#AI绘画 · AI 短帖与讨论

有人拿 ChatGPT Image 做了一组按"人物朝向"的构图对照，二十来种说法一张张摆出来看差别：正面、正侧面、3/4 侧面、45 度侧身、背面、回眸、侧身回眸、越肩视角、人物看向画外……他还要把它做成系列，另一条已经补了"景别"那组——大特写、胸像、半身、七分身、全身、大全景、局部细节，十五种。 这类对照要真有用，得守住一条：一次只改一个变量。构图描述最容易出的问题就是角度、距离、姿态、光线一起写，出图不对时你根本不知道是哪个词惹的祸；把朝向单独拆出来做对照，才能看出模型对空间语言理解到哪一层——"45 度侧身"和"侧身回头"这种带歧义的说法，模型接得住接不住，一测便知。 对做内容的人，方法可以直接抄：需要固定人物的场景（角色封面、系列海报、产品模特），先把朝向、景别、光线分别建一组小对照，锁定能稳定复现的表述再组合——比每次靠感觉重写提示词省得多，也让同一套素材跨图一致。 一个边界要说清：这组对照是在 ChatGPT Image 上跑的，换模型结论可能不同（不同模型对空间词的敏感度差很多）；把它的表述当通用答案之前，先在你实际用的模型上复现一遍。

有人让 GPT-6 Astra 用最高强度跑了一次任务：不给图像模型、不给参考图、底下也没有藏着底图，全程只用代码画一幅复杂画。按这条给的数字，结果是约 68,000 笔笔触，每一笔落点都由代码决定。 这是一条和"用图像模型生成"完全不同的路。生成像素是直接给结果，而这次生成的是过程：模型输出的是"哪一笔画在哪"的指令，画面是执行这些指令的副产品。原帖那句话说得很准——AI 不只是在生成图像，开始在生成艺术家的指令。把创作拆成"决定过程"和"执行过程"之后，可复现、可微调、可局部改都变成了可能：改一行参数就能换一种笔法，而不必重新抽卡。 对做内容的人，这个方向意味着可控性。图像模型的产出需要反复抽卡碰运气，代码路径的好处是结果稳定、可迭代；代价是它需要有人把"想画成什么样"翻译成可执行的规则，这一步现在还做不到全自动。举例来说，把"笔触方向跟随光照"写成一条规则，改动会立刻反映到整幅画上，这正是它比重新抽卡好用的地方。 顺带能和另一条对照着看：同样是"AI 画图"，有的是把现成图描成矢量，有的是生成像素，这次是生成过程。三条路的难度、可控性和成本各不相同，看到"AI 画的"四个字，先问是哪一条。

ComfyUI 官方宣布支持 Qwen-Image-2.1：开放权重，单个 7B 检查点同时负责生成和编辑。它列了三个具体能力——原生 2K 出图、单次最多 10 张参考图的指令编辑、以及带 alpha 的 RGBA 输出。 "进 ComfyUI"这件事本身就值得单独说一句。ComfyUI 是本地出图工作流的事实标准，一个模型被它支持，意味着你能把它接进已有的采样、后处理和批处理管线里，而不是只能去官网的对话框里玩。对做批量图的人来说，这个差别比多几个点的画质分重要。 三个能力里我最在意 RGBA 和原生 2K。RGBA 决定生成结果能不能直接拿去合成（省掉抠图和对齐），2K 决定能不能当成品交付；这两条都不是跑分能体现的，但直接决定设计、电商这类场景能不能真用起来。 边界也说清：被支持不等于好用。实际体验取决于节点实现得细不细、显存吃多少、编辑时"保真"到什么程度；另外开放权重不等于随意商用，许可证和适用范围还得自己读一遍再决定用在哪。 一句判断：模型的竞争正在往"生态接入速度"上靠——权重开放后几天内就能在主流工具里跑起来，比发布会上多几个点的分数更能影响实际采用。

