如果您以任何規模使用 GPT Image 模型（gpt-image-2, gpt-image-2.5）生成圖像，最終都會遇到一個令人沮喪的錯誤：HTTP 400，並顯示您的請求被安全系統拒絕的訊息。沒有圖像，沒有部分輸出，而且提示詞看起來對您來說完全合理。
本指南解釋了該錯誤的實際含義、在實踐中觸發它的原因，以及如何調整提示詞和參考圖像以減少其發生頻率。本指南基於 TokenLab 圖像 API 30 天的生產數據（2026 年 8 月 19 日至 9 月 18 日），以及 OpenAI 的官方圖像生成文檔。我們引用的數字均為平台匯總統計數據；未複製任何客戶內容。
該錯誤的實際含義
GPT Image 模型會根據供應商的內容政策過濾每個提示詞、每個輸入圖像和每個生成的圖像。當過濾器觸發時，請求會失敗並返回 400，其穩定的識別碼為錯誤代碼：
{
"error": {
"type": "image_generation_user_error",
"code": "moderation_blocked",
"moderation_details": {
"moderation_stage": "input",
"categories": ["sexual"]
}
}
}根據官方文檔，moderation_details 是可選的且刻意粗略：moderation_stage 會告訴您封鎖是來自您的輸入（input）還是生成的圖像（output），而 categories 則包含廣泛的公共標籤，例如 harassment（騷擾）、self-harm（自殘）、sexual（性）或 violence（暴力）。它從不公開內部的分類器評分。
在 TokenLab 上，同一事件以兩種形式出現：
- 同步調用（
/v1/images/generations,/v1/images/edits）立即返回 HTTP 400。 - 異步任務轉變為
failed狀態，並顯示訊息「The request was rejected by the safety system.」（請求被安全系統拒絕）。
無論哪種方式，兩個運營事實都很重要。首先，審核封鎖對於相同的內容是確定性的：重試未更改的請求基本上永遠不會成功。其次，在 TokenLab 上，被審核封鎖的任務被視為失敗任務，預先扣除的配額會自動全額退還 — 您永遠不需要為被封鎖的生成付費。
三十天的生產數據
在 2026 年 8 月 19 日至 9 月 18 日期間，TokenLab 上約 4.3% 的 GPT Image 任務（大約每 23 個任務中就有一個）被上游安全系統拒絕。這種分佈並非隨機；被封鎖的請求緊密地聚集在幾個模式周圍：
| 信號 | 被封鎖任務 | 所有其他任務 | 解讀 |
|---|---|---|---|
| 提示詞提及未成年人 (child, kid, baby, "7-year-old", ...) | 79% | 33% | 最強的單一預測指標 |
| 照片級渲染措辭 ("photorealistic", "real human", "live-action") | 77% | 57% | 放大器，特別是針對未成年人 |
| 性相關描述詞 (nude, sexy, lingerie, body-focused wording) | 43% | 17% | 強預測指標 |
| 通用動作/暴力詞彙 (battle, sword, explosion) | ~50% | ~50% | 本身無預測價值 |
來自同一窗口期的另外三個發現：
- 參考圖像會增加風險。 帶有輸入/參考圖像的任務被封鎖率為 8.4%，而純文字生成僅為 3.7% — 超過兩倍。圖像與文字受到同樣嚴格的審核。
- 長提示詞更容易失敗。 被封鎖的提示詞平均約為 3,600 個字符，超過一半超過了 2,000 個字符。每一個額外的子句都會增加分類器的檢查範圍。
- 重試從未恢復。 窗口期內每個被封鎖的任務最終都處於終止失敗狀態；沒有一個通過重新提交相同的輸入而成功。而且每一個任務都自動獲得了退款。
我們觀察到最常被封鎖的工作流程是：未成年人的照片級角色設計表 — 即「選角參考」風格的提示詞，描述一個具有超真實渲染、精確身體比例和服裝說明的兒童角色。將未成年人相關詞彙與照片級渲染相結合的提示詞被封鎖率為 ~9.5%，是基準率的 2.2 倍。
觸發封鎖的五種模式
縱觀被封鎖的群體，幾乎所有的拒絕都屬於以下類別之一：
