上周帮朋友改一张产品图，背景要换成浅灰的水泥墙。他把需求说给我，我转手敲进一个图像生成工具里：一句话，等了十几秒，出来四张。前三张都像那么回事，第四张的墙面上多了一道不该有的裂缝。他看了一眼说，就这个吧，挺好。
我没说话。那道裂缝不在任何人的描述里，是模型自己补上去的——在它的经验中，水泥墙大概就该带点破损。这类“自作主张”是图像生成最日常的一面，既不惊艳也不出错，只是悄悄改掉了你想要的东西。
描述与意图之间，隔着一段没人写下来的话
文字再细，也细不过脑子里的画面。写“暖色调”“柔和光”“简约风”，每个词都指向一片模糊地带，模型在模糊地带里做选择，依据是它见过的样本。于是同一段提示词跑十次，得到十种“简约”。这说不上不稳定，只是它替你做了决定。
所以有效的做法往往不是把提示词写得更长，而是先想清楚哪些东西不能动。主体形状、标志位置、产品比例，这些要单独拿出来约束，剩下的交给它发挥。分不清“必须”和“随便”，就会被结果牵着走。
一致性那道墙
单张图好看不难，难的是第二张、第三张和第 N 张看起来像同一个人、同一个空间、同一套光。角色的脸、衣服的褶皱、房间的窗子朝向，只要有一处漂移，整组图就散了。现在常见的做法是给参考图、锁住某些特征，或者先做一张“定妆照”再围绕它扩展。方法在变多，但没有一种能让这件事彻底省心。
这也是不少团队试用之后又退回原流程的原因：修改成本并没有消失，只是从“画”挪到了“挑”和“调”。一个人一天生成几百张，最后能用的还是那几张，剩下的时间花在筛选上。
它擅长的是“像”，不是“是”
图像生成处理的是视觉上的合理，不是事实上的准确。手部结构、文字排版、机械零件的咬合关系，这些需要严格对应的部分，仍然容易出问题。文字尤其明显，拼写、字形、间距经常要回到后期返工。把这类任务整段交出去，省下的时间和返工的时间常常互相抵消。
比较务实的用法是把它放在流程前端：找方向、试配色、出几版气氛稿，让人先看见可能性，再决定往哪走。定稿阶段该用传统手段还是用传统手段。
一个绕不开的问题
训练素材的来源，一直是这个领域没讲清楚的部分。不同工具的处理方式不一样，有的提供商用授权，有的条款写得含糊。企业用图涉及对外发布，这一点值得在动手之前问一句，而不是等出了问题再回头翻协议。我不认为这是个能靠“大家都这么用”糊弄过去的问题。
回到开头那张图。朋友最后用了第四张，我问他那道裂缝要不要修掉，他说不用，看着挺真实。这大概就是图像生成现在的处境：它给出的东西经常不完美，但足够让人接受，而接受的标准，正被它一点点改写。