千问官方发布了 Qwen-Image-2.1，而且直接开权重。定位是"生成 + 编辑统一"的轻量模型：7B 架构，官方说在多图输入上推理明显加速，质量对标甚至超过多数闭源模型。 四个亮点值得逐条看：一是轻量且快，7B 的体量，多图输入大幅加速；二是原生透明，原生生成和编辑 RGBA 图层，可以直接在透明图上合成、改字；三是编辑能力，支持最多 10 张参考图、局部精确控制，同时对人物和商品保持严格保真；四是覆盖面与观感，全景、信息图、虚拟试穿都有照顾，纹理和排版都讲究。 这里面我最看重"原生透明"这一条。做过设计的人知道，生成模型"出图"不难，难的是出能直接用的素材：透明背景、图层可分、局部可改，这三件决定了一张图能不能进工作流。老办法是生成完再抠图、再对齐，返工成本比生成成本还高；原生 RGBA 把这步省掉了。 第二值得看的是"最多 10 张参考图 + 局部控制 + 保真"。商品图和虚拟试穿这类场景，一致性和可控性比"画得美"重要得多——生成得再漂亮，跟实物不一致就是废图。官方把这条写进卖点，说明它瞄的是电商、设计这类生产场景，而不是纯创作玩具。 还有一点容易被忽略：7B 的体量意味着它有机会跑在单卡甚至本地机器上。对做电商工具、设计工具的团队来说，这决定了能不能把生成环节握在自己手里——不必把商品原图交给第三方，也不用按张付费，批量任务的下限成本可以自己算。 链接： 博客 qwen.ai/blog?id=qwen-i… GitHub github.com/QwenLM/Qwen-Im… ModelScope modelscope.cn/models/Qwen/Qw… Hugging Face huggingface.co/Qwen/Qwen-Imag… 边界也说一句：以上亮点都是官方口径，"7B 打赢闭源"这种说法要看具体任务和第三方评测；另外开放权重不等于随意商用，许可证细节得自己读一遍再决定用在哪。

有人用一段提示词，把任意人物肖像变成"黑色胶囊眼"的极简 2D 机器人图标。这份提示词值得看的不是效果，而是写法 —— 它把风格迁移这件事，写成了一份可执行的视觉规格书。 它的五段结构 1.【目标】：一句话说清产出什么 —— 保留原图中有助于识别对象的特征，再按统一规格处理脸部结构、眼睛、表情、构图与配色。 2.【从原图提取的信息】：规定"取什么"（肤色或脸部表面基础色、发色与发型轮廓；从耳朵、帽子、眼镜、胡须、装饰里挑出最多三项核心识别特征），以及"不要做什么"（不要把肤色统一成某个固定色；原图没有刘海就别加；不要复制原图的写实表情）。 这一段还有两条容易被忽略的细则：复杂服装与装备只保留识别对象所必需的部分；如果眼镜或胡须是关键特征，可以用最简化的形状保留，但眼镜不能遮挡两只眼睛，胡须也不能以描绘嘴巴或写实面部结构的方式呈现。 3.【脸部】：画成什么样（大而圆润的脸、宽而平滑的色块、柔和衔接的下巴，可爱感靠圆润比例而非表情装饰），加硬性禁令（不画嘴巴、不画鼻子，不要微笑嘴、小点状嘴巴或猫嘴）。 4.【眼睛】：几何写死 —— 两个接近黑色的纯色胶囊形，长度约为宽度的 2.5～3 倍，两眼等大平行、长轴与两眼连线垂直；胶囊内部不得再画眼白、瞳孔、高光、睫毛，连"不要画成像数字 1 的钩状笔画"都写进去了。 这里还有一句很硬的优先级声明：无论原图中的眼睛形状与颜色如何，都必须优先遵循本规范 —— 也就是说，风格规则压过原图细节，避免模型"忠于原图"地把写实眼睛画回来。 5.【构图】：1:1 画布，头部顺时针倾斜 15～20 度，让左眼略高于右眼；左侧与下侧边缘延伸到画面外被裁切，右上保留深色空白；不要证件照式居中，也不要左右对称。另外明确不画身体和手，只有在有助于识别时才允许在底部留少量脖子或衣领 —— 并且点明"脸部放大与边缘裁切是刻意的构图设计"，免得模型自作主张把画面缩回全身。 为什么这些禁令几乎每一条都是必需的 把它们连起来看，会发现每条禁令都在堵生成模型的默认偏好：模型天生爱加高光和瞳孔、爱给角色一个微笑、爱把主体居中对称、爱画全身。所以这份提示词里 "不要什么" 的篇幅几乎和 "要什么" 一样长 —— 这不是啰嗦，是把模型的默认解一个个关掉。 三个值得学的写法 第一，把"从原图取什么"和"画成什么样"分成两段。 多数提示词把两者混在一起写，模型就会互相污染 —— 这里甚至专门声明：即使有风格参考图，角色外观也只能来自变换对象本身。 第二，负面清单写到形状级别。 "不要嘴巴"很常见，但"不要小点状嘴巴或猫嘴""不要看起来像数字 1 的钩状"，才真正堵住了模型的默认偏好。 第三，能写数字就不写形容词。 2.5～3 倍、15～20 度、1:1 —— 形容词不可判定，数字可以。 我的看法 这类提示词的本质，是把审美问题翻译成可判定条件。风格化图标之所以适合这么写，是因为它容差大、目标明确：轮廓、识别特征、构图对了，画面就成立。 反过来说，写实类、要保留神态的活就不适合写死 —— 约束越密，出来越像模板。 还有一点可以迁移：同一套思路对做 Skill 和做工作流一样有效。把"从这个素材里取什么""输出必须满足哪些硬条件"分开写，比堆一屏形容词更能让模型稳定复现。 想改成自己的风格，该动哪几处 骨架可以整套留着：先写"从原图取什么"，再写"画成什么样"；负面清单具体到形状；能量化的地方一律给数字。真正需要替换的只有风格段落本身 —— 把"胶囊眼"换成你想要的形状，把配色和构图换成你的规格。 不能动的有两条：外观信息只能来自被变换的对象本身；以及每一种新风格，都得把模型的默认偏好重新显式关掉一遍。 提醒：原帖只给了提示词本身，没有前后对比图，也没说用哪个模型生成（只说搭配 ChatGPT 和一张原始肖像）。所以"效果好不好"这一半信息是缺的，得自己试。上面是我对它的拆解，没有逐字照搬全文。

