；
4. 复盘一句话：这次的错误里，哪些是提示能修的，哪些是必须换档位的？

进阶路线（可选）：把海报主标题换成同义英文短语重新生成，对比中英文渲染质量差距——亲手标定一次"中文是硬模式"的程度，这个手感决定你以后中文项目的默认档位。

随堂测验

随堂测验0 / 4 题正确

1. 模型生成的图里「咖啡」写成了「加啡」，换了三种提示词写法都偶发同类错误。按四层归因，这属于哪层，正确对策是？

A工作流问题——换一个采样器B提示问题——继续改提示词直到不错为止C训练数据偏见——模型歧视咖啡D模型能力边界——文字对模型只是「长得像字的图案」；对策是换任务形态：该字后期排版或 inpainting 局部修

2. 要做一张含 200 字中文正文、6 个真实数据点的公司介绍信息图。最合理的档位是？

A让模型只生成预留了文字区块的版面和配图，正文与数据全部后期排入B全部交给模型一次生成，效率最高C让模型生成全部文字，然后人工把错字逐个 inpainting 修掉D放弃信息图形式，改成纯文字文档

3. 「让模型生成一张 2025 年新能源车销量对比信息图」，模型输出了漂亮的柱状图和具体数字。这些数字应该？

A抽查两个，对了就全信B默认全部是编的——模型画的是「长得像数据图的图案」；真实数据必须由你提供，图表用排版工具重做C直接采用，模型训练数据里有真实统计D让模型再生成一遍，两遍一致就可信

4. 错误清单工作法的长期价值，除了当次质检，还有什么？

A可以证明错误是模型的责任B让客户看到你工作量很大C攒成「本模型的文字翻车模式库」，直接指导下次的职责档位决策——哪类字敢交给模型、哪类必须后期排D没有其他价值，发布后即可删除