让一个图像生成模型画“有人蹲下系鞋带，右手正拉住鞋带”，衣服褶皱和脸部往往先让人满意，手却容易出问题：指节方向不对，拇指像从掌侧长出来，或者两根手指黏在一起。这个场景不罕见。手成了检查生成画面时容易被盯住的地方。
它学到的不是骨骼
扩散模型在训练中做的是从噪声里逐步还原图像。它擅长捕捉纹理、光影和构图上的统计规律，却没有一条显式的骨骼链约束手指。手掌转过去多少度、食指该压在哪根鞋带上、指尖被鞋面挡住后还剩几毫米，这些关系需要三维结构和运动学常识。生成过程接近在潜空间里寻找一个“看起来合理”的像素排布，局部可信，不等于全局成立。
手在训练图里常是配角
翻看日常照片，手出现的频率不低，但清晰、完整、姿势明确的手并不多。它们常被物体遮住，被虚化，或者只露出几根指头。模型从这些样本里学到的是“手常和袖子、杯子、键盘一起出现”，而不是“五指如何共用一组关节”。当提示词要求一个不常见的动作，模型缺少可参照的结构，就会往平均值上靠。多指、断指、关节反向，往往是这种平均化失败的表面症状。
我们为什么一眼看见
人对自己的手很敏感。手能传递动作意图、年龄和状态，日常交流中我们习惯读手。画面里其他部分稍有偏差，观者可能放过；手指数量不对，几乎立刻被注意到。这也让“画不好手”显得普遍。换一个角度看，手部问题是一面放大镜，把模型对遮挡、透视和接触关系的理解不足暴露出来。
把它放回流程
把图像生成放回实际流程，期待会变。用它出情绪板、找构图、试材质，省时间；要求一次生成就交付一张手部特写，风险也高。可行的做法是拆分任务：先生成整体氛围，再用姿态参考约束手部骨架，最后局部重绘。提示词里写清“掌心朝向镜头”“拇指在左侧”“手指自然弯曲”会有帮助，但文字对三维关系的描述带宽有限，不能替代参考图。
- 先判断手在画面中的重要性：是主体，还是背景陪衬。
- 需要精确动作时，给骨骼或深度参考，别只靠形容词。
- 生成后放大检查指节、指甲方向、手指与物体的接触点。
- 保留局部重绘的余地，不把一次采样当成终稿。
图像生成更像一种基于分布的画面先验，不是理解了人体之后再做画。这个判断不浪漫，却有用。它提醒我们，手部瑕疵不是靠堆叠提示词就能消失的，而是要在参考、迭代和人工检查里被消化。下一次看到一只奇怪的手，不妨把它当作一个信号：模型在告诉我们，它还在猜。