@leo_xiaolei 给自己的手绘 Skill 挑了个新用法：用 11 号二维水彩风来讲故事、做绘本。他配了篇《三年后，我嫁给了前男友》，说这画风配故事往抖音、小红书上发很有前景——前提是把故事设计好。 这个思路值得单独说一下，因为它跟"生成一张好看的图"是两件事。连载内容真正的门槛是风格一致性：读者记住的是"这个号一直是这么画的"，而不是某一集画得多好。靠提示词碰运气去复现风格，第三篇就会飘；把风格固化成一个可调用的 Skill，每次只换故事和分镜，画风才稳得住。 他的判断里还有一层是渠道适配：这类水彩风配情绪故事，正好落在小红书和抖音的图文/短视频消费习惯上——不是硬把画晒出来，而是让画面服务于叙事。这一点比参数和风格编号都更决定成败。 边界也提一下。用固定的视觉风格做连载，内容质量、素材来源和平台对"AI 内容"的标注要求，都是自己这边的责任；画风一致只是及格线，故事不好看，再稳的画风也留不住人。 Skill 地址：github.com/threerocks/han… 想试的话，建议别从单张图开始，直接按"三篇一个小系列"来规划——风格是否稳定，看单张图看不出来，连做三篇才露馅。

Qwen-Image-2.1 火了两天，被问最多的不是画质，是许可证：我生成的图，权利算谁的？ 官方账号给了正面回答：输出内容不属于授权材料（licensed Materials）的一部分，用户保留用该模型生成的图片和其他内容的权利。 这句话的分量在于它把"模型"和"模型产出"切开了。许可证约束的是模型本身 —— 权重、代码这些材料；不是你用它画出来的东西。也就是说，生成图的处置权在你手上，而不是"官方授权你使用"。 它没说的部分同样重要 这条只回答了输出的归属，没触及训练数据来源，也没有改变模型权重自身的授权条款。真要做商业发行，还得注意：不同司法辖区对 AI 生成物的可版权性认定并不一致，有些地方只保护其中属于人的独创性投入部分。 为什么这条值得单独发 对做图、做素材的人来说，它减掉的是一层不确定性：至少不用担心被平台以许可条款为由主张你的产出。至于产出本身能不能被认定为你的作品，那是另一个问题 —— 取决于你在提示词、筛选和后期上投入了多少独创性。 顺便说清来源：原帖是英文的官方回复，我按原意翻述。真要拿去做正式商用，建议直接读仓库里的 LICENSE 全文，别只看一条推文。