- 未成年人的照片級描繪。 被渲染為「在攝影棚拍攝的真實人類」、「超照片級真實」、「非 CGI，非插圖」的兒童或嬰兒角色。未成年人與照片級真實感的結合是圖像審核中防守最嚴密的界限，即使意圖是無辜的角色設計表，它也會觸發封鎖。
- 圍繞未成年人的服裝或身體焦點措辭。 諸如「未穿衣的鎖骨以上特寫」（本意是簡單的肖像裁剪）或兒童角色的詳細全身比例測量等短語。單獨看是無辜的，但綜合起來會被解讀為對未成年人的身體焦點描述。
- 成人角色的性化描述詞。 即使在其他方面是 SFW（適合工作場所）的構圖中，使用姿勢、皮膚和內衣相關的詞彙（「內衣」、「裸體」、「誘人姿勢」）。
- 血腥解剖圖。 描述腐爛的肉體、暴露的器官、開放性傷口或寄生蟲等解剖細節的恐怖和黑暗奇幻提示詞。
- 真實人物的參考圖像。 未成年人的真實照片、皮膚暴露度高的圖像，或用作編輯輸入的名人面孔。
兩個放大器使上述所有情況更容易觸發封鎖：非常長的提示詞（文字越多，出現不良組合的機會就越多）和負面詞彙列表。像「無裸體、無性內容、無血腥」這樣的語句並不能讓分類器放心 — 它重複了您想要避免的概念，並將它們添加到輸入中。描述您想要的，而不是您不想要的。
提示詞調整指南
這些是與數據相對應的重寫策略。（範例僅供說明，非來自客戶流量。）
1. 讓未成年人遠離照片級真實感
如果您的故事、漫畫或遊戲需要兒童角色，請以清晰的風格化媒介渲染它們：
修改前："Ultra-photorealistic casting photo of a 7-year-old girl, real human
child photographed in a studio, detailed body proportions, collarbone-up
unclothed facial close-up ..."
修改後："Storybook watercolor illustration of a young girl in Ming-dynasty
dress, shoulder-up portrait, round face, twin hair buns tied with cloth
ribbons, gentle expression, plain white background"更改媒介（水彩、2D 動畫、3D 卡通、繪本風格），放棄「真實人類/攝影」的框架，並完全跳過身體測量。如果您必須描述服裝，請描述角色穿著什麼（「穿著圓領布夾克」），而不是他們沒穿什麼。
2. 刪除負面詞彙列表
用正面措辭替換「無裸體、無血腥、無文字、無浮水印」：例如「完全穿著」、「乾淨的構圖」、「純色背景」。只保留不涉及受限類別的負面詞（例如「無浮水印」是可以的；「無裸體」則沒有幫助）。
3. 精簡提示詞
如果您生成多面板角色表，請勿在每個面板描述中重複相同的風格塊。一個共享的風格句子加上每個面板的具體細節，可以讓您保持在觸發閾值以下，避免意外的觸發組合。
4. 用氛圍而非解剖細節來化解血腥感
修改前："her body rotting, exposed skull, flesh, pustules and parasites ..."
修改後："one half serene and maternal, the other half dissolving into shadow
and tidal mist, decay suggested through silhouette and lighting rather than
anatomical detail"當恐怖感通過氛圍、光影和輪廓而非組織級別的描述來傳達時，黑暗奇幻內容可以通過審核。
5. 中和成人內容的關聯性
對於成人角色，將身體和內衣相關的詞彙替換為時尚和氛圍語言：用「晚禮服」代替「內衣」，用「自信的對位姿勢」代替「誘人姿勢」。
參考圖像衛生
由於圖像輸入也會被審核 — 且在我們的數據中，它們使封鎖率增加了一倍以上 — 請將參考圖像視為提示詞的一部分：
- 優先為未成年人選擇風格化參考。 兒童角色的插圖或 3D 渲染比兒童的真實照片安全得多，且通常在角色一致性方面效果同樣好。
- 裁剪到重點。 如果您需要面部以保持一致性，請上傳面部裁剪圖，而不是全身海灘照。更少的皮膚和更少的背景意味著更小的分類器檢查範圍。
- 移除覆蓋的文字和浮水印。 參考圖像上的標題、迷因文字和浮水印字串會被讀取為輸入文字，並可能攜帶您忽略的觸發詞。
- 避免使用真實名人的肖像，無論是作為參考圖像還是作為「in the style of <actor>」的提示詞文字。
審核參數
