企业官网建设流程全解析

AI绘画工具迭代的速度，快到让人有点跟不上节奏。前脚刚把一套工作流跑顺，后脚一个版本更新就把原来的痛点给抹平了。这次引起我注意的，是图生图环节里那个被念叨了大半年的老问题——人物一致性。做过角色系列图的人都懂，同一个角色换个姿势、换个场景，脸就跟着变了，出十张图能凑出十张不同的脸，后期修图修到怀疑人生。这次更新把图生图的人物一致性控制能力提了上来，配合参考图机制，算是把这块短板补上了一大截。下面我结合自己这几天的实测，把这次更新的核心变化、参数逻辑、实操流程和踩过的坑，完整地捋一遍。不管你是刚接触图生图的新手，还是已经在跑角色系列的老手，应该都能从里面找到能直接抄作业的东西。

1. 这次更新到底动了哪块骨头

1.1 人物一致性为什么一直是图生图的老大难

要理解这次更新的价值，得先搞清楚人物一致性为什么难。图生图的本质，是拿一张参考图作为起点，让模型在这个基础上重新生成。问题在于，模型对"参考图"的理解是全局的、模糊的——它看到的不只是那张脸，还有构图、光影、背景、服装纹理，所有这些信息会被揉成一团，一起参与生成。你想保留脸，但模型顺手把原图的姿势、背景、色调也一起保留了，或者反过来，你想换个姿势，结果脸也跟着换了。

这背后的技术原因，是传统的图生图控制信号强度是"一锅端"的。参考图的权重调高了，整体都像原图，姿势换不动；权重调低了，脸就守不住。中间那个平衡点非常难找，而且不同角色、不同风格下这个平衡点还不一样。我之前的做法是反复试权重，从0.5试到0.8，一张一张看效果，运气好半小时能出一张能用的，运气不好一下午都在跟脸较劲。

更麻烦的是多图参考的场景。比如你想让角色A穿上某套衣服、站在某个场景里，传统做法是把多张图拼在一起喂进去，但模型对多张图的信息分配是混乱的，经常出现脸用了图一、衣服用了图二、但整体风格跑偏的情况。这种"信息串味"是角色系列图最大的效率杀手。

1.2 新机制的核心思路：把"脸"和"其他"拆开控制

这次更新的核心思路，我理解下来是把参考信息做了更细粒度的分离。简单说，就是让模型在参考图里能更明确地区分"这是人物的身份特征"和"这是画面的其他元素"，然后允许你分别控制这两部分的保留强度。这个思路其实不新鲜，之前一些第三方工作流里就有类似的手动拆分做法，但这次是原生集成进了图生图流程，省掉了大量手动折腾。

从实际效果看，最直观的变化是：当你把人物一致性相关的控制项调高时，脸能稳住，但姿势和背景的可变性明显比之前大了。以前那种"调高权重就整体锁死"的僵硬感减轻了很多。我拿同一个角色试了站姿、坐姿、侧身三个不同姿势，脸部的相似度目测能到八成以上，而姿势的差异是实打实的，不是那种"换了个角度但还是同一个僵硬姿势"的假变化。

这里要提醒一句，原生集成不等于万能。它对参考图的质量要求反而更高了。如果你喂进去的参考图本身脸部就模糊、角度太偏、或者光线很怪，新机制也救不回来。我试过一张侧脸45度、光线偏暗的图，出来的正面图脸部特征明显漂移。所以参考图的挑选标准，后面我会单独讲。

1.3 和旧版图生图的直观对比

为了让大家有个量化概念，我做了个简单的对比测试。同一个角色、同一张参考图、同样的提示词，分别用旧版流程和新版流程各出10张图，统计脸部可用率和姿势多样性。

这个数据是个人实测，不是严谨的benchmark，但趋势是清楚的：脸部稳定性和姿势自由度同时提升了，这在旧版里是互斥的。耗时下降主要来自试错次数减少，不用再反复调权重碰运气。

提示：新版机制对参考图的依赖更"精准"，意味着参考图选得好，效果提升立竿见影；选得差，问题也会更集中地暴露在脸上。选图这步千万别省。

2. 参考图怎么选，决定了八成的成败

2.1 参考图的三个硬指标

新机制把人物特征提取得更细，这带来一个副作用：参考图里的瑕疵也会被更清晰地"学"过去。所以选参考图不能像以前那样随便找张能看的就行，得按硬指标来筛。

第一个指标是脸部清晰度。分辨率要够，五官边缘要锐利，不能有涂抹感或噪点。我一般要求参考图的脸部区域至少占画面三分之一，且能清楚看到眼睛、鼻子、嘴巴的轮廓。模糊的脸喂进去，出来的脸一定是"平均脸"，特征全丢。

