AI生图总跑偏抽风？收好这份AI生图防翻车指南！

一、全文速览图

嗨大家好！我是阿真！

生图模型已经越来越厉害了，但 AI 画图还是有很多翻车的搞笑案例，我们讨论了一些日常避免翻车的方法。

比如有时候有这种问题：

好样的，叫你用手握住剑柄，强调手指剑柄，你就剑都没了，是吧。

为什么 AI 总不按照我们的思路生成图片？为什么老是有些离谱操作？为什么用 AI 工具写提示词也会翻车？为什么明显错误的动作，抽卡很多次也无法避免？

今天就和阿真一起来看看，相信你看完以后生图翻车情况会少很多，翻车了也会立马知道问题出在哪里。

二、问题到底出在哪里？

简单来说，模型没有把主体、机位、空间和属性稳稳地绑在同一张图里。

我们先理解一下 AI 到底是怎么完成生图的。它生成画面的方式，和我们在脑子里想象一幅画面的方式差别很大。

人看到一句话，会顺手补齐一整套画面逻辑：镜头站在哪里？人在哪里？脸在哪里？屏幕朝向哪里？

AI 能读懂这些语义，也会按照训练中常见的视觉规律去生成，但它不会每次都自动补全我们脑子里的那套关系。

以常见的扩散式生图为例，它会把提示词变成一组语义信号，再从噪声中一步步生成画面。提示词里的词会影响最终结果，但这些词都不等于硬指令。模型很可能把每个东西都画出来，却把朝向、遮挡、连接、反射这些关系安排错。

所以，光把元素一股脑塞进去还不够。谁和谁是什么关系、镜头站在哪里、这个角度能看见什么，也要一起写清楚。

顺便回答一下开头那个问题：为什么用 AI 工具帮忙写提示词，也照样会翻车？

很多 AI 工具一听到“帮我优化”，就开始加材质、氛围、镜头词和一大串形容词。字变多了，画面里的冲突还在，甚至越写越挤。

让 AI 帮忙时，可以直接让它先检查这些方面：主体是否完整、机位在哪里、谁朝向谁、这个角度能看见哪一面、物体怎么接触、有没有互相打架的要求。检查完，再让它重写。

翻车场景大家一定经历过很多，这里列举一些我们经常遇到的情况和解决方式。

1. 注意力分配失衡

先看文章开头那把剑。提示词里反复强调手指、剑柄、金属细节，模型的注意力就全往这些局部跑。剑身、剑鞘、腰带这些整体结构交代得不够，画着画着就被弱化了，甚至直接消失。

这类问题可以理解为“注意力失衡”。研究里也专门拆过类似情况：一句提示词里出现多个主体和局部时，模型可能顾上一个，漏掉另一个。这种主体被遗漏的情况被称为“灾难性忽略”。

简单说就是画面里的重点会互相抢位置。你连续写“手指”“剑柄”“金属细节”，模型自然会把更多注意力放到这里。剑鞘、腰带和整把剑没交代清楚，它们就更容易变弱、变形，甚至消失。

这时候提示词注意

先写完整主体：一把长剑，剑身收在剑鞘中。

再写局部归属：佩剑剑柄，不要只写剑柄。

最后写画面必含元素：剑格、剑鞘、腰带、衣袖、风格约束等。

参考当前 3D 分镜构图 {{Image 3}}。{{Image 1}} 沈绛霜腰间佩一把完整长剑，剑身完全收在银质雕花剑鞘中。镜头特写她按在佩剑剑柄上的右手：拇指扣在剑格上方，四指并拢搭在剑柄缠绳上，指节微微用力，五指结构正常。焦点落在手指与剑柄的金属细节，冷光；背景虚化为白天戒律殿 {{Image 2}} 的石阶与朱红柱子。画面必含：完整剑柄、剑格、银质剑鞘、腰带、绛红衣袖；剑鞘沿人物腰侧向画面下方延伸并出画。

排他词也尽量少用，比如“重点只强调”“画面里只能有”这一类。它们一多，模型很容易顾此失彼，其他关键元素跟着丢失。

视觉的重点可以通过镜头语言表达，比如焦点落在哪里、景深虚化什么、光线引导向哪、构图占比多大等等。

类似的局部图，也可以不要一开始就做极局部特写。可以先生成完整图片，再用局部裁切、局部重绘、参考图等方式去强化手和剑柄这个分镜。先保整体，再抠细节。

2. 视角与可见性冲突

比如让女孩在笔记本电脑前工作，但电脑屏幕是反着的。

正面拍摄一位女孩坐在笔记本电脑前工作，她看着电脑屏幕，电脑屏幕上显示一份彩色数据图表，女孩的表情清晰可见，室内自然光。

这个提示词最大的问题在于镜头站位和屏幕可见性冲突。

如果女孩正在看电脑屏幕，屏幕大概率朝向女孩。镜头正面拍女孩时，观众看到的应该是笔记本背盖和她的脸。屏幕和人正面通常不会同时清晰出现。

模型为了满足提示词提到的“女孩表情清晰”和“屏幕图表清晰”，会把电脑翻过来，或者生成一个现实里很别扭的角度。

这类问题被称为摄像机机位歧义、视角冲突、物体朝向失败，或者可见性不一致。

这等于让 AI 同时站在两个机位拍照。要拍人脸，就把屏幕内容拿掉；要看屏幕，就把镜头放到女孩身后。

正面拍摄一位女孩坐在笔记本电脑前工作，她低头看着电脑，女孩的表情清晰可见。观众看到的是笔记本电脑背面和键盘边缘，笔记本背盖朝向观众，屏幕朝向女孩。室内自然光，真实生活摄影。

