9 张图批处理一致性实验：seed、参考图、锁色分别能稳住什么

同一款马克杯拍了 9 个角度——正面、背面、左右侧、俯仰视、杯口杯底把手细节——全部用 AI 出图，结果并排一看：9 款不同的杯子。釉色暖冷各异，把手弧度张张不同，细节特写里还凭空冒出了正面图没有的花纹。

这种漂移在单张出图时感觉不明显，但一旦 9 张并排，问题会被放大到没法忽视的程度。AI 出图每次都是从噪声开始重新生成，它并不知道上一张是什么样子——于是正面图的把手是深棕色的，背面图变成了浅灰；顶部图的釉面是均匀的，细节特写里釉面突然变成了裂纹效果。

针对这个问题，有三种常见的稳定手段：固定 seed、参考图引导、锁色。这篇文章用同一款商品做了三轮实验，各跑一组，观察配色、光影、主体轮廓三个维度的漂移率变化，最后给出适合不同商品类型的策略组合建议。如果你在意的是单张图的迭代漂移（比如海报 KV 一轮一轮改但方向越改越散），建议先看 3 轮还在漂：AI 修图 prompt 漂移的 5 个信号与收敛规则——那是漂移的另一种形态，解法也不同。

---

实验设计：同一款商品，三轮对比

商品：白釉蓝纹马克杯（陶瓷，杯口直径约 8cm，把手为圆弧形，杯身有手绘花纹）

9 张图的角度分配：正面、背面、左侧、右侧、顶部（俯视杯口）、底部（仰视）、杯口局部细节、杯底局部细节、把手局部细节

基础参数：相同 prompt（“陶瓷马克杯，白釉蓝纹，柔和散射光，白色背景，商品主图风格”）、相同模型、相同分辨率（1024×1024）、相同 steps

三轮区别：

• 第一轮：每张图独立生成，不固定任何参数（对照组）
• 第二轮：固定 seed，其余参数不变
• 第三轮：每张图喂入同一张参考图（第一轮正面图中效果最好的那张）+固定 seed
• 附加测试：在第三轮基础上额外使用锁色功能，观察边际收益

观测指标：配色漂移（主观色差判断）、光影方向偏移（以杯身高光位置为基准）、主体轮廓准确度（把手形状、杯口形态是否符合描述）

---

第一轮：不固定任何参数（对照组）

9 张图全部独立生成，不传入任何一致性约束。

结果没有什么意外：9 张图在并排展示时像是 9 款不同的杯子。釉色从偏冷白到偏暖奶白之间随机分布，蓝纹的深浅在张与张之间差了将近两档，把手在部分图里是粗圆弧，在另几张里变成了细直角型。光影方向也完全失控——有的图高光在左上方，有的在正上方，有的几乎没有高光。

漂移最严重的是细节特写图。当镜头放大到杯口局部时，AI 补充了一些它”认为合理”的釉面细节，这些细节和正面图完全不同；把手细节图里的把手截面形状，和正面图里能看到的把手形态根本对不上。

结论：在没有任何约束的情况下，同一 prompt 的 9 次生成几乎无法保持一致性。漂移率：配色约 80%、光影方向约 90%、主体轮廓约 70%（其中细节图漂移尤为严重）。

---

第二轮：固定 seed

从第一轮的 9 张里挑出一张主观上最好的正面图，提取它的 seed 值，然后对所有 9 张图全部使用这个固定 seed。

这一轮的结果有了明显改善，但也暴露出 seed 固定的局限性。

seed 能稳住什么：整体色调。9 张图的白釉配色从第一轮的”暖冷随机”收敛到了一个明显的倾向——都偏冷白，和参考正面图的色感基本一致。蓝纹的深浅也比第一轮稳定了很多，9 张图里有 7 张的蓝纹深度接近。光影方向也有了一定改善，高光位置从”随机分布”变成了”大多数集中在左上方区域”。

seed 稳不住什么：主体轮廓。固定 seed 并不等于固定形态——当视角切换到背面或细节特写时，AI 仍然会根据视角提示词重新”理解”杯子的形态，结果就是把手的弧度在不同视角下仍有明显差异。顶部俯视图里出现的杯口形态比正面图看起来更”方”，底部仰视图的底圈纹路和正面图完全不同。

还有一个有意思的现象：固定 seed 在角度变化不大时（正面 vs 45度侧面）效果不错，一旦视角差异超过 90 度（正面 vs 背面、正面 vs 俯视），seed 对形态的锚定能力就开始明显下降。

漂移率：配色约 35%（相比第一轮大幅改善）、光影方向约 45%（有改善但仍有漂移）、主体轮廓约 65%（改善有限）。

---

第三轮：参考图 + 固定 seed

在第二轮的基础上，将第一轮正面图里效果最好的一张设为参考图（reference image），图像权重设置为 0.6，同时保持固定 seed。

这一轮是三轮里改善幅度最大的。

配色漂移率下降到约 12%。参考图的作用在配色上体现得非常直接——AI 在生成时会”对照”参考图的色感，白釉的冷暖倾向、蓝纹的饱和度都高度一致。9 张图里有 8 张在配色上可以被认为是同一件商品。

光影方向漂移率下降到约 20%。参考图里的光影特征被部分继承，高光的大致方向在多数图里保持了一致。但有一个例外：俯视图和底部仰视图的光影方向无法完全复现参考图的逻辑——这两个视角下”哪个方向是上方”和正面图的定义完全不同，参考图的光影信息在这两个极端视角下基本失效。

主体轮廓漂移率下降到约 40%。相比前两轮有改善，但仍然存在。把手形态在 9 张图里仍然有 3-4 张和正面图的把手弧度有明显差异。背面图里出现了一些在正面图里没有的”花纹补全”——AI 自动补充了它认为背面应该有的纹路。

