前阵子帮朋友改一张活动海报。第一版里的人物侧脸很合适，只是手势不对。我把要求写得很细：保持五官、发型、光线，只把右手从桌面抬起来。结果返回的四张图里，脸各自长成了不同的人，衣服纹理也跟着换了。看起来像是同一场拍摄，却像换了四位模特。
这类挫败感，用过图像生成的人大概都不陌生。单张图越做越漂亮，可一旦要求“还是这个人”“还是这间屋子”，模型就开始表现出一种奇特的失忆。它能画出极精细的皮肤质感，却难以在两次输出之间守住一个身份。
它记住的不是人，而是关于人的统计
要理解这种失忆，得先看模型到底在学什么。扩散模型的工作方式，大致是从噪声里一步步还原出图像。训练时它见过大量图片与文字配对，学到的是“什么样的像素组合通常对应什么样的描述”。所以它掌握的更像一种分布层面的印象：人脸该有两只眼睛、鼻梁大致在什么位置、侧光下阴影如何过渡。
但“某一张具体的脸”不在这个分布里。它是一个孤立的点，除非被额外编码并送入模型，否则每次采样都只是从分布中重新抽一次。抽到相似的结果是概率，不是记忆。这也解释了为什么同样的提示词跑两次，风格稳定，身份却漂移。
有些工具提供“参考图”或“角色保持”功能，本质是把这张脸的某些特征转成额外条件，约束采样过程。约束越强，越像，但也越容易僵硬：姿势被锁死、表情变少、背景被拖拽着一起复制。所谓一致性，往往是在自由度和相似度之间做交换。
工作流里的真实摩擦
对做设计的人来说，问题不在于模型能不能画出好看的人，而在于它能不能参与一条需要反复修改的流程。客户说“换一下背景但人别动”，或者连载内容要求主角在十几张插图里保持同一张脸，这些需求听起来平常，落到生成工具上却常常要额外投入。
- 需要先建立可复用的身份参考，而不是每次靠文字描述碰运气；
- 需要在局部修改时隔离改动范围，避免整张图被重新采样；
- 需要接受一定的手工修补，把生成结果当作中间素材而非成品。
这也是为什么不少团队并没有把图像生成当成“一键出图”，而是把它嵌进原有流程：先用它快速试构图和光影，再由人处理身份与细节。它省下的是探索方向的时间，不是收尾的功夫。
边界会移动，但不会消失
一致性技术这两年确实在进步，参考编码、局部重绘、多视图约束都在补这块短板。可以预期，未来“记住一张脸”会变得更容易，成本也会下降。但值得留意的是，这类能力越强，越依赖对具体个体特征的提取与复现，随之而来的授权与使用边界问题也会更具体，而不只是抽象的版权讨论。
回到那张海报。最后我们换了个办法：保留第一版的人物，只把手部区域重绘，再把边缘手动接回去。图像生成负责它擅长的部分，人负责它暂时不擅长的部分。承认这条缝在哪里，比期待它某天彻底消失，可能更实用。