深夜给一篇稿子配图，打开图像生成工具，输入描述，出图。第一版背景有云、有光斑、有飘落的花瓣，主体被稳稳放在画面正中。第二版加了“简洁”，花瓣没了，云还在。第三版把“留白”写进去，画面终于空了一点，但空得很刻意，像有人拿橡皮擦硬擦出来的。
这个反复的过程，大概是很多人用这类工具的共同体验：让它画什么不难，难的是让它少画一点。
它为什么总是画得太满
扩散模型的工作方式，是从一团噪声开始，一步步去掉噪声，逐渐显出画面。决定每一步往哪个方向去噪的，是它在训练中学到的“图片大致长什么样”。而训练素材里，绝大多数是被反复打磨过的成品图——构图完整、信息密集、没有废笔。
于是模型形成了一个偏向：一张合格的图，应该是填满的。留白、含糊、未完成感在数据里属于少数派，模型没有理由主动往那个方向走。你看到的“过度完整”不是它偷懒，恰恰是它太忠于所见。
提示词越写越长之后
很多人应对的办法是把提示词写长，把不想要的东西一条条列出来。初期有效，很快遇到天花板：约束越多，模型越要在中间折中，结果往往是一张各方面都还过得去、但没有任何一处在使劲的图。
这像跟一个非常听话但缺乏判断力的助手沟通。你给的每条指令它都执行，可它不会替你决定哪条更重要。
那些正在收敛的错误
过去常被吐槽的手指结构、文字渲染、物体穿插，这两年确实在变好。这容易给人错觉，以为剩下的只是时间问题。
但有些问题不属于“画得对不对”。比如光影方向的一致性，单看画面合理，一旦要放进实际场景，就会发现光源对不上。再比如同一角色在不同画面里的稳定程度，稍微换个角度，气质就变了。这不是精度问题，是理解问题。
可复现性才是工作流里的硬骨头
同一个提示词，两次运行给出的结果可能差别很大。对随手玩玩的人是惊喜，对需要连贯产出的人是麻烦。常见做法是固定随机种子、垫参考图、把参数记下来，本质上是在给一个概率性的过程套上确定性的外壳。
这也改变了使用者的心态：不是“创作一张图”，而是“从一批结果里挑一张”。挑选本身成了工作的一部分，而挑选的标准，工具帮不上忙。
几条需要提前想清楚的边界
- 素材来源。训练数据的授权问题在不同地区有不同处理方式，商用之前值得花时间确认，别默认“能生成就能用”。
- 可信度。画面精致不再等于内容可靠。判断一张图，越来越依赖它从哪来，而不是它看起来如何。
- 同质化。工具的默认审美会渗透到使用者的选择里。用的人越多，视觉语言越趋同，这件事不会立刻显形，但会慢慢发生。
我的看法
把图像生成当成草稿工具，比当成成品机器更靠谱。它擅长快速给出十个方向，让你知道自己不要什么；不擅长替你做最后那个决定。在日常的图像生成工作流里，最耗时的环节往往不是出图，而是判断哪张该留下。
回到开头那个深夜。最后我关掉工具，用了一张自己拍的、有点糊的照片。它不完美，但那块空出来的地方，是我决定的。