很多人第一次用图像生成，是从一句随手写下的话开始的：几个词，等几秒，得到一张看起来还不错的图。新鲜劲过去之后，真正想把它放进日常流程的人会撞上另一类问题——不是「能不能画出来」，而是「能不能按我的意思改」。
出图是瞬间的事，改图不是
一张图生成出来只要几秒，可它往往不是你要的那张。差一点构图，多一只手，光影方向不对。这时候你会发现，重新写一遍提示词、再抽几次，成本并不低；而你想做的其实是「只动这一块，别的地方别变」。
围绕这个需求，长出来的是一整套操作：圈定区域重绘、给参考图约束姿态和构图、固定随机种子以便复现。这些手段解决的是同一个问题——把一次性的「抽卡」变成可以反复调整的过程。
- 指定区域替换，其余部分保持不动；
- 同一角色或同一产品在多张图里保持一致；
- 风格统一，便于成组使用；
- 图中文字清晰可读，而不是似是而非的笔画。
这四件事听起来朴素，做起来各有各的难处。它们也解释了为什么很多人对图像生成的评价，在用过一周之后会明显变化：初见时的惊艳，和第十次修改时的耐心，不是一回事。
语义和像素之间，隔着一段路
模型处理的并不是我们看到的画面，而是被切碎、编码后的一串表示。它擅长纹理、光影、材质这些连续的东西，对计数、方位、文字这类离散且要求精确的信息，就没那么稳定。让它画「三只杯子」，可能得到四只；让它画「左边的杯子是红色」，颜色未必落在左边。
这不是画工问题。训练数据里，大部分描述本身就不精确，模型学到的是一种统计上的「大概如此」。所以当需求从「看着像」变成「必须对」时，提示词的作用会迅速衰减，得靠额外的结构约束去补。
一致性常被低估
单张图好看不难，难的是第二张、第三张还能接上。做系列插画、电商主图、品牌物料的人对此体会更深：同一张脸换一个角度就变了个人，同一个包装换个场景就换了字体。目前的常见做法是引入参考图、训练轻量的适配层，或者干脆在一张底图上做延展。
这些办法有效，但都带着工程补偿的味道——它们是绕着模型的能力边界走，而不是边界本身消失了。
还有一条不那么技术的边界
训练数据的来源、生成结果的可追溯、商用时的权利归属，这些问题在具体项目里往往先于画质成为阻碍。不同地区对合成内容的标注要求并不一致，平台规则也在变动，落到执行层面，稳妥的做法是保留生成记录、标注来源，并对涉及真实人物或品牌标识的内容格外谨慎。
技术圈常讨论模型能力的天花板，但真实使用中，先碰到天花板的往往是流程和规则。
判断标准正在悄悄变化
早两年，人们评价一张生成图，看的是「像不像真的」。现在更常见的问法是：能不能控制、能不能复现、出了问题能不能查到原因。这几个词都不性感，却决定了它能不能被稳定地用在生产环节。人们对图像生成的期待，也从「一次灵感」慢慢变成了「一套工具」。
我的判断是，接下来一段时间里，体验上的明显改善可能更多来自工作流——素材怎么管、参数怎么存、修改怎么留痕——而不是单次生成那一下的观感。对使用者来说，把用过的提示词、种子和参考图存下来，这个不起眼的习惯值得养成。