ERNIE-Image Prompt Enhancer 深度解析：为什么你的 prompt 需要（或不需要）它

ERNIE-Image 的 Prompt Enhancer（PE）默认开启。绝大多数用户从未想过要关掉它——因为大多数时候，它确实让图片变得更好。

但"更好"和"你要的"是两回事。

PE 是一个 3B 语言模型，它会改写你的 prompt。改写意味着它在你和扩散模型之间加了一个翻译层。这个翻译层有时候帮你，有时候干扰你。理解它的行为模式，比简单开或关更重要。

一、PE 的本质：它不是增强器，是改写器

很多人把 PE 理解为"增强器"——在原 prompt 基础上添加更多细节。但实际行为更接近"改写器"：它接收你的 prompt，重新组织语言，输出一个全新的、更结构化的版本。

这个区别很重要。

添加 vs 改写

如果你的 prompt 是：

a cat on a table

PE 的行为更接近改写：

A fluffy orange tabby cat sitting gracefully on a polished wooden dining table, soft natural window light from the left, shallow depth of field, warm color palette, professional pet photography style

它没有在你原来的 prompt 后面加东西，而是重写了整个 prompt。添加了猫的品种（orange tabby）、材质（polished wooden）、光照（window light）、风格（pet photography）。

这些添加有些合理，有些可能不是你想要的。比如你可能想要一只黑猫，而不是橘猫。

如果你的 prompt 是：

A poster with "SUMMER SALE 50% OFF" in bold red letters

PE 的改写行为就会出问题——它可能把文字内容也改了，因为 PE 的训练目标是"生成好的图片 prompt"，而不是"保留用户指定的文字"。

结论：PE 是改写器，不是增强器。理解这一点，你就知道了什么场景该用它。

二、你需要 PE 的 3 个场景

场景 1：你的 prompt 太短

这是 PE 的主场。

输入	问题
`a forest`	太短，模型缺乏足够的语义锚点
`a car`	车型、视角、风格、光照全缺
`portrait`	人物特征、背景、摄影风格全缺

短 prompt 的问题是语义信息不足。扩散模型接收到的是模糊的指令，生成结果虽然可能好看，但可控性差。PE 的作用就是填补这些语义空白。

实际数据支撑：HuggingFace 模型卡显示，GenEval 基准有 PE 时得分 0.8625，无 PE 时约 0.73。差距主要来自短 prompt 场景的改善。

场景 2：你不熟悉 prompt 工程术语

不是每个人都了解什么是 "Rembrandt lighting"、"volumetric fog"、"rule of thirds"。PE 会自动补充这些专业词汇：

你说 a woman by the window → PE 补充 soft diffused daylight, slight background blur, documentary photography style
你说 a mountain landscape → PE 补充 golden hour, sunbeams filtering through clouds, rich greens and warm golds

PE 相当于一个内置的 prompt 工程助手，降低了使用门槛。

场景 3：你需要快速迭代

PE + ERNIE-Image Turbo（8 步推理）= 最快工作流。输入一句话，PE 扩展，8 步生成，整个过程不到一分钟。对于头脑风暴、概念验证、快速出图，这是最优解。

三、你不需要 PE 的 4 个场景

场景 1：精确文字渲染（最重要）

ERNIE-Image 的杀手锏是文字渲染能力——LongTextBench 得分 0.9788。但 PE 可能破坏这一优势。

问题机制：

你输入包含精确文字的 prompt："Hello World"
PE 改写 prompt，可能改变文字内容或翻译为中文
扩散模型执行改写后的 prompt
图片上出现的不是你想要的文字

Reddit 社区实测：有用户报告默认工作流的 PE 会"translates your prompt to Chinese"，导致英文文字变成中文。

解决方案：文字渲染场景，必须关闭 PE。

场景 2：你已有详细的结构化 prompt

如果你已经写了包含光照、构图、风格的完整 prompt，PE 的改写行为反而有害：

冲突指令：你的"冷色调" vs PE 添加的"暖金色调"
信息冗余：prompt 过长可能超出模型最佳处理范围
意图覆盖：你精心设计的艺术方向被 PE 的模板化扩展覆盖

判断标准：如果你的 prompt 超过 3 句话，且包含光照、风格、构图描述，大概率不需要 PE。

场景 3：固定 seed 迭代优化

当你用固定 seed 逐步优化 prompt 时，每次改变一个词，PE 的扩展结果可能完全不同——你无法判断是哪个改动导致了结果变化。

示例：

迭代 1：a cat → PE 扩展为 A fluffy orange tabby cat...
迭代 2：a black cat → PE 扩展为 A sleek black panther...

你以为只改了颜色，但 PE 的整个扩展方向都变了。你无法隔离变量。

场景 4：特定艺术风格的精确控制

如果你追求特定的艺术风格（如极简主义、特定画家的风格），PE 的模板化扩展可能与你的风格方向冲突。PE 倾向于添加"丰富"的描述，而某些风格（如极简、留白）恰恰需要"少"。

四、PE 的隐藏行为：中文翻译倾向

Reddit 社区发现，PE 在扩展过程中倾向于将 prompt 转为中文处理。

这意味着即使你用英文输入，PE 扩展后的 prompt 可能包含中文。对于 ERNIE-Image 这种支持多语言的模型，接收中文指令意味着：

文字渲染场景中，英文标题可能变成中文
整体风格可能偏向 PE 训练数据中的中文 prompt 模式

这不是 bug，而是 PE 基于 Ministral-3B 微调时训练数据分布的结果。百度作为中文公司，训练数据中中文 prompt 占比较高，导致 PE 的输出倾向中文。

五、进阶策略：用更强的 LLM 替代 PE

如果你经常需要 PE 但又不满意它的改写质量，官方推荐的方案是用更强的 LLM 替代内置 PE。

对比

维度	内置 PE（3B）	外部 LLM（GPT-4/Claude）
理解深度	基础，模板化	深度理解用户意图
创意质量	通用词汇堆叠	针对性、有创意
文字保留	可能改写	可精确保留
速度	数秒	取决于 API
成本	免费	API 费用
离线	✅	❌

工作流

1. 写短 prompt
2. 用 GPT-4/Claude 扩展为专业 prompt
3. 在 ERNIE-Image 中关闭 PE
4. 粘贴扩展后的 prompt 生成

多了一步，但质量提升明显。尤其适合商业项目、品牌素材等对输出质量有明确要求的工作。

六、决策流程图

你的 prompt 是什么类型？
│
├─ 一句话/关键词（≤15字）
│  └─ ✅ 开启 PE
│
├─ 需要精确文字渲染
│  └─ ❌ 关闭 PE
│
├─ 已有详细结构化 prompt（≥3句话）
│  └─ ❌ 关闭 PE
│
├─ 固定 seed 迭代
│  └─ ❌ 关闭 PE
│
├─ 追求极致质量
│  └─ ❌ 关闭 PE + 外部 LLM 辅助
│
└─ 其他
   └─ ✅ 开启 PE（默认安全选择）

七、总结

PE 不是"好"或"坏"的问题，是"适不适合你的场景"的问题。

短 prompt、快速出图、不懂 prompt 工程 → PE 是你的朋友
精确文字、详细 prompt、迭代优化 → PE 是你的敌人
追求极致 → PE 不够强，用 GPT-4/Claude 替代

核心原则：PE 是改写器，不是增强器。它改写了什么，决定了你是否需要它。