这次我们来看一个对内容创作者和开发者都很实用的更新GPT-Image-2 API 新增了透明背景预览功能。这个功能直接解决了在图像生成后需要快速确认背景是否透明、抠图是否干净的痛点。对于需要将生成图像无缝融入设计稿、视频或PPT的用户来说这不再是一个需要反复下载、导入PS检查的“黑盒”过程。GPT-Image-2 本身是一个强大的文生图模型而它的 API 服务让开发者可以方便地集成图像生成能力。这次新增的“透明背景预览”功能意味着你在调用 API 生成 PNG 格式的透明背景图片时可以直接在返回结果中看到一个预览图快速判断生成效果是否符合预期。这大大提升了工作流的效率尤其是在进行批量生成或自动化内容创作时。本文将带你快速了解这个新功能的核心价值并演示如何通过 API 调用它。我们会重点关注功能核心透明背景预览到底是什么解决了什么问题。API 调用实战如何构造请求参数来启用预览以及如何解析返回结果。效果验证对比开启预览前后的工作流差异评估其实用性。集成建议如何将这个功能融入到你的自动化工具或内容生产管线中。无论你是正在使用 GPT-Image-2 API 的开发者还是对高效图像生成工作流感兴趣的内容创作者这篇文章都能帮你快速上手这个提升效率的新特性。1. 核心能力速览在深入细节之前我们先通过一个表格快速把握 GPT-Image-2 API 及其透明背景预览功能的关键信息。能力项说明项目/模型GPT-Image-2 (文生图模型)核心新增功能API 响应中支持返回生成图像的透明背景预览图主要价值无需下载完整 PNG 文件即可快速视觉验证抠图/背景透明效果提升调试和批量处理效率。触发条件需要在 API 请求参数中显式开启预览功能例如设置preview: true。输出格式预览图通常以Base64 编码的图片数据或一个可访问的临时 URL形式返回嵌入在 JSON 响应中。适用场景1. 快速测试不同提示词下的透明背景效果。2. 在自动化流程中对生成结果进行初步质量筛选。3. 集成到需要实时预览功能的应用或工具中。技术前提1. 拥有有效的 GPT-Image-2 API 访问权限和密钥。2. 生成请求需指定输出格式为支持透明的格式如 PNG。3. 提示词应包含对透明背景的描述如“on transparent background”。与完整文件关系预览图是完整高分辨率图像的一个快速、低分辨率或压缩版本用于预览不替代最终文件下载。2. 适用场景与使用边界这个功能看似简单但在特定工作流中能显著提升效率。最适合谁用UI/UX 设计师与视觉内容创作者需要快速生成图标、贴纸、素材元素并直接放入设计软件检查合成效果。社交媒体运营与电商美工批量制作去底商品图、营销素材预览功能可以快速过滤掉背景处理不佳的图片。应用与工具开发者正在开发集成 AI 绘图功能的应用需要为用户提供实时生成预览增强交互体验。自动化脚本开发者编写脚本批量生成透明背景素材时预览功能可作为质量控制的第一步避免下载大量无效文件。能解决什么问题消除等待不确定性生成一张高分辨率透明背景图可能需要数十秒。在等待期间或完成后开发者/用户无法直观知道模型是否正确理解了“透明背景”的指令。预览功能提供了即时反馈。简化调试流程如果效果不理想例如背景有残留、主体边缘毛糙用户可以根据预览图立即调整提示词或参数重新生成而无需经历“下载 - 打开图片查看器 - 判断 - 重新调用 API”的繁琐循环。节省带宽与存储在批量处理中在自动化流程中可以先获取预览图进行算法初筛只有预览合格的图片才触发下载完整文件避免存储大量无用素材。使用边界与注意事项非魔法抠图工具该功能是“预览”其质量完全依赖于 GPT-Image-2 模型本身生成透明背景图像的能力。如果模型未能生成干净的透明背景预览图也会如实反映问题。它不提供额外的后期抠图处理。预览质量可能受限返回的预览图可能在分辨率、尺寸或压缩率上与最终文件不同仅用于效果评估不可作为最终素材使用。版权与合规性生成的图像内容需遵守相关法律法规和平台政策。用于商业用途时请确保你对生成的内容拥有相应权利并注意人物肖像、商标等潜在风险。API 调用成本开启预览功能可能会增加单次 API 调用的响应数据量Base64 字符串很长但通常不会额外计费。具体需查阅官方 API 定价文档。3. 环境准备与前置条件要测试或使用这个功能你不需要配置复杂的本地深度学习环境。核心准备工作是围绕 API 访问进行的。获取 API 访问权限访问 GPT-Image-2 的服务提供商平台例如 OpenAI 或其他提供该模型 API 的厂商。注册账号并完成认证。在控制台中创建 API Key并妥善保存。这是调用所有服务的凭证。了解 API 基础阅读官方文档找到 GPT-Image-2 模型的 API 端点Endpoint。通常形如https://api.openai.com/v1/images/generations此处为示例实际需以官方文档为准。熟悉基础的文生图请求格式包括model指定为gpt-image-2或类似标识、prompt、size、n生成数量等参数。准备开发与测试环境命令行工具curl。用于快速发起 HTTP 请求测试。编程语言环境可选但推荐Python 3.7 或 Node.js 环境并安装requests(Python) 或axios(Node.js) 等 HTTP 客户端库。方便编写脚本进行集成和批量测试。网络环境确保可以稳定访问对应的 API 服务地址。明确透明背景的生成要求在提示词prompt中必须明确包含要求透明背景的指令例如“a cute cat icon, on transparent background”、“a logo of a rocket, transparent background”。