拆一个电商生图工具：Snappyit，巅峰月访问 286.6K。@FanShifu 的切入点不是"图好不好看"，而是退货率。 他先说了个残酷的现状：拿 AI 生图做鞋服类独立站，90% 死在退货率上。为了省模特费，AI 把衣服画出八个褶皱、蕾丝错位的"天仙图"，买家一拆快递发现货不对版，直接退款加差评，履约成本当场把毛利吃干。 Snappyit 的解法是三招。 第一招，结构硬锁定。用边缘分割和骨架提取，把样衣的版型、车线、印花像素级焊死在图片上，不给模型自由发挥的空间。 第二招，2D 转 3D 隐形模特。从一张平铺图推导内领口、袖洞纵深和重力悬垂感，省掉传统美工用 PS 拼两张图抠图的活，直接输出亚马逊、Shopify 合规的 4K 白底图。 第三招，物理材质级换色。只提取漫反射层换色相，完整保留面料的编织纹理与接缝阴影。一件白胚样衣出 8 个 SKU 变体，再配合换脸模特图转视频，批量跑 TikTok 测款，出单了才让工厂按单染色追单，压货风险压到最低。 价格也不贵：官网年付套餐 $8.2 起，单图几毛钱。作者自己的定位很实在——草台班子做电商不需要高端艺术家作品，能把测款成本和退货率搞下来就够。 我的看法：这套东西的价值在于把"保真"当成硬约束。不是让模型画得更漂亮，而是把不该变的部分锁死，只放开颜色和场景。对做垂直生图的人来说，这比堆 prompt 技巧更接近工程解法；而在鞋服这个品类里，退货率就是最硬的那个考核指标。

有人把工厂车间做成了能 360° 转着看的 3D 页面，用途很实在：给销售谈单用。 @harrisonitsme 前两天用"传说中的 Gemini 4Pro"随手做了个交互式 3D 涡扇发动机——能转、能拆、能钻进去看内部结构。按他自己的描述，整套是纯程序化生成，没下载任何 3D 素材。 细节给得很足：18 片后掠钛合金风扇叶片、双转子压气机、环形燃烧室、单晶高压涡轮、附件齿轮箱，连 FADEC 推进 HUD、实时 N1/N2、EGT 排气温度、油耗、净推力仪表都有，油门能从 IDLE 拉到 TOGA。 再往外还有爆炸视图、6 步引导拆解、四种渲染模式。他当时就被这个 demo 干沉默了。 真正让我觉得有意思的是他下一步的动作。他身边一堆厂二代同学，家里做建材、钢结构，车间、设备、工艺全都有，可一到给外地客户介绍，就只能甩照片、发视频，再靠销售磨破嘴皮子讲一遍又一遍。 于是他用 Astra 做了个概念样板：丢进去一张手绘车间草图，标好原料堆放、切割下料、组立焊接、矫正、成品区，出来就是一个能 360° 转着看的 3D 车间。工序有入口，设备有标签，每一步配说明卡片。客户点一点，就能看懂一根构件从原料到成品走完全套工序。 商业模式也简单：找一家厂，用它的布局、设备照片和真实工艺，做成一个能直接甩给客户的交互式 3D 展示页。销售谈单能用，展会能用，客户自己逛也能用。他下一步是找身边的厂二代聊付费意愿，愿意就按真实车间做一版。 我的看法：这件事的价值不在模型多强，而在于把只有内行听得懂的工序，变成客户自己点着看的页面。传统售前靠 PPT 加一张嘴，交互式 3D 把解释成本前移了。变量在于做一套真实车间的报价能不能压进一单的利润里，这一步他还没验证。 另外他有个判断我认同：3D 是真正测模型上限的场景，同时考空间推理、几何数学、材质光照、代码组织，还有一次成型不崩的长链路能力。