根據官方文檔，GPT Image 模型接受一個 moderation 參數，包含兩個值：
auto（預設）：標準過濾，限制某些類別的潛在年齡不適宜內容。low：較寬鬆的過濾。
TokenLab 在 /v1/images/generations 和 /v1/images/edits 上都會傳遞此參數：
curl https://api.tokenlab.sh/v1/images/generations \
-H "Authorization: Bearer $TOKENLAB_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2",
"prompt": "Storybook watercolor illustration of a young girl in Ming-dynasty dress, shoulder-up portrait",
"size": "1024x1024",
"moderation": "low"
}'當您的內容明顯無害但仍不斷被標記時，請使用 low — 風格化插圖作品是經典案例。兩點提醒：low 並非 off（非法類別如 CSAM 始終會被封鎖），且它是一個調節器，而非保證 — 請先修復提示詞，再使用該參數。
代碼中的封鎖處理
官方指導很明確：image_generation_user_error 失敗是使用者可修正的，在未更改請求的情況下不應重試。我們的數據也證實了這一點 — 在 30 天的窗口期內，沒有一個被封鎖的任務通過重試未更改的請求而恢復。正確的處理方式：
- 根據
error.code進行區分，而不是訊息文字。只有moderation_blocked（以及一般的image_generation_user_error）意味著「修復輸入」。速率限制和 5xx 錯誤仍然可以重試。 - 讀取階段。
moderation_stage: "input"意味著重寫提示詞或更換參考圖像；"output"意味著生成的圖像本身被標記 — 使用稍微調整、降低風險的提示詞重新生成通常可以解決問題。 - 保持給終端使用者的訊息通用（「此請求因內容安全要求而無法完成」），並記錄
moderation_details和請求 ID 以供您自己的調試和支援使用。 - 不要循環。 每個唯一輸入在一次審核封鎖後應中斷循環；重新提交相同的內容會浪費延遲和調試時間，即使 TokenLab 會退款。
檢查清單
| 您的情況 | 可能的觸發因素 | 修復方法 |
|---|---|---|
| 兒童角色設計表 | 未成年人 × 照片級真實感 | 風格化媒介，無身體測量，正面服裝措辭 |
| 照片級成人肖像被封鎖 | 性化描述詞 | 時尚/氛圍措辭；考慮使用 moderation="low" |
| 黑暗奇幻/恐怖生物 | 血腥解剖 | 氛圍和輪廓而非組織細節 |
| 帶參考照片的編輯被封鎖 | 真實人物/皮膚暴露多的輸入圖像 | 更緊密的裁剪，使用風格化參考，去除覆蓋文字 |
| 長多面板提示詞被封鎖 | 提示詞檢查範圍 + 負面詞列表 | 刪除重複的樣板，刪除負面詞列表 |
| 良性風格化作品仍被標記 | 分類器保守性 | 使用 moderation="low" |
常見問題解答
我需要為被封鎖的生成付費嗎？ 不需要。在 TokenLab 上，被審核封鎖的任務會失敗，預先扣除的配額會自動全額退還。
重試相同的提示詞有幫助嗎？ 沒有。在 30 天的數據中，沒有一個被封鎖的任務在未更改的情況下重試成功。請先更改輸入。
moderation="low" 會禁用安全過濾嗎？ 不會。它只是降低了限制性；非法內容類別無論如何都會被封鎖。
參考圖像真的會被審核嗎？ 是的 — 提示詞和每個輸入圖像都會被過濾，在我們的數據中，帶有參考圖像的任務被封鎖率是純文字任務的兩倍以上。
我能看到具體觸發了哪條規則嗎？ 只能在粗略的 moderation_details.categories 層級看到，且僅在上游包含該資訊時。供應商刻意不公開分類器的內部細節。
限制
上述統計數據是來自 TokenLab 生產流量的 30 天匯總數據，描述的是趨勢而非保證；審核分類器會隨時間變化，同一個提示詞在上游更新後可能會被不同地對待。重寫範例僅為說明性模板，非客戶數據。在進行批量運行之前，請務必先通過小規模測試驗證當前行為。
要嘗試這些模型，請瀏覽 圖像模型目錄，查看 異步圖像生成指南 以了解任務生命週期處理，並查看 docs.tokenlab.sh 以獲取當前的請求格式。