第二个指标是角度中性。正面或接近正面的角度最稳，微微侧转（15度以内）也可以接受。超过30度的侧脸，模型在补全正面特征时会大量"脑补"，脑补的结果就是不像。我试过用一张侧脸图生成正面，出来的脸跟原角色完全是两个人。

第三个指标是光线均匀。避免强烈的单侧光、逆光、或者脸上有明显阴影切割。光线不均会让模型把阴影当成脸部特征的一部分学进去，生成时在别的光线下就会显得脸型怪异。自然光、柔光、正面补光是最理想的。

2.2 多图参考时的信息分配技巧

这次更新对多图参考的支持也更明确了，但信息分配仍然需要你主动引导。我的经验是：每张参考图只承担一个明确职责，不要指望一张图同时提供脸、衣服、场景。

具体操作上，我会准备三张图：第一张专门给脸（正面清晰、光线均匀），第二张专门给服装（全身或半身，能看清衣服结构），第三张给场景氛围（不需要有人物，纯环境图）。然后在参考图配置里，把脸部那张的人物一致性权重拉到最高，服装和场景图的权重相应降低。这样模型就不会把服装图里的脸也当成参考，避免"两张脸打架"。

这里有个容易踩的坑：很多人习惯把同一张图既当脸部参考又当服装参考，觉得省事。但同一张图承担多个职责时，模型对它的信息提取会互相干扰，尤其是当这张图的光线和你想生成的场景光线不一致时，服装的质感会跟着光线一起跑偏。分开喂，各司其职，效果稳定得多。

2.3 参考图预处理：裁切与增强的实际操作

选好图之后，别急着直接喂。我习惯做两步预处理，能明显提升稳定性。

第一步是脸部区域裁切。把参考图裁到以脸为中心、保留少量肩颈区域的比例。这样做的好处是减少背景信息对人物特征提取的干扰。裁切比例我一般控制在脸部占裁切后画面的40%到50%，太小了特征不够，太大了又丢了发型和脸型的整体关系。

第二步是轻度锐化与对比度微调。注意是轻度，不是暴力增强。我用的参数大概是锐化强度20%到30%，对比度加5到10个点。目的是让五官边缘更清晰，方便模型提取特征。过度增强会引入噪点和伪影，反而有害。如果你手头没有图像处理工具，很多在线工具的基础增强功能就够用，关键是别过头。

注意：预处理后的图不要反复保存成有损格式，每保存一次JPEG就多一层压缩伪影。建议中间过程用无损格式，最后再转。

3. 参数面板的逐项拆解与调参逻辑

3.1 人物一致性权重的取值区间

这是这次更新里最核心的参数。我的实测结论是：0.65到0.8是甜区，具体取值看你对"像"和"活"的取舍。

权重0.65左右，脸部相似度大概七成，但姿势和表情的自由度很高，适合需要角色做大幅度动作、或者表情变化丰富的场景。权重0.8左右，脸部相似度能到八成五以上，但姿势会相对收敛，适合角色定妆照、系列封面的场景。超过0.85，脸部确实更稳，但整体会开始发僵，姿势变化幅度明显变小，有点像"换背景不换人"的感觉。

低于0.6的话，脸部就开始漂了，除非你的提示词里对人物特征描述得非常详细，否则不建议。我一般默认从0.72起步，根据第一张出图的效果再微调，往上加0.03或往下减0.03，小步试探，别一次跳太多。

3.2 参考强度与重绘幅度的配合关系

这两个参数要联动看。参考强度决定"多大程度上听参考图的"，重绘幅度决定"多大程度上重新发挥"。两者是此消彼长的关系，但又不是简单的反比。

我的经验配比是这样的：人物一致性权重定在0.72时，参考强度放在0.6到0.7之间，重绘幅度放在0.45到0.55之间。这个组合下，脸能守住，同时模型有足够空间去调整姿势和背景。如果你把重绘幅度拉到0.7以上，即使人物一致性权重很高，脸也会开始漂，因为重绘幅度太大意味着模型在大量重新生成，参考信息被稀释了。

