一位做独立出版的朋友最近遇到件小事：她想用图像生成工具做一组书封草图，主角是同一只戴围巾的猫。前几张还不错，到了第七张，围巾变成了项圈，猫的毛色从奶油色偏成了橘色。她换了措辞，加了几段描述，结果画面更好看了，但那只猫已经变成另一只。
这种事在图像生成的使用中很常见。我们容易把注意力放在“像不像”“好不好看”上，却忽略了一个更基础的问题：模型能不能记住你刚才说过的那些具体条件，并在下一次仍然守住它们。
好看与听话，是两种能力
图像生成的能力大致可以分成两层。一层是审美与构图，模型在海量图像上学到的“什么看起来像一张图”——光影怎么落，主体怎么摆，背景怎么退。这一层进步很快，很多人第一次用就会觉得惊艳。
另一层是控制，指的是模型能否稳定服从具体约束：同一角色、指定颜色、固定视角、特定比例、别多出一只手。这一层更接近工程问题，也更难。原因并不神秘：模型输出的是一整张图，而使用者给出的往往是局部要求。当局部要求之间发生冲突，模型会自行“折中”，折中的结果就是那只猫的围巾变成了项圈。
所以，画面变美和画面变准，并不总是同步发生。前者靠数据规模和审美对齐，后者依赖对条件的解析与保持。把两者混为一谈，就容易在使用中反复失望。
“记住”到底难在哪
从使用者的角度看，图像生成像是在和一位理解力不错但记性不稳的助手合作。你说了三件事，它可能只记住两件，还可能把第三件理解成相似但不同的东西。这里涉及几个环节：
- 语言到画面的映射本身有模糊地带。“复古”是哪个年代，“柔和”到什么程度，描述越抽象，解释空间越大。
- 多个条件之间会互相挤压。要求“极简背景”又要求“丰富细节”，模型只能各让一步。
- 连续性依赖上下文。单张图里对的条件，换一张图未必还成立，尤其当提示词被改动或省略。
这些环节叠在一起，就形成了那种熟悉的挫败感：明明说清楚了，出来的却不是想要的。值得说明的是，这不等于模型“不聪明”，而是它的工作方式与人的表达习惯之间存在缝隙。人习惯用少量词传达大量隐含信息，模型则倾向于按字面权重去分配注意力。
把要求拆小，比把话说满更有效
在细节控制这件事上，堆砌形容词往往帮不上忙。更实际的做法是把要求分成两类：必须守住的，和可以放开的。前者用尽量具体、可核对的方式表达，比如颜色、数量、朝向；后者交给模型发挥，反而容易得到自然的结果。
另一个经验是减少一次性的复合指令。与其在一段话里塞进角色、风格、构图、光线，不如先固定住角色，再逐步调整其余部分。这样做的代价是步骤变多，好处是每次改动都能看清是哪一条起了作用。图像生成在批量出图时尤其如此：一致性不是靠一句更长的提示词换来的，而是靠约束被逐条确认。
也要接受一些边界。当前阶段，让模型在多次生成中保持同一张脸、同一件衣服的细微纹理，仍然需要额外手段，单靠文字描述很难稳定。知道边界在哪，能省下不少无效尝试。
它适合做什么，不适合做什么
把这些放在一起看，图像生成更像一种快速铺开可能性的工具，而不是精确复刻的执行者。它擅长在方向未定时给出多个版本，帮人看见自己没想到的角度；它不擅长承担对细节零容忍的任务，比如需要严格对应实物规格的图样。
那位朋友后来改变了做法：先用图像生成找书封的气质和配色，再用手工方式把猫的围巾画回去。她说这样反而更快。这个选择未必适用于所有人，但它提示了一件事——把工具放在它擅长的位置上，比要求它无所不能更划算。
图像生成还会继续进步，细节控制大概也会慢慢变好。但在那之前，使用者对它的预期，可能比模型本身更值得调整。