> ## Documentation Index
> Fetch the complete documentation index at: https://docs.laozhang.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# GPT Image 出户型布局图不守规则：门洞被家具挡、台盆画重复怎么办

> 用 GPT Image 把户型图转成平面布局图时，柜子挡住厨房、阳台、卫生间门口，卫生间多出台盆，公共提示词加到几千字也压不住。本页说明原因，附长规则与按户型短指令的出图对比、让视觉模型自动写指令的规则和返工测算，并给出写指令、标通道、出图后复核和局部返修的流程。

公共提示词里的规则是通用的，模型并不知道这张户型的门开在哪面墙。具体需求和门洞抢同一面墙时，模型会照着需求摆家具，再加长规则也压不住。按这张户型写清每个房间放什么、靠哪面墙，实测挡门从 6 张中 5 张降到 0 张。

## 适用场景

* 用 `gpt-image-2.5-sunburst-vip` 等 GPT Image 2.5、2.6 模型，把 CAD 图、手绘图或渲染图转成带家具的平面布局图
* 成图里餐边柜、酒柜挡住厨房门、阳台门或卫生间门
* 卫生间出现两个台盆，或马桶摆到门口
* 公共提示词已写“不挡门”“不重复台盆”，加长到几千字后仍然出现

店铺平面图、展位图这类需要保留门位和通道的结构图，也是同样的原因和做法。

## 为什么写了规则还会挡门

* **规则不带位置**：“每扇门留出通道”对所有户型都成立，但这张图的厨房门在哪面墙，要模型自己从图里认，认错或忽略时规则就落空。
* **需求和门洞抢同一面墙**：需求写了“餐边柜、酒柜及咖啡水吧”，客餐厅里空着的长墙恰好开着厨房门和阳台门。具体需求和通用规则冲突时，模型通常照着需求摆。
* **否定句把禁止的东西写进了提示词**：“不重复台盆”本身就提到了台盆，图像模型对否定句执行得比较弱，反而容易多画一个。
* **规则太多难以兼顾**：几千字的规则同时生效，模型很难每条都照顾到，规则之间或规则和需求冲突时更明显。

## 实测：长规则与按户型短指令

2026 年 11 月 17 日，我们用一张特意设了冲突的测试户型做了对照：餐厅北墙同时开着厨房门、阳台A推拉门和卫生间A门，客厅东墙开着储物间门；需求要放餐边柜、酒柜、咖啡水吧和电视储物墙。

* 接口与参数：`/v1/images/edits`，`size="1536x1344"`，`quality="high"`
* 模型：`gpt-image-2.5-sunburst-vip` 和 `gpt-image-2.6-sunburst-vip`，每种写法每个模型各请求 3 次

| 写法 | 成图 | 挡住门口 |
| - | - | - |
| 约 4,000 字的通用规则 + 需求 | 6 张 | 5 张 |
| 按户型写的短指令（约 600 字） | 5 张 | 0 张 |
| 短指令 + 门口通道标记 | 6 张 | 0 张 |

![同一户型用长规则和按户型短指令生成的家具布局对比，左图柜子挡门，右图门口留空](https://mintcdn.com/laozhangai-edd05f2c/6c-vWEWzqc_g9WTB/images/samples/gpt-image-floorplan-long-vs-short-prompt.jpg?fit=max\&auto=format\&n=6c-vWEWzqc_g9WTB\&q=85\&s=ddff4f89ffb57214881c353a8eb73fb3)

同一户型、同一模型（gpt-image-2.6-sunburst-vip）。左：通用规则，红圈处的酒柜和展示柜挡住阳台A门与储物间门；右：按户型写的短指令加通道标记，门口留空。