反过来，重绘幅度低于0.35时，画面会非常接近参考图，姿势基本换不动。所以想要"换姿势保脸"，重绘幅度不能太低，得给模型发挥空间，靠人物一致性权重去拽住脸。

3.3 提示词与参考图的权重博弈

这里有个很多人忽略的点：提示词和参考图是在争夺控制权。如果你的提示词里对人物外貌描述得非常具体（比如详细写了发型、脸型、五官特征），那提示词本身就在强化人物一致性，这时候参考图权重可以适当降低。反之，如果提示词很简略，主要靠参考图来定人物，那参考图权重就得拉高。

我的做法是：提示词里只写"变化的部分"，比如姿势、表情、场景、光线，人物外貌特征用最简短的词带过（比如"same character"这类占位描述），把人物一致性的活儿主要交给参考图机制。这样职责清晰，调参也简单——脸不像就调参考图权重，姿势不对就调提示词和重绘幅度，不会互相打架。

这张表是我自己跑下来觉得比较稳的几组配置，可以直接拿去当起点，再根据具体角色微调。

4. 完整实操流程：从一张参考图到一组角色图

4.1 环境准备与基础设置

先把基础环境理顺。进入图生图界面后，确认使用的是更新后的模型版本，这个在模型选择里能看到版本标识。参考图上传区域这次多了人物一致性的独立控制项，如果你没看到这个选项，大概率是模型版本没选对，或者界面缓存没刷新，重新加载一下就好。

基础设置上，采样步数我一般放在28到35之间，采样器用常用的那几种都行，差异不大。分辨率建议先按参考图的比例来，别一上来就拉大尺寸，大尺寸下人物一致性会稍微弱一点，等构图定下来再放大。批次数量建议一次出4张，方便对比挑选，出太多反而挑花眼。

4.2 第一轮出图：定基调而不是求完美

第一轮的目标不是出成品，是定基调。我的做法是：人物一致性权重0.72、参考强度0.65、重绘幅度0.5，提示词只写场景和姿势，人物描述从简。出4张，看脸部相似度和整体构图。

这一轮重点看两件事：脸有没有守住，姿势有没有按预期变化。如果脸明显不像，先把人物一致性权重往上加0.05再试；如果姿势完全没变，把重绘幅度往上加0.05。一次只调一个参数，别同时动两个，不然你分不清是哪个起了作用。这个"单变量调试"的习惯，是我踩了无数坑之后养成的，能省掉大量混乱。

4.3 第二轮微调：针对具体问题的定向修正

第一轮定下基调后，第二轮做定向修正。常见的问题和对策我整理了一下：

• 脸像但表情僵：人物一致性权重略降0.03，提示词里加表情描述，重绘幅度微升。
• 姿势对了但脸漂：人物一致性权重加0.05，参考强度同步加0.05，重绘幅度不动。
• 服装质感不对：单独加一张服装参考图，降低它的权重到0.4左右，避免干扰脸部。
• 背景串味：检查参考图是否背景太抢眼，必要时把参考图背景裁掉或虚化后再喂。

第二轮一般出4到6张就能挑出可用的。如果两轮还不行，别硬调，回头检查参考图质量，八成是图的问题不是参数的问题。

4.4 批量生成时的稳定性保持

要出一组图（比如同一个角色的十个不同场景），稳定性是关键。我的做法是：第一张满意之后，把这一组的参数完全锁定，只改提示词里的场景和姿势描述，其他一律不动。这样出来的系列图，人物特征的一致性最高。

有个细节要注意：批量生成时，如果某一张的脸突然漂了，别急着改全局参数，先看那张的提示词是不是无意中引入了和人物特征冲突的描述。我遇到过提示词里写了"短发"但角色是长发，结果那张图的脸跟着发型一起变了。提示词和参考图冲突时，模型会做妥协，妥协的结果往往就是脸不像。

5. 实测中暴露的问题和应对办法

5.1 复杂姿势下的脸部崩坏

大幅度动作，比如跳跃、转身、弯腰，是人物一致性的压力测试。实测下来，这类姿势下脸部崩坏的概率明显上升，尤其是转身和低头这类脸部被部分遮挡的姿势。原因不难理解：参考图给的是正面清晰脸，模型要把它映射到一个侧转或低头的角度上，映射过程中特征会损失。

应对办法有两个。一是对这类姿势，把人物一致性权重拉到0.8以上，同时接受姿势幅度稍微收敛一点，别追求极限动作。二是如果必须要大动作，考虑用两张参考图，一张正面脸、一张接近目标角度的脸，让模型有更多角度信息可参考。第二张的权重可以低一些，0.4左右，起辅助作用。

