把同一句提示词贴进输入框，连按二十次生成。二十张图里，构图大致相似，细节却各走各的：有的手指多出一根，有的把远处的路灯挪到了窗前，还有一张把“黄昏”理解成了室内暖光。这不是某一次偶然，而是我最近反复做的一个小测试——它比任何演示都更能说明图像生成当前的状态。
随机性不是故障，是方法本身
扩散模型的工作方式，是从一团噪声出发，一步步去掉噪声，逼近一张符合描述的图。这个“去噪”过程带有随机起点，采样路径也不唯一。固定随机种子能让结果稳定，但换一个种子，画面就可能换一副脾气。所以当有人问“同样的提示词为什么出不来同样的图”，答案往往不在提示词，而在采样这一层。
这带来一个容易被忽略的后果：演示时挑一张好看的，很容易；要在一批结果里稳定拿到可用的，需要反复试。生成的门槛降了，筛选的成本升了。
提示词更像描述，不像指令
很多人习惯把提示词当命令写，期待模型逐条执行。实际体验里，它更接近一段模糊的描述。空间关系常常失守——“左边一只杯子，右边一本书”，十次里有几次会把两者叠在一起。否定词也常被误读，写“不要红色”，画面里反而冒出红色元素。
这并非模型故意作对，而是训练时图文配对的方式决定的：文字提供的是整体语义，像素级的对应关系并没有那么强。理解这一点，写提示词时就会少一些“我说了它就该照做”的期待，多一些对结果的预判。
一致性问题比画质更棘手
单张图的观感已经能骗过不少人的眼睛，但要把同一个角色放进不同场景、不同角度，问题立刻出现。脸型、发型、衣服细节在几次生成之间漂移，越到后面越不像同一个人。常见做法是用参考图、角色微调或额外的嵌入向量来约束，这些手段有效，却都不是零成本的开箱即用。
对做内容的人来说，这决定了一件事：图像生成适合快速铺开草图和方向，却还不适合独自承担需要严格连贯的系列产出。中间那道人工挑选和修补的工序，目前省不掉。
可控的边界在哪里
局部重绘、构图控制、姿态参考这些能力，确实把可控性往前推了一截。但边界依然清晰：画面里的文字容易糊，精确的排版和尺寸要求常常落空，多主体之间的互动关系也难以稳定指定。越是要求分毫不差的任务，越需要人接手。
我的判断是，评价图像生成不该只看单张的惊艳程度，而要看它能否被重复、被约束、被接进既有的流程。一张好图可以靠运气，一批稳定的图只能靠方法。等哪天同一句提示词跑二十遍，二十张都能用，这项技术才算真正从演示台走进了工作间。