* 挡门的 5 张都把餐边柜、酒柜排在餐厅北墙，挡住了阳台A门；其中 4 张还在储物间门前放了展示柜或条案。
* 两组短指令全部留空，加通道标记没有带来额外差别，所以先改指令，标记作为补充。
* 长规则组剩下没挡门的那 1 张，卫生间A画了 2 个台盆，所以 6 张都有问题；两组短指令的卫生间都只有 1 个台盆。
* 短指令一组另有 1 次请求没有返回图片，未扣费。
* 这是一张测试户型、每组 5–6 张的结果。换成你的户型后，出图后仍要按下面的第四步复核。

## 让视觉模型自动写指令

每张户型都靠人写指令不现实，可以让视觉模型读图后直接写。同一天我们加了第二张测试户型（厨房同时开向餐厅和生活阳台，主卧带主卫，公卫约 1.6 × 1.5 米），按“读图写指令 → 出图 → 复核”跑了 5 版规则。

* 写指令和复核：`gpt-6-sol`，通过 `/v1/chat/completions` 传入户型图
* 出图：`gpt-image-2.5-sunburst-vip`，`quality="high"`，每版规则每张户型 6 张
* 判定：复核模型逐张判，我们再人工逐张核对

| 写法 | 户型1 合格 | 户型2 合格 | 合计 |
| - | - | - | - |
| 约 4,000 字的通用规则 + 需求 | 0 / 6 | 3 / 6 | 3 / 12 |
| 自动写指令，只要求“门前留空” | 1 / 6 | 2 / 6 | 3 / 12 |
| 自动写指令，按下面的规则 | 6 / 6 | 4 / 6 | 10 / 12 |

通用规则在户型2上的问题：2 张主卫画了 2 个台盆，其中 1 张把公卫挪进了过道；1 张冰箱堵在厨房门内侧。最后一行没通过的 2 张都是公卫漏画了台盆，门口 12 张全部留空，复核模型两张都判了不通过。

写指令时缺了下面任何一条，都会在某张户型上大面积出错：

* **有两扇及以上门的墙，整面不放长柜**（电视储物墙、餐边柜、酒柜、水吧、衣柜、鞋柜、书柜），指令里写“X墙整面留空，不放柜子”。只说“放在这面墙门以外的一段”时，户型1 的 6 张全部把酒柜水吧摆到了阳台门前。
* **只开一扇门的墙，长柜离门洞边缘至少 1 米，并写明起止**，例如“西墙从入户门南侧 1 米处到西南角”。只写“放在门北侧实墙段”时，电视储物墙被拉长，6 张里 5 张盖住了储物间门。
* **冰箱、洗衣机、床、沙发同样离门 1 米**，小房间放在离门最远的角落。只约束柜子时，户型2 的冰箱贴着厨房门内侧放。
* **需求里的家具和每个房间的基本设施都要安排**（橱柜、冰箱、洁具、床、衣柜），放不下才缩小或删除，并在指令里写明。规则只说“不许挡门”时，模型会直接删掉餐边柜，连厨房都写成空置。
* **卫生间写明台盆、马桶、淋浴各几个**，小卫生间用小号挂墙台盆，但必须保留 1 个。

返工与费用（2026 年 11 月 17 日按实际扣费估算，以[调用日志](https://docs.laozhang.ai/faq/call-logs.md)为准）：

* 每得到一张合格图，平均出图次数从约 4 次（12 张中 3 张合格）降到约 1.2 次（12 张中 10 张合格）。
* 读图写指令每张户型调用 1 次，约 \$0.05；复核每张图约 \$0.02；VIP 出图每次 \$0.03。
* 算下来每张合格图的模型费用基本持平，约 \$0.12 对 \$0.11，省下的主要是人工筛图和返工的时间。
* 复核模型在最后 12 张上和人工判断一致；在全部测试图上能抓住大多数问题，但偶尔漏判紧贴门内侧的冰箱或双台盆，建议保留人工最后看一眼。

