SenseNova 官方 Prompt 增強實測：AI 生圖的亂碼不是隨機的

上一篇 SenseNova U1.5 繁體中文實測的文末留了一個伏筆：官方 GitHub 有一套專門處理資訊密集版面的 Prompt 增強配方（Prompt Enhancement，下稱 PE），全程用裸 prompt 測完的我說「值不值得多一道工序，留給下一篇驗證」。

這篇就是那個驗證。而且測完之後，我拿到了一個比「值不值得」更有意思的答案：AI 生圖的亂碼不是隨機的，它有明確的出生地。

快速結論

• 資訊密集版面（海報、資訊圖、菜單、仿單）：PE 大勝。16 組資訊類題目裡裸 prompt 只贏 1 組；資訊圖和流程圖是決定性差異——裸版整片亂碼的區域，PE 版逐字正確
• 亂碼的來源找到了：prompt 裡有指定的文字，模型幾乎不會寫錯；亂碼全部長在「版面需要文字、但 prompt 沒給」的空白處——模型被迫自己編字，編出來的就是字形噪音
• PE 的本質因此不是魔法詞，是把版面上每一段會出現的文字都變成「有指定的文字」，把模型自由發揮的空間降到零
• 漫畫：不必 PE。台詞逐格寫進 prompt 的話裸版文字已經全對，美感也沒有因為 PE 比較好
• 人像：反而是裸 prompt 較好。人像沒有文字空白可填，PE 帶來的只有服從度，美感沒有淨增益
• 這套配方是公開的 system prompt，不限 SenseNova——任何一個夠好的 LLM 都能幫你執行這道改寫

官方 PE 是什麼

先講清楚：PE 不是 ComfyUI 節點上的某個開關，是一道前置改寫工序——你的 prompt 先經過一個 LLM，用官方提供的 system prompt 改寫成 400-600 字的結構化長 prompt，再送進生圖模型。

那份 system prompt 就放在官方 ComfyUI 節點包裡（prompts/builder_prompt.txt，與 GitHub 文件庫的配方相同），角色設定是「資訊圖表提示詞工程專家」，核心規則有五條：

1. 所有會出現在畫面上的文字，一律用引號逐字寫出，一個都不能漏
2. 每個圖示都要描述內容——不准寫「一個圖示」，要寫「文字『拿鐵』旁是一杯分層的拿鐵玻璃杯」
3. 明確指定版面結構、背景質感、各層級的字體風格
4. 輸入太簡短時要主動增稠：補副標、補註解、補細則，把資訊密度拉滿
5. 少用箭頭，靠位置關係表達連接；禁用色碼，顏色用文字描述

這次測試我沒有另外架本地 LLM，直接讓 Claude 照這份 system prompt 逐題改寫——配方是公開的，用哪個 LLM 執行都行，這也是它值得寫一篇的原因：方法不綁定任何一家模型。

怎麼測

規則跟上一篇一樣嚴格：同一個 seed、同樣的取樣設定，唯一變因是 prompt 文字；每組兩個 seed 全數展示、不挑圖。

• 第一輪：從 53 組繁中題庫挑出 8 組資訊密集題（電影海報、音樂祭海報、極簡展覽海報、咖啡菜單、建案廣告、電商 banner、資訊圖、流程圖），裸 prompt 組直接沿用上一篇的輸出（seed 相同，可直接比）
• 第二輪：看完第一輪結果後加測 8 組——3 組藥品仿單（把小字密度推到極限）、3 組漫畫、2 組人像，驗證 PE 的效果能不能離開「資訊圖表」這個舒適圈

仿單題的品名、藥廠、許可證字號全部虛構。

第一輪：亂碼的出生地

先看最有戲劇性的兩組。資訊圖題（開頭那張圖）的裸 prompt 版，副標題和長條圖的國名全是亂碼——因為原 prompt 只寫了「一張顯示主要外銷市場的長條圖」，沒說是哪些國家，模型只好自己編，編出來的是「浪南」「憂海」「袋大尼」這種字形噪音。PE 版把五個國名和百分比全部逐字寫進 prompt，同一個 seed 之下，「日本 28%」「美國 22%」「韓國 15%」一字不差。

流程圖題更明顯：

原 prompt 要求每個製茶步驟配「10-15 字的說明」但沒給內容——裸版六段說明全部是亂碼。PE 版把六段說明逐字寫出（「清晨手採一心二葉，保留完整芽葉」……），全部正確。

其他題目也是同一個模式的不同表現：咖啡菜單的 PE 版多了語意正確的飲品圖示和店家細則，電商 banner 的裸版倒數計時器是一串亂碼、PE 版是端正的「72:00:00」翻牌數字：

