一个做电商详情页的朋友抱怨过一件事：图已经挺好，客户也点头，只要求把杯子往左挪一点、把背景的绿换成米白。听起来是十分钟的活，他却要重新跑一遍提示词，指望这次随机出来的结果刚好也顺眼。图像生成在这类时刻露出的短板，跟“画得好不好看”关系不大。
一次成型，改动却无处下手
多数模型的产出方式，是从噪声一步步还原成完整画面。这个过程里没有“图层”的概念，也没有留给人插入修改的接口。整张图是一个整体，牵一处而动全身。想动一个杯子，模型并不会理解“只动杯子”，它倾向于把整幅画重新协调一遍，于是光线、阴影、桌面纹理跟着一起变。
现有的补救办法是遮罩重绘：把要改的区域圈出来，让模型只在这个范围里重新生成。用起来却常有两处别扭。一是边界，圈内圈外的色调、颗粒感、光照方向容易接不上，接缝会自己冒出来；二是区域稍大，模型就开始自作主张，把没让它动的东西也顺手改了。修一张图的时间，有时超过重画一张。
提示词不是操作杆
文字描述天然是全局的、模糊的。“把光从左改到右”在语言里是一句话，落到像素上是成千上万个数值的重新协调。语言擅长说意图，不擅长说坐标。把这两件事混在一起，就会得到一种奇怪的体验：你越努力描述，结果越不可预期。
于是有了另一条路——用结构约束代替口头描述。边缘图、深度、姿态、参考图，这些形式的共同点是把“要保留什么”从语言里挪出来，交给更擅长表达它的载体。语言负责说“什么风格”，结构负责说“哪里不许动”。分工清楚之后，可控性才谈得上。
评估比生成更难
还有一层不容易被注意到的困难：一张图是否“改对了”，很难用自动指标说清。整体观感、局部一致性、和原图的偏离程度，这三者之间没有统一的换算关系。模型给出四张候选，挑哪张仍然靠人眼。这意味着即便生成速度再快，流程里那一段人工审看的环节也省不掉。
所以我对图像生成的判断比较保守：它把“从无到有”的成本压得很低，却把“从有到改”的成本留在了原地。真正决定它能否进入日常工作流的，往往不是分辨率或风格多样性，而是改一次要花多少力气。当修改像调一个滑块那样可预期时，它才从演示走向工具。