设置输出格式response_format为”png”。因为 PNG 格式支持 Alpha 通道透明度而 JPEG 不支持。4. 安装部署与启动方式GPT-Image-2 是一个云端 API 服务因此不存在传统的“本地安装部署”。所谓的“启动”指的是如何正确配置和发起 API 调用。我们将以命令行和 Python 两种最常见的方式为例。4.1 使用 cURL 命令行快速测试cURL 是验证 API 功能最直接的方式。将以下命令中的YOUR_API_KEY替换为你自己的密钥并根据官方文档调整URL。curl https://api.example.com/v1/images/generations \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: gpt-image-2, prompt: a shiny red apple icon isolated on transparent background, size: 512x512, quality: standard, n: 1, response_format: png, preview: true }关键参数解释-H设置请求头。Authorization头用于身份验证。-d发送的 JSON 数据体。”preview”: true这是启用透明背景预览功能的核心参数。如果文档中该参数名不同请以官方文档为准可能是”include_preview”: true或”generate_preview”: true。”response_format”: “png”指定输出为 PNG 格式这是透明背景的必要条件。执行后你将收到一个 JSON 响应。如果功能已启用响应中很可能会包含一个额外的字段如preview_url或preview_b64_json。4.2 使用 Python 脚本进行集成对于需要集成到项目中的开发者Python 脚本更实用。首先确保安装了requests库。pip install requests然后创建一个 Python 脚本文件例如generate_with_preview.pyimport requests import json import base64 from io import BytesIO from PIL import Image # 配置 API_KEY YOUR_API_KEY # 替换为你的API Key API_URL https://api.example.com/v1/images/generations # 替换为实际端点 # 请求头 headers { Content-Type: application/json, Authorization: fBearer {API_KEY} } # 请求体 - 注意开启了 preview payload { model: gpt-image-2, prompt: a cartoon owl wearing glasses, on transparent background, vector style, size: 1024x1024, n: 1, response_format: png, preview: True # 关键请求预览图 } try: print(正在调用 GPT-Image-2 API 并请求预览...) response requests.post(API_URL, headersheaders, jsonpayload, timeout60) response.raise_for_status() # 检查HTTP错误 result response.json() print(API调用成功) # 解析响应 if data in result and len(result[data]) 0: image_data result[data][0] # 1. 获取最终图像的URL通常用于下载 final_image_url image_data.get(url) if final_image_url: print(f最终图像下载URL: {final_image_url}) # 这里可以添加下载最终图片的代码 # final_img_response requests.get(final_image_url) # with open(final_image.png, wb) as f: # f.write(final_img_response.content) # 2. 获取预览图数据新功能的核心 preview_b64 image_data.get(preview_b64_json) # 可能是 base64 字符串 preview_url image_data.get(preview_url) # 也可能是临时URL if preview_b64: print(检测到Base64格式的预览图正在解码并显示...) # 解码Base64并保存为图片文件 preview_bytes base64.b64decode(preview_b64) with open(preview_image.png, wb) as f: f.write(preview_bytes) # 用PIL打开预览可选需要PIL库 img Image.open(BytesIO(preview_bytes)) img.show() # 这会用系统默认图片查看器打开预览 print(预览图已保存为 preview_image.png) elif preview_url: print(f检测到预览图URL: {preview_url}) # 从URL下载预览图 preview_response requests.get(preview_url) with open(preview_from_url.png, wb) as f: f.write(preview_response.content) print(预览图已从URL下载并保存。) else: print(响应中未找到预览图数据。