同一句提示词，为什么每次出的图都不一样？

同一句 Prompt（提示词）连续生成四次，构图、面孔和光线都变了。再把它复制到另一个模型，差别可能更大。看到这些结果，很容易想到继续补描述，但变化的来源不只是文字不够具体。

一句话留下了大量空白，模型每次用不同的方式补上，这是结果会变的根本原因。其中有些变化来自随机生成，有些来自模型，还有些是输入要求互相冲突。

先分清来源，再决定是继续出图，还是固定起点、简化文字、加参考或改局部。每次画偏就加一串词，改到后来可能连自己都说不清哪些词起了作用。

要弄清变化从哪来，可以分三层：随机起点和采样，模型自身的能力与版本，还有输入里互相冲突或漏掉的要求。

Seed 能固定起点，却管不了所有变化；按现象反推调整的动作，该固定起点就固定，该简化文字就简化，该加参考就加参考。最后用一个只改一项的对照实验观察变化，下一步怎么调就有了依据。

小黑用同一狐狸与池塘提示获得不同构图，并记录选中结果的模型、条件和 Seed

01 生成图片为什么有多种可能

图像搜索在已有图片里找匹配项；生成模型根据学到的视觉规律和当前条件，构造一张新画面。

拿“一只橘猫坐在雨夜的书店门口”来说，你大概已经能想象画面了。但猫长什么样、门开在哪边、镜头多高、几盏街灯，甚至书怎样摆，都还没有确定。模型要把这些空白补成一张具体的图，下一次可以选另一种补法。

找创意时，这部分自由值得留住。多几种构图，确实能带来原来没想到的方向。可一旦选中了人物、产品或版式，接下来的图就该把它稳住。这时用文字缩小范围，再加参考等条件，让变化符合当前阶段的需要。

下图使用同一个主题要求：“一只赤狐坐在黎明的森林池塘边”。主体和场景保持一致，构图、视角、姿态细节和光线出现了明显变化。

同一赤狐与森林池塘主题生成的四种不同构图和视角

02 随机起点、采样和模型能力

许多图像生成过程会从随机状态开始，再逐步形成画面。随机起点不同，后续形成的轮廓、位置和细节也会不同。生成过程通常还包含“采样”：模型从许多可能的输出中选出一个具体结果。相同 Prompt 连续生成多次，等于从同一个大致范围里取出不同样本。

可以用下面这个简图理解一次生成：

模型能力 + 当前条件 + 随机起点
              ↓
        多步计算与采样
              ↓
          一张具体图片

模型能力影响它能画什么、擅长什么。不同模型在摄影、插画、人物、产品、文字和语言上的训练不同，对同一要求的理解也会不同。换了模型，画面倾向和执行要求的能力都可能变化。

当前条件决定这一次要往哪里走。Prompt 提供文字方向，参考图提供外观或结构，遮罩限定编辑区域，比例与参数限定生成方式。条件越清楚，结果范围通常越集中。

随机起点会带来不同的构图和细节。Seed 就用来记录这个起点。

随机性有三个直接用途：在探索阶段快速看到不同构图和气氛；从多个候选中找到适合继续修改的方向；在保留主题的同时获得细节变化。进入一致性制作后，随机性也会增加筛选成本。如果十张图要保持同一人物、产品和构图，就要逐步加入固定描述、参考图、结构条件和编辑范围。

03 Seed 能做什么，做不到什么

Seed 常译为“随机种子”，用来记录随机起点。开源库 Diffusers 的可复现性文档也说明了这一点：管线每次默认使用不同的随机种子来生成初始噪声，指定种子才能得到同样的起点。工具、模型、版本、参数和输入都相同时，固定 Seed 更容易得到相近结果，也方便比较小幅修改。

它的使用范围可以这样记：

条件相同：用于记录和对照，帮助重新生成相近图片。
模型、比例、参考或文字变了：相同 Seed 也可能得到很不一样的图。
在线工具调整了内部流程：可见设置相同时，像素也可能出现差异，要按实际表现判断。

Seed 管的是随机起点这一层。要长期保持人物、产品一致，还得保存参考图、固定描述、模型版本、参数和后期文件。这些一起留好，比只记一个种子值可靠得多。想重新得到相近图片，就把模型、版本、参考图、参数和随机起点一起保存下来。只复制 Prompt 时，其他条件和工具内部流程可能已经变了，结果也会跟着变。

不同模型在风格、编辑、人物、产品、文字和安全边界上各有倾向。产品升级也可能改变默认构图、色彩和指令理解，所以旧 Prompt 与 Seed 可能复现不出旧结果。需要稳定生产时，记录范围包括：工具名称与生成日期；可见的模型或版本；完整 Prompt 和图片输入；比例、Seed、参考强度等关键设置；选中结果和后期步骤。

换模型时先拿相同输入试一组。Prompt、参考图和画幅保持不变，看主体、构图、风格和细节怎样变化，也试试后面要改几步。项目特别依赖中文排版或产品结构时，留一条固定测试题。工具升级后，用相同输入再生成，看看这些关键要求有没有变化，通过后继续批量制作。Seed 和其他参数怎样配合，见AI 绘画的七类参数。