8 組裡 PE 贏 7 組。唯一的例外很有代表性——極簡風的攝影展海報。PE 的「主動增稠」規則跟極簡設計正面衝突：補上的開放時間、主辦單位、入場資訊都有渲染出來，但「免費入場」四個字兩個 seed 都漂浮在畫面右緣的奇怪位置，而且資訊一多，極簡的味道就淡了：

第二輪（一）：藥品仿單，甜蜜點的極限測試

上一篇說過 SenseNova 的弱點是「藥品說明書等級的密集文字」，那就真的來測仿單。結果是整個測試裡最戲劇化的一組：

裸 prompt 版為了模仿真仿單的文字密度，自己長出了整段假內文——乍看排版有模有樣，湊近看全是字形噪音，兩個 seed 都一樣。處方藥題的其中一個 seed 更是整頁崩壞，段落文字互相重疊：

PE 版在同樣的 seed 下：紅框警語、分節標籤、「每日不得超過8錠」的底線強調、耳朵／喉嚨／腎臟的適應症圖示，全部正確，零亂碼。不只文字，排版設計也是 PE 版明顯比較好——分節框、圖示對位、資訊層級，看起來像真的設計稿。

有個反向證據值得記下：兒童糖漿題的裸版劑量表格其實全對，因為表格內容在裸 prompt 裡本來就逐格寫清楚了。這再次印證同一件事——指定的字不會錯，錯的都是模型被迫自己編的字。

第二輪（二）：漫畫——文字正確之外，美感沒有比較優

漫畫的台詞就是「指定文字」，照理說 PE 應該也有優勢。實測下來要分兩半講。

文字面：只要台詞逐格寫進 prompt，裸版就已經全對。四格漫畫和武俠漫畫頁的對白，裸 prompt 和 PE 版都逐字正確——因為做漫畫的人本來就會把台詞寫清楚，這部分 PE 沒有增量。PE 真正防到的是「多餘文字」：衛教漫畫的裸版有一個 seed 自己加了一行亂碼標題（prompt 沒給標題，模型自己編了一個），PE 版明訂「除引號內文字外不出現任何文字」，就沒這個問題：

美感面：PE 沒有比較好。四格漫畫題我甚至覺得裸版的彩色版本比 PE 版討喜——這裡要誠實揭露一個方法論陷阱：PE 版變成黑白網點風，是因為改寫時 system prompt 要求補上風格細節，改寫的 LLM 選了「灰階網點」。改寫者的美學品味會直接寫進成品，PE 是把美術決策提前到改寫階段，不是中性的畫質放大器：

第二輪（三）：人像——裸 prompt 反而比較好

人像是 PE 價值曲線的另一端：畫面上沒有任何文字，「把空白填上指定文字」這個核心機制完全無用武之地。實測兩組（寫實老茶農、動漫少女），我的判斷是裸 prompt 版比較好看——動漫題的裸版細節更繁複華麗，寫實題的裸版構圖也更舒服：

PE 版不是變差，是變「聽話」：構圖、光位、服裝款式都精準照著改寫後的描述走。如果你要的是精確控制，這是優點；如果你要的是模型自由發揮的美感，多這道工序反而把它綁住了。

什麼時候該用 PE

把兩輪 16 組的結果收斂成一張表：

如果不想多跑一道 LLM 改寫，這次測試也附贈兩個可以直接手動用的技巧，它們就是 PE 有效成分的濃縮：

1. 版面上每一段會出現的文字，都用引號逐字寫進 prompt——包括你以為模型會自己安排的圖表標籤、步驟說明、副標題。空白留給模型，模型就還你亂碼
2. 在 prompt 結尾加「除引號內文字外，不出現任何其他文字」——封殺模型自作主張加標題的空間

完整 16 組對照圖

每張圖四欄：裸 prompt #1｜官方 PE #1｜裸 prompt #2｜官方 PE #2，同編號同 seed，全數展示不挑圖。

第一輪：資訊密集版面

第二輪：仿單／漫畫／人像

相關文章

• SenseNova U1.5 繁體中文實測：「濱」終於有模型寫對了 — 本文的前篇，裸 prompt 組的出處與模型完整介紹
• 2026 開源 T2I 繁體中文實測：五大模型誰寫得最正確？ — 53 組題庫的第一次登場
• 繁體中文 AI 生圖測試 Prompt：53 組全公開 — 題目正本，第一輪 8 組出自其中
• Ideogram 4 開源模型實測 — 另一種「結構化 prompt 治文字」的路線：官方 JSON 格式

測試日期：2026 年 9 月 3 日｜同 seed A/B 對照，每組兩個 seed 全數展示；仿單題的品名與廠商均為虛構；文字正確性以人工逐字核對為準，美感判斷為作者主觀