请确认API是否支持该功能或参数名是否正确。) # 即使没有预览也打印其他信息 print(f完整响应: {json.dumps(result, indent2)}) else: print(响应格式异常未找到‘data’字段。) print(f完整响应: {json.dumps(result, indent2)}) except requests.exceptions.RequestException as e: print(f网络请求失败: {e}) except json.JSONDecodeError as e: print(f解析JSON响应失败: {e}) except KeyError as e: print(f解析响应数据时键错误: {e}) except Exception as e: print(f发生未知错误: {e})这个脚本清晰地展示了如何请求预览、如何从两种可能的返回格式Base64 或 URL中提取预览图并保存到本地。你可以在此基础上扩展比如将预览图直接嵌入到 GUI 应用中。5. 功能测试与效果验证现在我们通过具体的测试案例来看看这个功能在实际使用中效果如何以及如何验证它是否正常工作。5.1 测试案例设计我们设计两个测试对比开启和关闭预览功能时的响应差异并验证预览图的有效性。测试1基础功能验证开启预览目的确认 API 支持preview参数且能返回有效的预览数据。请求参数{ model: gpt-image-2, prompt: a simple green leaf, isolated on transparent background, size: 512x512, n: 1, response_format: png, preview: true }预期响应结构{ created: 1234567890, data: [ { url: https://example.com/final_image.png, preview_b64_json: iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mP8/5hHgAHggJ/PchI7wAAAABJRU5ErkJggg, // 或 preview_url: https://example.com/preview_image.png } ] }成功标准HTTP 状态码为 200。响应 JSON 中包含preview_b64_json或preview_url字段。将该字段的数据解码或下载后能得到一张小尺寸的 PNG 图片并且在图片查看器中显示为透明背景棋盘格或灰白格子。测试2功能关闭对比关闭预览目的验证preview参数的作用确认当其为false或不传时不返回预览数据。请求参数将”preview”: true改为”preview”: false或直接删除该字段。预期响应响应 JSON 的data对象中不包含preview_b64_json或preview_url字段仅包含最终的url。成功标准响应结构符合预期无预览相关字段。5.2 效果验证步骤执行测试1脚本运行上面提供的 Python 脚本确保替换了正确的 API_KEY 和 URL。检查控制台输出脚本应打印“API调用成功”并提示检测到预览图数据。查看生成的预览文件在脚本同级目录下找到preview_image.png文件。视觉验证透明度用支持透明度的图片查看器如 Windows 照片查看器可能不显示透明背景推荐使用 IrfanView、XnView 或浏览器打开查看该 PNG 文件。正确效果叶子周围的背景应是透明显示为棋盘格、灰白格子或应用背景色。问题效果背景为纯色如白色、黑色说明模型可能未正确生成透明背景或者预览功能未正确渲染透明度。对比最终文件你可以选择下载final_image.png通过响应中的url用同样的方式打开对比其与预览图在细节和透明度上是否一致。预览图通常分辨率更低或略有压缩。5.3 常见失败原因分析API 返回错误如 400参数错误检查model名称、size格式必须是支持的值如 “256x256”, “512x512”, “1024x1024”是否正确。额度不足检查 API Key 的余额或调用次数是否已用完。无效的预览参数确认preview是否为布尔值或 API 是否已正式支持该参数。响应中无预览字段最可能的原因是preview参数未被 API 识别或尚未在该模型/端点上启用。请仔细查阅最新的官方 API 文档。另一种可能是即使请求了 PNG 格式但模型内部处理未生成透明背景因此预览也无从谈起。确保提示词明确要求了透明背景。预览图背景不透明提示词问题提示词中“透明背景”的指令不够明确或优先级不够。尝试更强烈的措辞如 “isolated on transparent background, no background, alpha channel”。模型限制当前模型版本对复杂主体或特定风格的透明背景生成能力有限。