5.2 光线剧变时的肤色与质感漂移

从室内暖光换到室外冷光，或者从柔光换到硬光，肤色和皮肤质感容易跟着漂。这不是人物一致性机制本身的问题，是模型对光线的理解会覆盖部分参考信息。我的处理方式是：在提示词里明确写出光线类型和色温倾向，比如"cool daylight, soft shadow"，给模型一个明确的光线指令，减少它自由发挥的空间。同时参考图尽量选光线中性的，别用那种氛围光很强的图。

5.3 多角色同框时的特征混淆

一张图里放两个角色，各自有参考图，这是最容易翻车的场景。实测中常见的问题是特征互换——角色A的脸跑到角色B身上，或者两人的发型混在一起。新机制对此有改善，但没到完全可靠的程度。

我的经验是：多角色同框时，人物一致性权重都适当降低到0.7左右，别拉太高，拉太高反而容易让两张参考图的信息互相污染。然后在提示词里用明确的位置描述把两个角色分开，比如"left character wears..."、"right character wears..."，用空间关系帮助模型区分。如果还是混淆，考虑分两次生成再合成，虽然麻烦但可控性高得多。

提示：多角色场景下，两张参考图的风格要尽量接近，一张写实一张二次元混着喂，混淆概率会大幅上升。

6. 把新能力嵌进日常工作流的几个思路

6.1 角色设定集的快速产出

以前做一套角色设定集（正面、侧面、背面、表情特写），得一张张抠，现在可以基于一张高质量正面参考图批量跑。我的流程是：先精修一张正面定妆图作为主参考，然后分别用不同角度和表情的提示词批量生成，人物一致性权重统一0.78，重绘幅度0.45。出来的图脸部统一，角度和表情有变化，后期只需要微调光影就能成集。这套流程把原来大半天的活儿压缩到一两个小时。

6.2 系列插画的连贯性保障

做系列插画最怕角色"每张都像不同的人"。现在可以把主参考图固定下来，每张插画都带上它，人物一致性权重0.72到0.75，配合场景提示词变化。关键是主参考图要选一张最能代表角色特征的，别用带强烈情绪或特殊光线的图，中性最好。我试过用一张大笑的图当主参考，结果后续所有图的表情都带着那股笑意，很难压下去。

6.3 和后期修图的衔接

新机制出来的图，脸部基础好了很多，后期修图的重点从"修脸"转移到了"调光影和质感"。我的习惯是出图后先统一做一次色彩校正，把系列图的色调拉齐，然后再逐张微调。脸部除非有明显问题，一般不动，动了反而容易破坏一致性。这个转变挺重要的，以前大量时间花在修脸上，现在可以把精力放在整体氛围上，产出质量的上限提高了。

7. 几个容易被忽略的细节

7.1 模型版本与参考图机制的匹配

不同模型版本对参考图机制的支持程度不一样。有的版本人物一致性控制项虽然显示出来了，但实际生效程度有限。我的判断方法是：拿同一张参考图、同一组参数，在两个版本下各出一张，对比脸部相似度。如果差异不明显，说明那个版本对这个机制的支持还没到位，换回验证过好用的版本。别迷信"最新版本一定最好"，实测为准。

7.2 缓存与界面状态的干扰

调参调了半天没反应，有时候不是参数问题，是界面缓存没刷新。我遇到过参考图换了但模型还在用旧图的情况，出来的结果怎么调都不对，折腾半天才发现是缓存。现在的习惯是：每次换参考图后，先出一张低步数的测试图确认参考生效，再正式跑。这个习惯帮我省了不少冤枉时间。

7.3 参数保存与复用

调出一组好用的参数不容易，一定要存下来。我按角色和场景类型分类存了几套预设，下次遇到类似需求直接调用，再微调。尤其是人物一致性权重、参考强度、重绘幅度这三个的配比，存下来能省掉大量重复试错。这个习惯看起来笨，但长期下来效率提升非常明显。

我个人在实际操作中的体会是，这次更新最大的价值不在于某个参数变强了，而在于把"保脸"和"换姿势"这对老矛盾给松绑了。以前是在两者之间做痛苦的取舍，现在可以同时要，只是需要在参考图质量和参数配比上多花点心思。参考图选对了，参数落在甜区，出图的稳定性和效率都是肉眼可见的提升。真正要花时间练的，还是选图和读图的能力——知道什么样的参考图能喂出好结果，比记住任何一组参数都管用。