## 处理步骤

**1. 先读出这张户型的门和洁具**

出图前，用支持图片理解的文字模型（例如 `gpt-6-sol`、`gemini-3.8-flash`）读一遍原图，让它输出 JSON：每个房间、每扇门在哪面墙和开向，以及各卫生间的台盆、马桶数量。请求写法见[图片理解 API](https://docs.laozhang.ai/api-capabilities/vision-understanding.md)。

识别结果先由程序或人工核对一遍，后面几步都以它为准。

**2. 按这张户型写短指令，用肯定句**

逐个房间写清放什么、靠哪面墙，把会和门冲突的柜子指定到别的墙。通用规则压缩到几百字，只留每个户型都成立的部分。写法对照见下表。

这段指令可以让第一步的视觉模型一并写出，规则见[让视觉模型自动写指令](#让视觉模型自动写指令)。

**3. 需要时，把门口通道标到参考图上**

只写指令仍有门口被挡时，再加这一步：在原图上给每扇门前的通道（门宽 × 约 900mm 进深）画一个斜线框，用画好的图作为编辑请求的参考图。提示词里写明：“图中绿色斜线框是通道，画成空地面，不放任何家具；成图里不保留斜线框。”

框的坐标可以来自你们工具里的框选标注，也可以按第一步的识别结果换算。模型给出的坐标可能有偏差，画完看一眼；出图后确认斜线框没有残留在成图里。

**4. 出图后逐项复核**

把成图和第一步的 JSON 一起交给视觉模型，逐项回答：每扇门前是否有家具、各卫生间台盆和马桶数量是否一致，每项给出通过或不通过。

**5. 不通过的地方局部返修**

把问题区域裁出来，用 `/v1/images/edits` 只改这一块，例如“这里是厨房门口，改成空地面，保留门和墙”，再贴回原位，其他区域不变。也可以同一需求并行出 2–3 张，由复核程序挑出通过的那张。

第二步的写法对照：

| 改前 | 改后 |
| - | - |
| 不挡卫浴门，不重复台盆 | 卫生间A：1 个台盆靠东墙，1 个马桶，1 个淋浴区，门内侧留空 |
| 餐厅：餐边柜、酒柜及咖啡水吧 | 餐边柜和水吧放在入户门一侧的墙面；厨房门和阳台A门之间的墙不放柜子 |

## 在户型图上画通道框

下面的脚本在本地运行，不调用 API。把 `CLEAR_ZONES` 换成你这张图里各门口的像素坐标，运行后得到 `plan_marked.png`：

```python theme={null}
# mark_doors.py：在户型图上给每扇门前的通道画斜线框
# 用法：pip install pillow，然后 python3 mark_doors.py
from PIL import Image, ImageDraw

SRC = "plan.png"          # 原始户型图，改成你的文件名
OUT = "plan_marked.png"   # 画好标记的图，作为编辑请求的参考图上传

# 每个通道框写成 (左, 上, 右, 下) 像素坐标，改成你这张图的门口位置
CLEAR_ZONES = [
    (430, 300, 520, 360),  # 厨房门前
    (560, 300, 640, 360),  # 阳台A门前
]

GREEN = (0, 150, 90, 255)

img = Image.open(SRC).convert("RGBA")
overlay = Image.new("RGBA", img.size, (0, 0, 0, 0))

for left, top, right, bottom in CLEAR_ZONES:
    w, h = right - left, bottom - top
    box = Image.new("RGBA", (w, h), (0, 200, 120, 50))  # 浅绿底
    pen = ImageDraw.Draw(box)
    for x in range(-h, w, 12):                           # 45° 斜线，超出框的部分自动裁掉
        pen.line((x, h, x + h, 0), fill=GREEN, width=2)
    pen.rectangle((0, 0, w - 1, h - 1), outline=GREEN, width=3)
    overlay.paste(box, (left, top), box)

Image.alpha_composite(img, overlay).convert("RGB").save(OUT)
print(f"已保存 {OUT}，共标出 {len(CLEAR_ZONES)} 个通道框")
```

