给同一个人物安排二十个场景，是设计工作里再普通不过的需求。可当这件事交给图像生成工具，麻烦往往从第二张图就开始了：第一张里那双略微下垂的眼角，到第三张变成了标准杏仁眼；昨天那件洗得发白的牛仔外套，今天换成了挺括的夹克。你并没有改提示词，甚至把种子也锁死了。
这并不意味着工具“不听话”，真正的原因在于它理解世界的方式和我们不同。
它记住的是“像”，不是“这一个”
多数图像生成模型在训练时学到的是海量图片背后的统计规律：人脸大致长什么样，外套通常有几颗扣子，光线从左边来会留下什么阴影。它擅长回答“一张符合描述的画面应该是什么样”，却不太擅长回答“还是刚才那个人”。
换句话说，模型内部并没有一个稳定的人物档案。每次生成，它都在根据提示词重新采样一次，随机性既是画面丰富度的来源，也是同一角色跑偏的原因。固定随机种子能减少波动，但只要提示词、宽高比或模型版本稍有变化，那点脆弱的稳定性就会失效。
人们在用什么办法把它“拴住”
围绕这个问题，逐渐长出了几类做法，各有取舍。
- 参考图约束：把已有的人物图作为条件输入，让模型在生成时向它靠拢。上手快，但对角度、光照的泛化能力有限，换个侧面就可能失真。
- 固定种子与参数：把随机因素压到很低，适合短序列、小范围复用，一旦场景跨度变大就力不从心。
- 针对单个人物做轻量微调：用十几张多角度素材训练一个小型附加模块，把“这个人”的特征外挂到模型上。稳定性和自由度都不错，代价是需要素材、需要时间，也存在过拟合的风险。
- 先出草图再生成：用人画的构图、姿态作为骨架，模型只负责材质和光影。控制力强，但人工投入并没有真正减少。
这些方法并不互相排斥，实际工作里常常叠着用。它们的共同点在于：都在用外部手段弥补模型内部缺少的那份“记忆”。
控制与灵气之间的那条线
值得多想一层的是，约束越紧，画面往往越“安全”，也越平。为了让角色在二十个场景里保持一致，你需要把描述收窄、把参考图加重、把随机性压低，结果就是每张图都规整、都对，却少了那种意外的好光。图像生成真正迷人的部分，恰恰来自采样时的那点不可预测。
所以这里没有标准答案，只有配比。做角色设定集、绘本分镜、系列广告这类需要连贯性的活，稳定性优先；做概念探索、气氛草图、视觉试错，就该主动放开限制，让模型多跑几次。把两件事混在一次生成里，通常两头都不满意。
它现在还替代不了什么
一致性只是问题的一面。人物的情绪是否成立、动作是否符合物理、镜头语言是否服务于叙事，这些判断依然要靠人来下。工具能在一分钟内给出二十个方案，但决定哪一个值得继续做下去，仍然是个需要经验的动作。
我更愿意把当下的图像生成看作一台反应很快的草稿机：它缩短了“从想法到看见”的距离，却还没有接管“从看见到想清楚”的部分。理解它的脾气，比反复调整提示词更有用。