2026年9月5日
提示词要用英文写吗？答案取决于模型
你用母语输入时真正送到模型的是什么，为什么英文长期是必选项，今天哪些模型能无损理解其他语言，以及一个 6 积分的测试如何为你的情况下结论。
Frank HoubreImaginode 創辦人
所有人都有、却不好意思问出口的问题
你的提示词会原封不动地送到模型，中间没有任何翻译：所以你用什么语言，对结果是有真实影响的。
这是最早被问到的问题之一，常常压低声音问，好像它是个蠢问题。它一点也不蠢。它有真正的技术答案，而这个答案最近变了。
先说最重要、也没人说的一点：你的键盘和模型之间没有自动翻译。你打什么就送什么。你用中文写，送到模型的就是中文，随之而来的后果也都在。
那么，母语还是英文？诚实的回答是，这取决于你选的模型，而且有一个三分钟的测试能为你的具体情况下结论。两件事我们都做：先弄明白为什么，再动手测。
为什么英文长期是唯一正确答案
图像模型学习的图片，配文绝大多数是英文：其他语言的词在其中出现得太少，因此和它所描述的东西联系得更弱。
图像模型通过看几亿组图片和配文来学习。这些配文来自网页，而为这类任务索引的网页是压倒性的英文世界。
机械的结果是：golden hour 这个短语被看到几百万次，贴在傍晚拍的照片上。中文的「黄金时刻」少得多。所以模型对其中一个的联系牢固得多，而中文提示词往往给出更含糊、更泛化、更松散的结果。
这就是那条从 2022 年起被到处重复的万能建议「提示词写英文」的来处。它当时是对的。今天对得少多了，而不加区分地继续重复它，会让人错过重要的东西。
变化在哪：先理解、再作画的模型
近期依托大语言模型的图像模型会先解读指令再生成，而这种理解是真正多语言的。
新一代图像模型不再只是把词语对应到质感。有些会经过一个语言模型，由它读懂你的要求，再去驾驶生成。
Nano Banana Pro 建立在 Gemini 3 Pro 之上，是目录里理解长指令能力最强的。Nano Banana 2 跑的是 Gemini 3.1 Flash 的图像生成。GPT Image 2 出自同一个世界，它的长处被明确定位为听从指令而不是质感。
这些模型理解中文的方式和理解英文一样，因为负责理解的那部分是一个用几十种语言训练过的语言模型。在它们上面，用母语写几乎不付代价，反而因为用母语而更精确。
英文仍然更可取的模型
又快又便宜的纯图像模型，用英文仍然更忠实：在专业词汇上尤其明显。
在目录的另一端，经典扩散模型没有语言理解层。它们把你的文字编码，当成一份统计指引来用。在那里，语言仍然算数。
1 积分的 Flux Schnell、整个 Flux 家族，以及所有在本地跑 Stable Diffusion 的东西，都属于这一类。用英文你会得到更忠实的结果，尤其是提示词里出现精确词汇的时候。
顺带一说，这不是模型质量的问题：Flux 2 Pro 做的图非常漂亮。这是它怎么读你文字的问题。一个出色的模型，可以是一个糟糕的中文读者。
为你的情况下结论的 6 积分测试
在你用的模型上，把同一条提示词用母语生成三次，再用它的英文译文生成三次：差距要么立刻看得见，要么根本不存在。
别听我的，自己测。在 Flux Schnell 上花 6 积分，三分钟就够，而且结论对你的模型、你的题材、你的风格有效。
写一条带点专业词汇的提示词：仰拍站在悬崖边的女人，傍晚的逆光，浅景深。生成三次。然后把同一条提示词译成英文，在同一个模型、同一个比例下生成三次。
把六张图放在一起看。如果英文那三张把仰拍角度和逆光守得更好，说明你的模型偏好英文，你从此一劳永逸地知道了。如果差距看不出来，那就毫无顾虑地用母语写：你在自己的语言里更精确，而精确比语言更重要。
英文确实保有优势的那部分词汇
电影和摄影的专业术语在英文里是密度极高的关键词，而在其他语言里的对应说法往往更含糊或更长。
哪怕在一个完全理解中文的模型上，某些英文词依然更优，而这是密度的问题，不是语言的问题。
看看 bokeh、golden hour、backlit、rim light、low angle、shallow depth of field、dolly in。每一个词都只指一件确切的事，而模型看过它们上百万次，正好贴着那个效果。中文的对应说法常常要绕一句话，一绕就稀释了。
