目录
一、案例：纪实易失真，分镜难一致
二、原因：意散实虚逻辑空
三、应对：善放权，巧选材，用附图
四、小结：模型千好万好，契需才是真好
最近3周微信公众号都被ChatGPT Image 2.0刷爆了。
它的真实感、中文渲染、结构化布局、2K分辨率、多图生成能力实在是太强了，赶超Nano banana 2，吊打国内生图工具。
没曾想，我玩着玩着居然就撞见了它的翻车现场。
就在生成我以前没玩过的高难度动作时候，我就发现它有时候没法分辨图像主角的左右。
这个漫天都是"登上王座"的通告、满屏都是GPT实测用例的生图模型，被我瞧见了它落寞的一面。
于是我就在想，到底是什么在为难当前世界第一的生图模型呢？
我想到了个答案，用户角度看，那就是复杂图片，就是出一次图能在图上反映很多AI能力的图片。
一般而言，AI生图能力从指令遵循、想象创造、逻辑性、文字渲染、事实准确、一致性等方面去评判。
从AI生图模型问市到目前，我们见证了N个模型的更新，其中指令遵循、文字渲染能力、事实准确性明显提高，但想象创造、逻辑性和一致性方面，就要看具体模型的能耐了。
越是需要图片兼顾多面，我们就越容易看到生成结果的问题。比如下面这几种情况。
一、案例：纪实易失真，分镜难一致
这里我选用ChatGPT Image 2.0、Nano banana 2和国内龙头模型Seedream 5.0生图分析。
朋友圈
（左由chatgpt生成，中由banana生成，右由seedream生成）
提示词：
画一张照片："宋朝人的朋友圈"/"SONG DYNASTY SOCIAL MEDIA FEED"，古今穿越幽默融合界面设计风格，画面模拟手机社交媒体界面，但内容全部是宋朝场景头像是宋代文人画像，用户名"苏东坡SuShi_Official"，发布内容"刚到黄州，被贬了但心情还行。今天自己做了东坡肉，味道绝了，附菜谱："，配图为工笔画风格的东坡肉特写，点赞列表"苏辙、黄庭坚、秦观、佛印等126人"，评论区是苏辙、黄庭坚、王安石、司马光在评论，苏东坡都回复了他们，具体评论内容请根据情境自由发挥。界面元素如点赞图标用宋代花纹替代，状态栏显示"大宋移动 5G"和"元丰三年"，配色为手机深色模式搭配宋代雅致色调，历史与社交媒体的趣味碰撞杰作
这主要考验生图模型的指令遵循、事实准确和文字渲染能力。
3个模型的指令遵循OK，但细看会发现事实准确上的些许问题。
ChatGPT Image 2.0生图中，司马光的回答有问题，苏东坡发朋友圈的时候东坡肉才诞生，并没有"名声在外"之说，而且他明显也未品尝，"今日一尝"说法有误。这也犯了时间逻辑问题。
Nano banana 2生图中，苏辙的"哥哥"和"轼"的称呼让人出戏。
Seedream 5.0生图中，这个"苏辙"的回复显出不关心哥（不知道哥的情况）。另外还有好几处文字渲染的问题。头像未作具体要求，结果比较敷衍。
宣传海报
提示词：
生成一张横板城市文旅宣传海报，目的地为"广汉·长江文明之源"。画面以手绘插画风格呈现，上方三分之一是三星堆实景摄影配水彩晕染天空，中间三分之一以手绘地图形式展示各景点，并标注景点位置和步行距离，每个景点配一个精致的水彩图标。下方三分之一排列旅行实用信息：高铁站点，推荐的酒店或民宿（展示价格），必吃食品。要配小图标。主标题"广汉·雁江晓月映三星"/"GUANGHAN·DREAMING BACK TO ANCIENT SHU"，青铜元素，古蜀文明的配色。
这考验的能力同上面一样。不过此处AI的事实准确就破绽百出了。
（chatgpt生成）
ChatGPT Image 2.0图像中，现实中不存在的"雁江楼"出现了，步行时间和酒店民宿基本瞎说。它并没有精准的地图定位能力。但相比其他两个模型而言，已经算够好了。
（banana生成）
Nano banana 2还有凭空出现"雁江晓月"景点，图像上部非基于实景而来的问题。Seedream 5.0还多了文字渲染问题，指令遵循令人大跌眼镜。
（2图：Seedream生成）
（PS:广汉的"雁江"是"鸭子河"的古时称法）
彩色漫画
提示词：
彩色现代都市漫画风格，清晰4格漫画。
【主角阿强：戴灰色领带，挂清晰可见的"红色Logo+阿强"工牌，右手戴银色机械表。】严禁文字乱码、畸变。
