编辑部要做一张配图，需求写得很细：窗边、午后、木质桌面、一杯没喝完的咖啡。图出来了，光影漂亮，杯子却像悬浮着，杯底和桌面的接触关系说不清。改提示词、加约束、换工具，反复几次，仍有哪里不对。这个“哪里不对”，恰好是图像生成值得细看的地方。
很多人以为它卡在“画得像不像”。其实单看质感、色彩、构图，它已经能给出完成度不低的画面。问题往往出在另一层：画面里的东西是否彼此成立。
它学到的是关联，不是因果
图像生成的基本动作，是从大量图文配对里学习“什么和什么经常一起出现”。它知道“咖啡杯”常和“桌面”“窗光”同框，却不一定知道杯子有重量、要落在平面上、液面受重力约束。于是光影对了，接触关系错了；风格对了，结构散了。
扩散模型的工作方式也能解释这一点：从噪声出发，一步步去掉不像图的部分，最后收敛到一个概率上合理的画面。合理不等于正确。手指数目、文字笔画、物体遮挡，常在这种“合理”里被含糊过去。模型没有翻车，它只是按学到的分布交卷。
一致性是另一道坎
做系列图时，问题更明显。同一个角色换一个角度，脸型、发际线、服装细节开始漂移。每次生成相对独立，模型没有持久的“记忆”。参考图、局部重绘、微调，都是把上一次的结果重新喂回去，让它别跑远。这些办法有效，但更像补丁，不是它天生就记得住。
所以，图像生成在单张图上可以很惊艳，到了多张图、长流程里，就要靠人来守住一致性。写清楚约束、固定参考、分批校验，都是笨办法，却省时间。
真正的边界在流程里
我倾向于把它放在“草稿”这一段，而不是“成品”那一段。它的价值是把试错成本压下来：过去要画三版才能讨论方向，现在可以先出十版草稿，再挑方向。但判断哪一版能用，仍然要人来做。提示词写得再细，也替代不了对画面关系的检查。
对内容团队来说，比较实际的做法是：先明确这张图要解决什么问题，再决定让模型参与到哪一步。配图、气氛图、示意图，边界各不一样。把它当快速草稿工具，预期会稳一些；指望它一次交付可用的成图，返工往往更多。
回到那杯咖啡。后来我们把需求改成“杯底与桌面有明确接触，杯身有轻微投影”，又补了一张参考图，问题才收住。图像生成没有突然变聪明，是我们把问题问得更具体了。