尝试更简单、图标化的描述。预览渲染问题较小概率某些预览生成流程可能丢失了 Alpha 通道信息。可以下载最终文件进行对比验证。6. 接口 API 与批量任务集成透明背景预览功能在批量处理场景下价值最大。下面我们探讨如何将其集成到自动化工作流中。6.1 单次调用与预览解析我们已经在前面的 Python 示例中展示了单次调用的完整流程。核心是构造包含”preview”: true的请求。从响应中提取preview_b64_json或preview_url。解码或下载预览图数据。6.2 批量任务处理框架假设你需要为一批商品描述自动生成透明背景图标。一个健壮的批量处理脚本应该包含以下环节import requests import json import base64 import time import os from concurrent.futures import ThreadPoolExecutor, as_completed API_KEY YOUR_API_KEY API_URL https://api.example.com/v1/images/generations OUTPUT_DIR ./generated_images PREVIEW_DIR ./previews os.makedirs(OUTPUT_DIR, exist_okTrue) os.makedirs(PREVIEW_DIR, exist_okTrue) # 你的批量提示词列表 batch_prompts [ “a minimalist coffee cup icon, transparent background”, “a blue cloud computing logo, flat design, transparent background”, “a smiling robot face, vector graphic, isolated on transparent background”, # ... 更多提示词 ] def generate_image_with_preview(prompt, index): 调用API生成图片并保存预览 payload { “model”: “gpt-image-2”, “prompt”: prompt, “size”: “512x512”, “n”: 1, “response_format”: “png”, “preview”: True } headers { “Content-Type”: “application/json”, “Authorization”: f“Bearer {API_KEY}” } try: response requests.post(API_URL, headersheaders, jsonpayload, timeout90) response.raise_for_status() result response.json() data result[‘data’][0] final_url data.get(‘url’) preview_b64 data.get(‘preview_b64_json’) # 1. 下载最终图片 if final_url: img_response requests.get(final_url, timeout30) final_filename os.path.join(OUTPUT_DIR, f“final_{index:03d}.png”) with open(final_filename, ‘wb’) as f: f.write(img_response.content) # 2. 保存预览图用于快速检查 if preview_b64: preview_bytes base64.b64decode(preview_b64) preview_filename os.path.join(PREVIEW_DIR, f“preview_{index:03d}.png”) with open(preview_filename, ‘wb’) as f: f.write(preview_bytes) print(f“任务 {index} 成功预览已保存。”) return {“index”: index, “status”: “success”, “preview_path”: preview_filename, “final_path”: final_filename} else: print(f“任务 {index} API调用成功但未返回预览。”) return {“index”: index, “status”: “no_preview”, “final_path”: final_filename} except Exception as e: print(f“任务 {index} 失败: {e}”) return {“index”: index, “status”: “failed”, “error”: str(e)} # 使用线程池控制并发注意API可能有速率限制 max_workers 2 # 根据API限制调整 results [] with ThreadPoolExecutor(max_workersmax_workers) as executor: future_to_prompt {executor.submit(generate_image_with_preview, prompt, i): i for i, prompt in enumerate(batch_prompts)} for future in as_completed(future_to_prompt): results.append(future.result()) # 建议在任务间增加短暂延迟避免触发限流 time.sleep(1) print(“\n批量任务完成。