【格1：准备】茶水间，阿强背后有一面小型简单的四方镜子。阿强左手拿"黄色笑脸"马克杯，右手握透明玻璃热水壶往杯里倒水，透过玻璃能见折射。对话："元气满满一天。"
【格2：疏忽】转头看桌上震动手机，水快满溢。侧光照在工牌。对话："谁发消
息？"
【格3：事故】紧凑特写：热水满溢沿杯缘流出，桌上水流流向手机。笑脸杯依然一致。对话："哎呀！要湿！"
【格4：狼狈】手忙脚乱放下水壶抓手机，水壶撞桌溅起水花。领带歪斜，工牌晃动。对话："呼……还好手机没事。"
像这种指定了大幅的剧情，有环境，尤其是室内环境的漫画或者分镜图片，一致性和逻辑性就很容易崩坏。
（chatgpt生成）
看吧，ChatGPT Image 2.0的图中，第三格水不像水、像凝胶，镜子和手机所处位置发生变化。
（banana生成）
Nano banana 2的图中，阿强的行为逻辑有问题，第三格手应该托着杯把手而不是杯身，镜子和手机所处位置发生变化，最后一格杯子消失。
（Seedream生成）
Seedream 5.0生成的是4张分镜图。图中，因未严格按照指令生成，导致阿强的行为逻辑有问题，不是先放杯子水再溢满，而是先于空中倒水导致溢满，后放桌子水流出。第四格饮水机变矮了，第三格的话语框标示错误。
二、原因：意散实虚逻辑空
复杂图问题频出的原因是多样的。
第一个原因就是复杂图会稀释模型注意力。具体有2个表现：
1.模型无法兼顾多维度。维度就是上面提到的6大评判维度。6个维度的目标会形成竞争，模型生成或优化图像时难以同时满足。
2.多要求下模型易绑定混乱。复杂图片通常有很多主体、配件、动作、背景、文字和风格要求。模型需要把提示词中的每个词绑定到图像中的对应区域。但提示词和图像区域之间的对应不是完全精确的。要素越多，要求越多，绑定错误的概率越高。
第二个原因就是生图模型按"视觉相似"而不是按"符号逻辑"来存储、生成图片。具体指：
1.它在训练时，不会将海量的"事实"（比如上面苏东坡的社会关系及、埃菲尔铁塔的高度）结构化储存为类似百度百科的事实数据库。
2.在生图时，也不能精准检索，当找不到100% 匹配的信息时，它会根据"概率"进行"幻觉创作"，生成"视觉上可信"（比如像人、像城市）的东西。但可信感不等于事实准确。
因此所涉事实信息、逻辑一复杂，得到能用的图像就越难。
第三个原因就是AI生图模型缺乏"3D 物理引擎"直觉。它只有 2D 像素的统计规律，具有空间盲区，无法通过物理建模来推导形变，只能靠幻觉填充。
所以世界数一数二的生图模型，才难以保证生成图片的事实准确性和一致性。
三、应对：善放权，巧选材，用附图
当然也会有应对这些问题的方法。
这里主要讲无门槛、适用小白的办法。
技巧1：放权给生图模型。
刚也讲到了，要求太多，模型会分散注意力。所以我们不妨试着相信模型，给他们自由发挥空间。
当然这个挺考验生图模型的想象创造力。不过目前还是有一些想象创造力高的模型，善解人意，能读懂我们未曾说明的潜在要求，比如ChatGPT Image 2.0、Nano banana 2。
对于这类模型，我们输入的指令不需要很详细，甚至只需输入一句话，就能得到基本满意的作品。因为它们能自动扩充未提及的维度和细节。
若是使用想象创造力较次的模型，则可以套用提示词模板，仅在关键地方作要求，将细节放权给模型。
技巧2：现实题材找大众，商业需求附图生。
若要立足现实的素材进行创作，比如景点、影视IP，则最好选择大众或热门素材，这样模型生成的图像就更易基于现实形象创作，想象延伸情况少，事实准确性更高。
若是商业作图，必须根据公司品牌、本地景点、独有IP生图，则将素材附件加入或融入生成图中，才是最省力做法。
四、小结：模型千好万好，契需才是真好
"模型千好万好，契需才是真的好"。每次看见别人生成的优质复杂图，我们就急着搜集提示词。但有时候又苦恼，明明就基于此根据自己需求改了一点点，为什么生成结果总是不符要求或差些火候。
其实就是差"修成自己专属库存"的环节。
当你对各生图模型的特点烂熟于心，不陷于它们的固有缺点，熟练运用对付缺陷的方法，形成一套自己的生图处理体系，或许你在不知不觉中就成了游刃有余的生图高手。
说不定，还能让这些模型的缺点成为你的笑料。
今天的分享就到这里了，若你对复杂图片问题处理还有其他方法，欢迎在评论区分享和讨论。若你还想了解更多AI资讯、AI工具，掌握AI干货和提示词技巧，可私信或留言哦~~