然后把 `plan_marked.png` 作为参考图提交编辑请求：

```bash theme={null}
curl --fail-with-body "https://api.laozhang.ai/v1/images/edits" \
  -H "Authorization: Bearer $LAOZHANG_API_KEY" \
  -F "model=gpt-image-2.5-sunburst-vip" \
  -F "image=@plan_marked.png" \
  -F "size=2048x2048" \
  -F "quality=high" \
  -F "prompt=正俯视正交 2D 彩色平面布局图，不用透视。按这张户型图布置，墙体、门窗位置和房间名称保持不变。图中绿色斜线框是通道，画成空地面，不放任何家具；成图里不保留斜线框。卫生间A：1 个台盆靠东墙，1 个马桶，1 个淋浴区。" \
  -o layout.json
```

* `size` 按原图比例选，规则见 [GPT Image 2.5 的尺寸与质量](https://docs.laozhang.ai/api-capabilities/gpt-image-2-5.md#尺寸与质量)。
* 保存返回图片的办法见 [GPT Image 2.5 API](https://docs.laozhang.ai/api-capabilities/gpt-image-2-5.md)。

## 常见问题

### 写了正俯视 2D，为什么还出斜视角、英文名？

同样是规则被几千字条款淹没。另外两个常见来源：

* **参考图本身带透视或英文标注**：模型会照着参考图画。参考图是斜视角渲染图或英文户型图时，提示词开头就写明“正俯视正交 2D 平面图，不要透视”，并逐个写出房间的中文名，例如“左下房间标注‘卧室’，右上两间标注‘卫生间’”。
* **画面要求放在了末尾**：视角、语言、风格这类整张图的要求放在提示词第一句，比放在一长串条款之后更不容易被忽略。

### 换成 GPT Image 2.6 或调高 quality 能解决吗？

模型和质量档位影响画面细节，不会让模型知道这张户型的门开在哪里。先按上面的流程改，再用同一批户型对比 [GPT Image 2.6](https://docs.laozhang.ai/api-capabilities/gpt-image-2-6.md) 和 2.5 的复核通过率，按结果选模型。

### 能用 mask 锁住门口区域吗？

两款 `-vip` 模型不支持 `mask`，传了也不能可靠地只改指定区域。官转模型支持 `mask`，但 mask 只是引导，模型不一定严格沿边缘修改，见 [GPT Image 2.5 的 mask 说明](https://docs.laozhang.ai/api-capabilities/gpt-image-2-5.md#编辑能传多张参考图或用-mask-吗？)。需要保证其他区域完全不变时，用第五步的“裁出、修改、贴回”。

### 局部返修时，裁出来的小块尺寸不够怎么办？

VIP 模型要求总像素不低于 655,360，宽、高都是 16 的倍数，长短边之比不超过 3:1。裁出的小块先按比例放大到合规尺寸（例如 `1024x1024`）再提交，返回后缩回原尺寸贴回原位。

### 并行出几张再挑，费用怎么算？

每次调用分别计费，VIP 模型每次 \$0.03，失败和计费规则见[图像生成的计费与失败处理](https://docs.laozhang.ai/api-capabilities/image-billing-and-failures.md)。复核和返修是程序自动完成的，通常比人工返工整张图省时间。

## 相关文档

* [GPT Image 2.5 API](https://docs.laozhang.ai/api-capabilities/gpt-image-2-5.md)：VIP、官转和网页版的接入、尺寸与编辑
* [GPT Image 2.6 API](https://docs.laozhang.ai/api-capabilities/gpt-image-2-6.md)
* [图片理解 API](https://docs.laozhang.ai/api-capabilities/vision-understanding.md)：识别户型和复核成图
* [图像生成的计费与失败处理](https://docs.laozhang.ai/api-capabilities/image-billing-and-failures.md)
* [调用日志](https://docs.laozhang.ai/faq/call-logs.md)


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.