从女孩身后稍高的位置拍摄，她坐在桌前看着笔记本电脑屏幕。观众能看到电脑屏幕上的彩色数据图表，也能看到女孩的背影、肩膀和头发轮廓。室内自然光，真实办公场景。

包括被广泛吐槽的不会自拍也是这样，当我们思考画面效果和提示词的逻辑，就会发现问题出在哪里了。

正面拍摄一个女孩拿着手机自拍，女孩看着手机屏幕微笑，手机屏幕里显示她的脸，街头自然光。

让手机反过来自拍

正面拍摄一个女孩拿着手机自拍，她看着手机方向微笑。观众看到女孩的脸和手机背面，手机屏幕朝向女孩自己，屏幕内容不可见。街头自然光，真实抓拍感。

把你的眼睛想象成摄像头或者取景器。输出提示词的时候考虑一下，我站在哪里？镜头朝哪？人面对谁？哪个东西在前面？哪个东西会被挡住？这个角度能看到哪一面？

3. 空间与连接关系失败

再看一个更常见的问题。提示词里该写的好像都写了，生成出来却还是哪里都不对。东西全在，位置乱了，原本清清楚楚的空间关系也跟着拧成一团。

本来要的是“猫在桌子下，咖啡和书在桌面上”，结果猫、咖啡和书全挤进了桌子下面

一只橘猫趴在桌子下面，桌上放着咖啡杯和书，温暖室内光，真实摄影。

室内真实摄影，木桌占据画面上半部分，桌腿清晰可见。一只橘猫趴在桌子下方的地板上，猫的身体低于桌面，桌面上放着咖啡杯和书。

目前的生图模型可以处理很多常见空间关系，一旦场景变复杂、组合变少见，就容易不稳定。它很难每次都稳稳搭出一个三维场景，再把所有东西放到正确位置。

它能认出每一个物体，也知道这些东西大概长什么样。真正容易出错的是：它们应该放在哪里、应该多大；谁在谁前面、谁在谁上面、谁比谁高；什么东西能装进什么东西里面。

这时候就要在提示词里补上尺寸、位置、接触点和遮挡关系。

首先，可以按照层级去写提示词：前景、中景、远景有什么？

然后可以按照接触点去写提示词，脚踩在哪里，杯底放在桌面上，船在水面上。

还有它的遮挡关系：书压住了笔，或者是A在B身后。

再有就是比例锚点：水壶是杯子两倍高，门比人高，手机约手掌大小。

4. 组合与约束过载

还有一种翻车，看起来每个元素都在，仔细一看却像一盒没组装好的零件。细节一多，模型很容易把对象、状态、连接方式和遮挡层级串在一起。

现在很多图片模型已经能承载很长的描述，但细节越多，错漏的机会也会跟着增加。这个时候要逐个点名、分区摆放、避免互相遮挡，再给关键元素一个明确位置。

简单举个例子。AI 把杯子、冰咖啡、吸管、杯盖、水珠、冰块全画出来了，该有的一个没少，组装方式却乱了。

正常情况下，杯盖要扣在杯口上，吸管要穿过杯盖孔，冰块要待在杯子里，杯盖尺寸也要和杯口对得上。

一杯冰咖啡和透明吸管特写，杯盖、水珠、冰块和吸管都清晰，夏日饮品摄影。

想要一张细节明确的图，就把连接关系、接触位置和遮挡层级写清楚。

冰咖啡装在透明塑料杯里，杯口盖了透明的杯盖。吸管穿过杯盖中央的圆孔插进饮料中，上半段露在外面，杯盖孔和吸管的连接处清晰可见。

一杯冰咖啡装在透明塑料杯里，杯口盖着透明杯盖。透明吸管穿过杯盖中央的圆孔插入饮料中，吸管上半段露在杯外，杯盖孔和吸管连接处清楚。

像上面这种常见物品，换个随机结果多抽几次，也可能很快碰到正确答案。

碰到少见动作、复杂场景、多人物互动时，关系写得越清楚，返工就越少。

连续抽好几次还卡在同一个错误上，那就换提示词或者方法。换参考图、构图草图、局部重绘、姿势控制，通常会更快。

5. 小结

最后再简单梳理一下。准备好提示词以后，可以用 30 秒过一遍这提示词有没有把下面这几步说清楚。

第一步，定机位。 把自己的眼睛当成摄像机。

镜头在人物正面、背后、侧后方，还是过肩？

第二步，摆关系。 主体完整吗？谁朝向谁？谁在前面？谁挡住谁？物体之间怎么接触？

电脑屏幕朝向谁？杯底放在哪里？吸管从哪里穿进去？这些都写成能直接看见的动作。

第三步，加细节。 最后再补光线、材质、风格、焦点和背景。

先整体后细节。

如果想直接套一个顺序，可以这样梳理

完整主体和状态
机位与构图
人物与物体的朝向
当前角度能看见哪一面
空间位置、接触点和遮挡关系
关键细节分别属于谁
光线、风格和氛围

做参考图改图时，可以再补一行“必须保留什么”。直接生图时，先把想要的画面写清楚，少堆抽象要求，也少用一长串否定词。

提示词没有唯一正确答案。这样的方法能做的是减少歧义、提高成功率。遇到反复出错的地方，可以考虑换参考图、局部重绘或构图控制。

好了，今天的分享就到这里啦。如果你也遇到过那种有点搞笑又无语的 AI 生图翻车，欢迎评论区留言，大家一起拆拆看，到底是主体、机位、空间，还是部件关系出了问题。

如果内容对大家有用，也欢迎在下方 👍🏻 和 🌸 鼓励，期待你的猛猛三连，这对阿真真的很重要~

下期见~（我知道朋友们想问什么，最近太忙了，发了备用稿，你们感兴趣的都在测了，下周猛猛更新哈哈哈）