手绘 SKILL 里编号 258 的画风，我盯了一晚上，它的核心不是画了什么，而是留白留了多少。 视觉上先看三件事：极简的平面构成、磨砂干刷的纹理、大面积的负空间。纸上带颗粒，笔触像丙烯干刷过，画面呼吸感很强。这种组合不靠细节堆信息，靠空白撑情绪。 情绪调性也很明确：高质量独处、平静庇护所、诗意沉思。作者 @yang02010 说这路画风在小红书、朋友圈、公众号夜读这类情感赛道里，是互动和收藏最集中的题材之一。 具体能用在哪儿，我按他的清单捋了一遍： 一人生活美学、情绪自留地、深夜树洞类的内容最搭，画面天生带一种"被世界温柔包裹"的安心感，配情绪共鸣文案很稳。 播客单集封面、读书笔记配图、散文诗集的插图或书封也合适。聊哲学、心理学、电影、个人成长的播客大多反感花哨廉价的设计，258 号的文人气质正对这种胃口；摘一段名家金句，大面积留白让文字自己在画面里呼吸。 搬到大自然里是另一种效果：旷野、旅途、渺小的人和壮阔山水静默相对，"天地逆旅"的感觉一下就出来了。放到现代都市和建筑题材上，又能讲都市孤独感，尺度关系一压，气氛就变了。 做产品的也能用。番茄钟、白噪音 App（雨声、壁炉声、森林风声）、冥想引导页的背景插画，以及独立香薰、冷萃咖啡、极简家具、羊绒服饰这类强调静谧与质感的品牌海报，258 号放进去都不违和。 实用信息：作者把这类手绘风格整理成了一个仓库 handraw-style，200 多种画风配编号画廊和双语提示词，对着图挑编号就能直接出图，258 只是其中一条。 github.com/yang0/handraw-… 我的用法建议是，先定内容的情绪再挑编号，别反过来。这套画风留白多，正文别往画面里塞满字，一两句就够。

延时摄影这件事，传统做法是用相机定时拍：架好机位，每 10 秒一张，拍几个小时。前提是你得能在现场守着。 有人提了个不用去现场的思路：把"时间流逝"交给生图模型去推演。 具体做法做成一个 Skill：你上传一张图，它先分析画面主体的状态演变——比如开花的过程、长大的过程——然后按帧把中间状态一张张生成出来，最后用 Computer Use 把静态帧合成一段延时视频。 整条链路只需要两个东西：GPT image2.5 负责逐帧生图，Astra 负责调度和收尾。 听起来像拼积木，但作者自己点出了真正的变量：GPT image2.5 在大批量密集生图时，能不能保持高度的稳定性和一致性。 这一句才是关键。延时摄影对"一致性"的要求比普通生图苛刻得多——不是出一张好看的图，而是让同一朵花在 30 帧里始终是同一朵花：花瓣数不能变、花蕊的位置不能漂、光线方向不能跳。任何一帧走形，合成的视频就会像抽帧一样闪。 这也是现在所有"生图做视频"路线的共同瓶颈：单帧质量早就够用了，跨帧的一致性还差一口气。 如果这口气补上，能玩的东西比延时摄影多得多——产品从概念到成品的过程图、装修前后、四季变化、甚至人物的年龄变化，本质上都是同一件事：用模型把两个已知状态之间缺失的过程补出来。 作者说还没实测。我倒是挺好奇：真正跑起来之后，闪帧率会有多高？

使用ChatGPT image2.5将人物照片，直接抽象成「东方水墨线条海报」。 保留人物识别度，但不追求写实； 大面积留白； 黑色做骨架； 朱红、墨绿只负责点睛； 最后再加一枚小印章。 这类风格拿来做人像海报、头像、品牌视觉，感觉都挺有意思。 提示词在评论区👇 #AI绘画 #Prompt #GPTImage