04 条件冲突和漏掉要求

有时你把文字读了几遍，觉得已经很清楚，模型却仍然画偏。这时把视线移到输入框外：参考图、遮罩、画幅、风格强度、变化幅度，以及模型和安全规则，也都在起作用。其中一项和文字冲突，就会改变结果。

比如文字要求“黑白极简产品照”，参考图却是高饱和的霓虹场景。模型可能沿用参考图的构图和色彩，也可能采用文字里的黑白要求，结果容易变来变去。又比如竖版画幅要求五个人横向站开，空间不够，就可能有人挤在一起、互相遮挡，甚至少画一个人。

可以按四层检查条件：

条件层	主要控制内容	常见冲突
文字	主体、动作、场景、构图、光线和风格	要求过多、互相矛盾、重点不清
图片	人物、产品、姿势、构图或风格参考	图片方向与文字方向不一致
区域	哪些地方允许修改	遮罩过大或边界不准确
生成设置	比例、随机性、变化幅度和参考强度	设置压过文字，或限制与内容不匹配

模型执行文字要求的准确程度，叫作“Prompt 遵循能力”。不同模型处理长指令、中文、数量、空间关系和文字的能力不同。常见的漏项可以这样检查：

情况	为什么容易出错
要求太多	同时规定六个人的动作、服装、位置、道具和表情，模型容易漏掉信息
重点不清	只写“高级、震撼、电影感”，主体、场景和构图都留给模型猜
条件冲突	强烈正午阳光与柔和低对比雾景，或极简背景与繁复装饰，把画面推向不同方向
关系复杂	左右、递交、遮挡和精确数量，需要同时处理多个对象与空间关系
内容必须精确	Logo、长中文、机械与医学结构、数据图表，要结合可靠素材、专业软件和人工审核

一条 Prompt 越写越长时，先检查各项条件。把最重要的条件留下，先定主体和构图，再改服装、背景，最后处理局部与排版。分几轮做需要耐心，但每轮哪里出了错，你能看清，也有办法改。

05 从现象反推调整动作

生成偏离目标时，继续堆形容词只会引入更多变量。先根据现象定位控制入口。

现象	优先调整
结果太随机	明确主体、构图和画幅，用 Seed 或参考图对照；选中方向后用变体或局部编辑收紧变化
经常漏要求	删次要要求，突出对象和动作，检查冲突、拆解复杂关系；持续失效再考虑换模型
构图漂移	固定比例、位置、景别和镜头，增加草图或构图参考
局部修改波及全图	收紧遮罩、变化强度和保留项，一次改一个区域并保存原版本
人物或产品不一致	固定描述、参考、模型和参数；角色要有设定与视图，真实商品优先保护原素材
结构细节错误	放大查手、文字、连接、数量、反射和零件；局部能修则重绘，专业事实交专业人员核对

06 用一个对照实验观察变化

你可以用一个简单实验观察随机性和条件控制。先写一条基础描述：

一只白色陶瓷杯放在木桌上，窗边自然光，安静的早晨，横版摄影。

连续生成四张，先只观察差异：杯子位置、桌面纹理、窗户方向、光线强弱和背景物体会怎样变化。

然后选一张构图最合适的结果，记录当前工具、模型、比例和 Seed。第二轮只增加一个条件：“杯子位于画面右侧，左侧保留大面积干净留白。”比较构图是否更集中。第三轮保持其他条件，加入一张构图参考图，或者使用工具提供的构图控制。再次比较主体位置和留白稳定度。

第二轮有了留白，这张图可以留下。不过，要说新要求能让留白“更稳定”，还得再看。随机生成本来也会换构图，这次可能碰巧合适。工具支持 Seed，就用同一组种子逐对比较；不支持，就各出几张，看留白是否反复出现。一次成功值得留下，但要判断方法能否复用，还得多看几组结果。

每轮可以用一行记录：

轮次	保持不变	本轮只改	观察结果	下一步判断
1	模型、比例、基础描述	随机生成四张	构图差异很大	明确主体位置
2	模型、比例、主体和光线	增加右侧主体与左侧留白	三张图出现明显留白	选择最佳构图
3	选中方向和文字	增加构图参考	主体位置更稳定	进入局部精修

对照时，把条件分成两组：探索变量是本轮主动改的内容，如时间、主体位置或参考图；控制变量是本轮保持不变的内容，如模型、比例和基础描述。每次只改一个主要变量，才容易判断效果来自哪里。选定方向后怎样逐轮修改，见迭代四阶段和单变量。

记录时，可以在入选图旁边留一张有代表性的失败图。只看成功结果，容易漏掉这组条件还有哪些不稳定之处；对照失败图，下一次就能更早认出相同问题。

给探索留预算，也设个结束点。用完约定的次数或时间，就选方向，或者回任务说明改条件。再抽一张当然可能更好，但一直抽下去，你会把本来能用于修改的时间也花掉。

实际制作时，先借助随机性找方向，再增加条件、缩小修改范围。