一句话定义：图像中的文字渲染（Text Rendering），指让生成模型在画面里写出正确的字符——拼写对、笔画全、能被读出来，而不是画出一片"看起来像文字的笔画"。
它到底在做什么
传统排版引擎的链路是确定的：字符编码 → 字体文件里的字形轮廓 → 按坐标精确填充像素。每一步都可复现，所以一个字的对错是分明的。
生图模型没有这条链路。它把文字当作图像内容的一部分，和木纹、玻璃反光一起学。它学到的是"文字长什么样"的统计规律，而不是"某个字由哪几笔构成"。打个比方：排版引擎是照着字帖一笔一笔描红，生图模型是看过十万张招牌后凭印象临摹——笔画多的字它知道要密，但哪一横压在哪一竖上，靠感觉。
更麻烦的是这个任务零容错。一张图里"大"和"太"的差别可能只占几个像素，在像素相似度上几乎一样，语义却完全不同。这更接近写代码而不是画画：错一个字符就是 bug。此外，文字还是高频细节，而生成模型通常在低分辨率隐空间里做大部分决策，细笔画很容易被抹平、粘连、缺笔，或者干脆多长出几个字。
和相邻概念的区别
| 谁在写字 | 内部表示 | 典型出错形态 |
|---|---|---|
| 排版/设计软件 | 字符编码 + 字体轮廓 | 几乎不会写错字 |
| 文本大模型 | 离散 token 序列 | 改词、续写偏差、幻觉 |
| 图像生成模型 | 连续像素 | 笔画粘连、缺笔、多字、乱码 |
文本大模型之所以能一字不差地复制一段话，是因为字符在它那里本身就是离散符号，复制是原样搬运；图像模型没有"复制字符"这个动作，它只能"重新画一遍"。
对实际工作的意义
需要准确文字的场景——品牌名、价格、参数、法律声明、界面文案——不要把正确性押在生图模型的手感上。更稳的做法是：让模型留出干净的空白区域，再用排版工具把文字叠上去；或者把文字当作独立图层后期合成。如果确实要模型直接写，尽量控制字数短、语言常见，并逐字人工校对。
评估生图模型时，文字能力要单独测：短词、长句、小字号、中英混排会暴露不同的问题，光看"画面好不好看"完全测不出来。各家模型对文字渲染的支持程度和限制不同，具体以官方页面为准。