结果汇总”) for res in results: print(f“索引 {res[‘index’]}: 状态 - {res.get(‘status’)}”)6.3 基于预览的质量筛选进阶预览图可以用于自动化初筛。例如你可以使用图像处理库如PIL或OpenCV对预览图进行简单分析过滤掉明显不合格的图片例如背景不是完全透明的。from PIL import Image import numpy as np def is_background_transparent(preview_image_path, threshold250): 简单判断预览图背景是否足够透明。 原理检查图片四边边缘像素的Alpha通道值。 返回 True 如果边缘区域大部分是透明的。 try: img Image.open(preview_image_path).convert(‘RGBA’) data np.array(img) # 获取图片四边边缘的像素例如取最外2像素 top_edge data[0:2, :, 3].flatten() # Alpha通道 bottom_edge data[-2:, :, 3].flatten() left_edge data[:, 0:2, 3].flatten() right_edge data[:, -2:, 3].flatten() all_edges np.concatenate([top_edge, bottom_edge, left_edge, right_edge]) # 如果边缘像素的Alpha值中位数很低接近0说明背景透明 # threshold 是一个经验值可能需要调整 median_alpha np.median(all_edges) return median_alpha threshold except Exception as e: print(f“分析图片 {preview_image_path} 时出错: {e}”) return False # 在批量任务完成后进行筛选 good_indices [] for res in results: if res.get(‘status’) ‘success’: preview_path res.get(‘preview_path’) if preview_path and is_background_transparent(preview_path): good_indices.append(res[‘index’]) print(f“图片 {res[‘index’]} 通过透明背景初筛。”) else: print(f“图片 {res[‘index’]} 未通过透明背景初筛可能需要人工复核或重新生成。”) print(f“\n通过初筛的图片索引: {good_indices}”)这样你就可以在下载所有最终大图之前先利用预览图进行一轮自动过滤节省时间和带宽。7. 资源占用与性能观察由于 GPT-Image-2 是云端 API 服务资源占用主要发生在服务端对客户端调用方的性能影响微乎其微。我们关注的“性能”主要体现在 API 调用的延迟、成功率以及数据流量上。响应时间开启预览单次 API 调用的响应时间可能会略有增加。因为服务端需要额外生成一张预览图并进行编码如 Base64。这个延迟通常是毫秒级到秒级的增加具体取决于服务实现。测试方法在你的脚本中记录请求开始和收到响应的时间差。对比preview: true和preview: false时的平均耗时。数据流量开启预览响应体JSON的大小会显著增加因为 Base64 编码的图片字符串体积很大。一个 512x512 的预览图Base64 字符串可能达到几百 KB而关闭预览时响应可能只有几 KB仅包含 URL。影响在批量处理时这可能会增加网络传输时间和内存占用用于解析 JSON。如果返回的是preview_url则首次请求的响应体较小但需要额外发起 HTTP GET 请求来下载预览图。客户端资源内存解析包含大型 Base64 字符串的 JSON 响应会比解析普通 JSON 消耗更多内存。在处理大批量并发请求时需要注意。CPU在客户端解码 Base64 或处理预览图如进行图像分析筛选会消耗 CPU 资源。优化建议按需开启如果不需要预览功能务必设置preview: false或不传该参数以获得最快的响应速度和最小的数据流量。优先使用preview_url如果 API 支持返回 URL 而不是 Base64对于客户端来说更友好可以延迟加载预览减少初始响应解析的压力。异步处理在批量任务中可以考虑将“调用 API 获取元数据含预览URL”和“下载预览图/最终图”拆分为两个异步步骤提高整体吞吐量。设置超时与重试由于生成图片尤其是大尺寸或复杂内容可能耗时较长务必为 HTTP 请求设置合理的超时时间如 60-120 秒并实现重试机制以应对网络波动或服务端临时错误。8. 常见问题与排查方法问题现象可能原因排查方式解决方案API 返回 400 Bad Request1. 请求 JSON 格式错误。2. 参数值无效如size不支持。3.model参数不正确。4.preview参数类型错误。1. 