所以有了混合写法，也是我实际的做法：场景、动作和意图用母语，专业术语用英文。一个奔跑的女人身上的 golden hour 逆光，shallow depth of field。读起来很丑，效果很好，因为提示词不是一段文章，是一张指令清单。
相机节点已经替你写好了英文
相机节点的设置以英文提示词片段的形式送到模型：凡是调度的部分，语言问题已经解决了。
我几乎不再在提示词里写专业词汇，是有原因的，而且原因是结构性的。相机节点里有取景、镜头、光圈、角度和运动的菜单。
你看不见的是，这些菜单的每一个选项都以英文提示词片段的形式存着，送到模型的正是这个片段。你在母语界面里选「特写」，模型收到的是它烂熟于心的英文术语。
好处不止于翻译。你不用再背词汇，不会再用错术语，而且这个设置会接到多个节点上保持一致。每一项设置具体改变什么，写在在 AI 里调度镜头里。
图里的文字：完全是另一个问题
提示词的语言和要显示的文字的语言是独立的：把母语词放进引号里就能得到，指令用什么语言都不影响。
注意别把两件事混在一起。你下指令用的语言，和要出现在图里的文字用什么语言，毫无关系。
如果你的海报上要写「面包坊」，就把这个准确的词放进引号写在提示词里，并加上必须按此原样出现、不得出现任何其他文字。指令的其余部分用英文也行，不影响。
对中文还有两点提醒。汉字在有些模型上比拉丁字母更容易出错，所以务必放大检查。并且选一个会写字的模型：Nano Banana Pro、GPT Image 2 或 Recraft V4.1。这个话题的完整版在手畸形、文字读不通里。
毁掉一次生成的假朋友
把专业术语逐字翻译，经常得到与预期相反的效果：一些常用词是已知的陷阱。
如果你转用英文，别拿词典硬翻。几个总会出现、而且很费生成次数的例子。
电影里的「镜头」是 shot，不是 lens，也不是 plan。「画面」是 frame，不是 screen 也不是 box。「氛围」是 mood 或 atmosphere，不要单用 ambiance，这个词存在，但在日常英文里指别的东西。而「清晰」是 sharp 或 in focus，绝不是 net。
稳妥的做法是让语言模型来写这条英文提示词，而不是自己翻。文本节点用 1 到 3 积分就能做：把你的想法用母语给它，要求输出一条英文图像提示词，详细、用电影词汇、不要标题也不要评论。
视频也一样吗
视频模型遵循同样的逻辑，但从一张起始图出发时，视频提示词短到这个问题几乎失去意义。
规则相同：依托强语言理解的视频模型能很好地接住中文，其他的偏好英文。这方面没有新东西。
只是实际操作中这个问题少得多。工作方式规范的话，视频节点收到的是一张已经确认过的起始图，提示词只描述运动。镜头缓慢推进。手合拢。三个词，语言在这里已经改变不了什么。
这是分镜方法一个令人愉快的副作用，见在为视频付费之前用 AI 做分镜：把负担从文字移到图像上，语言问题就几乎无从谈起了。
我具体是怎么做的
场景和意图用母语，专业术语用英文，调度交给相机节点，遇到新模型就做六张图的测试。
我的做法三行就能写完。场景、动作和意图用母语写，因为我在自己的语言里更精确，而精确是提示词里最要紧的东西。专业术语保留英文，因为它们更密。
所有调度都走相机节点，所以根本不在我的文字里。而当目录里进了新模型，我会先做六张图的测试再形成看法。花 6 积分，省下几个月的错误信念。
我不再给的建议是：不动脑子直接用英文写。三年前这是对的，今天在半个目录上都会损失精确度。而一条精确的母语提示词，永远胜过一条含糊的英文提示词。
总结
在依托语言模型的模型上，用母语写；在纯扩散模型上，改用英文或两者混合。
Nano Banana 2 和 Pro、GPT Image 2：中文通过时没有明显损失，用你的语言写。Flux Schnell、Flux 家族以及所有本地跑的东西：英文仍然更忠实，尤其在专业词汇上。
无论哪种情况，电影词汇用英文都仍是个好反应，而相机节点已经替你省掉了其中的大部分。要显示在图里的文字放进引号，与指令的语言无关。
如果你想深挖的是提示词的结构而不是它的语言，那才是结果差异真正被决定的地方：写出管用的提示词拆解了完整的解剖，主体、动作、取景、光线、风格。