使用json.dumps(payload)打印并检查 JSON 结构。2. 核对官方文档确认参数名和可选值。3. 检查model字段是否为确切的模型标识符。4. 确认preview是布尔值true/false不是字符串。1. 修复 JSON 语法。2. 使用文档中列出的合法值。3. 更正模型名称。4. 将preview值改为true或false。API 返回 401 UnauthorizedAPI Key 无效、过期或未正确设置。1. 检查Authorization请求头的格式是否为Bearer YOUR_API_KEY。2. 在服务商控制台验证 API Key 是否有效、是否有余额。1. 修正请求头格式。2. 更换新的、有效的 API Key。API 返回 429 Too Many Requests触发 API 调用频率限制Rate Limit。查看响应头中的X-RateLimit-*信息了解限制详情。降低调用频率在请求间增加延迟如time.sleep(1)或升级 API 套餐。响应成功但无preview_*字段1.preview参数未生效或不被支持。2. 当前使用的模型/端点未启用此功能。3. 生成的不是透明背景图故无预览。1. 确认请求体中包含”preview”: true。2. 查阅最新版 API 文档确认该功能状态。3. 检查提示词是否明确要求了透明背景并下载最终图片查看。1. 确保参数正确。2. 联系服务商确认功能可用性。3. 优化提示词强调 “transparent background”。预览图背景是白色/黑色不透明1. 模型未成功生成透明背景。2. 预览图生成流程丢失了 Alpha 通道。3. 图片查看器不支持显示透明度。1. 下载最终 PNG 文件用专业图片软件如 Photoshop, GIMP或代码检查其 Alpha 通道。2. 尝试不同的、更简单的提示词。3. 换用能显示透明背景的查看器如浏览器。1. 如果最终文件透明则是预览生成问题可反馈给服务商。2. 如果最终文件也不透明需优化提示词或理解模型能力边界。3. 使用正确的工具查看。Base64 解码失败或预览图损坏1. Base64 字符串格式错误或被截断。2. 响应解析出错。1. 打印preview_b64_json字符串的前后部分检查是否完整。2. 尝试使用在线的 Base64 解码工具验证。1. 检查网络请求是否完整接收了响应。2. 在代码中增加异常捕获和重试机制。preview_url链接无法访问或过期预览图 URL 是临时的可能有过期时间。记录从收到响应到尝试下载的时间差。检查 URL 是否包含过期时间戳参数。收到响应后应尽快下载预览图。如果业务需要持久化应下载后存储在自己的服务器或 CDN 上。9. 最佳实践与使用建议为了稳定、高效地利用 GPT-Image-2 的透明背景预览功能遵循以下实践会大有裨益提示词工程是关键模型生成透明背景的能力高度依赖提示词。使用明确、直接的指令如 “isolated on transparent background”, “no background, only the subject”, “with alpha channel”。将背景描述放在提示词靠前或靠后的位置。对于复杂主体可以尝试 “(subject), professional product photography, clean cutout, transparent background”。先预览后下载在批量生成或调试阶段始终坚持“预览优先”策略。先调用 API 获取预览图在本地进行快速视觉检查或自动化筛选确认效果达标后再触发最终高分辨率文件的下载。这能节省大量不必要的带宽和存储。实现健壮的错误处理你的代码必须能处理网络超时、API 限流、额度不足、响应格式异常等各种情况。使用try…except块记录详细的错误日志并对可重试的错误如网络超时、429 错误实现指数退避的重试机制。管理好预览图生命周期如果预览图以 URL 形式返回要意识到它可能是临时的。不要将其作为永久资源引用。如果需要留存应立即下载到自己的存储系统。如果是 Base64 格式解码保存后也应妥善管理避免占用过多内存或磁盘空间。关注 API 成本与限制清晰了解服务商的定价策略。预览功能是否额外计费调用次数、图片分辨率、生成数量如何影响费用同时严格遵守速率限制避免因频繁请求导致 IP 或账号被临时限制。合规与版权意识生成的图像用途必须合法合规。避免生成涉及真人肖像、知名商标、受版权保护角色等存在潜在法律风险的内容。用于商业项目前请仔细阅读服务商的使用条款。建立效果评估流程对于质量要求高的项目不能完全依赖自动化筛选。建立一个人工复核流程定期抽样检查预览图和最终成图的质量并根据反馈持续优化你的提示词模板和生成参数。GPT-Image-2 API 的透明背景预览功能是一个典型的“小功能大便利”更新。它将原本需要等待完整文件下载后才能进行的质量检查环节提前到了 API 响应瞬间。对于开发者这意味着更高效的调试和集成体验对于最终用户这意味着更流畅的交互和更快的反馈循环。最值得尝试的点在于它极大地优化了“生成-检查-调整”的工作流。你最先应该验证的就是结合你的具体提示词该功能返回的预览图能否准确反映最终透明背景的效果。最容易踩的坑是忽略提示词的精确性以及未正确处理 API 返回的两种预览数据格式Base64 vs URL。下一步你可以探索如何将这个预览功能深度集成到你的内容生产管线、CMS 系统或设计工具中实现从文字描述到可用透明素材的“一键式”生产。同时关注服务商后续是否会开放更多预览相关的参数例如预览图尺寸、质量等以实现更精细的控制。