这一轮的核心结论是：参考图对配色和整体光影风格的锚定作用明显，但对主体轮廓（尤其是细节结构）的稳定作用有限。AI 在处理不同视角时会重新构建主体，参考图的配色信息被继承了，形态信息只是被”参考”。

---

附加测试：在参考图基础上叠加锁色

这次测试在第三轮的基础上额外开启了锁色功能（color lock / palette pin），提取参考图的主色调锁定到生成任务里。

锁色能稳住什么：主色调的绝对值。第三轮里还有 1 张在配色上轻微漂移的图，叠加锁色后这种轻微漂移消失了。白釉的 RGB 范围和蓝纹的色相被硬性限定，配色漂移率进一步下降到了约 5%——基本接近”可接受的正常出图差异”范围。

锁色稳不住什么：颜色在不同光照条件下的表现。锁色锁定的是颜色的绝对值，但不同视角下光影的差异会导致同一个颜色在视觉上的感知不同。底部仰视图里因为光照不足，即便颜色值被锁定，整体还是显得偏暗，和正面图的视觉感受有差距。这不是颜色漂移，而是光影带来的视觉差异——锁色解决不了这个问题。

边际收益：锁色在参考图已经做了大量工作之后，提供的是一个”硬底”——防止极端漂移，但对已经基本一致的配色改善幅度有限。它更像是一道保险，而不是核心工具。

---

三种手段的对比总结

一致性手段	配色漂移率	光影方向漂移率	主体轮廓漂移率
无约束（对照组）	~80%	~90%	~70%
固定 seed	~35%	~45%	~65%
参考图 + 固定 seed	~12%	~20%	~40%
参考图 + seed + 锁色	~5%	~20%	~40%

几个需要说清楚的点：

seed 固定的作用边界：seed 在视角变化较小时（30-60 度范围内）锚定效果明显，一旦视角变化超过 90 度，特别是切换到俯视或仰视，seed 对形态的约束力大幅下降。用 seed 来做”同款商品不同小角度”的批量出图是合理的，但不能指望 seed 让正面图和俯视图保持形态一致。

参考图的核心价值：参考图是这三类手段里效价最高的。它能同时对配色和光影风格产生引导作用，而且这个引导是跨视角的——即便视角差异很大，颜色特征仍然会被继承。但要注意：参考图权重太高（> 0.7）会导致输出图和参考图过于相似，部分视角下的形态会被错误地从正面图”照搬”进来，产生形态扭曲。0.5-0.65 是这次实验里效果最好的权重范围。

锁色的定位：锁色不是核心工具，是补充手段。在配色要求极严格的品类（比如色差直接影响购买决策的服装颜色、彩妆色号）里值得使用，其他场景下参考图已经足够。

---

主体轮廓：目前哪种方法都稳不住

这是实验里最值得单独说的发现。

三种手段在配色和光影上的改善都比较明显，但主体轮廓（把手形态、细节结构的准确性）在最好的一轮里仍然有 40% 的漂移。

原因不在工具参数，在于 AI 生图的工作机制：每次生成都是从头重建，没有”物理模型”可以记住这个杯子的三维结构。它能记住颜色风格（颜色是一种”氛围信息”，容易被参考图传达），但它记不住把手弧度（把手弧度是一种”结构信息”，现有引导手段很难精确传达）。

对主体轮廓的稳定有一定帮助的做法是：在参考图里让目标细节部分出现得更明显——比如如果你需要稳住把手形态，就选一张把手占比大的图作为参考，而不是选正面全图。这样能在一定程度上降低把手漂移率，但无法消除。

如果你的商品是”轮廓高度敏感”的品类（比如异形首饰、有特殊设计感的容器），目前 AI 批量出图在多视角一致性上存在天花板。遇到这类需求，更务实的方案是：选 1-2 个最重要的视角用 AI 出图，其他角度用实拍原片 + AI 精修，而不是强行用 AI 生成所有视角。

---

不同商品类型的策略建议

形态简单、对称性强的商品（圆柱杯、方形包装盒、球形饰品）：固定 seed + 参考图组合基本够用，9 张图的配色和光影一致性可以达到商用标准，主体轮廓漂移率也比异形商品低。这类商品因为形态信息简单，AI 在不同视角下的”猜测”大体靠谱。

有复杂细节但整体形态规则的商品（花纹马克杯、带标签的瓶装产品、有印花的方形礼盒）：固定 seed + 参考图 + 适度锁色，重点把参考图权重调到 0.55-0.65，配色一致性基本可以保障。轮廓上需要接受一定漂移，建议在出图后统一做一轮人工筛选，把轮廓偏差超过阈值的图单独补拍或手工修正。

异形、不对称、细节密集的商品（耳机、有复杂把手的工具类产品、不规则造型的手办）：AI 批量出图的一致性在这类商品上效果有限。建议对这类商品做一次预判：正面、背面、侧面各跑 3 张样图，如果样图之间的形态差异已经超过业务接受范围，不要强行走 AI 批量路线，改为实拍 + AI 后期处理。

---

实验里有一个跑偏的发现值得顺带说一句：在第二轮（只固定 seed）里，俯视图和底部仰视图的配色是 9 张里漂移最严重的。仔细看之后发现，这两个视角下 prompt 里描述的光线和背景特征在 AI 的理解里和正面图完全不同——它把”俯视”理解成了”从上往下的光照”，把”仰视”理解成了”从下往上的逆光”，导致整体色感偏离了参考方向。

后来的解决方式是在这两张的 prompt 里明确补了光线方向说明，这才把偏差拉回来。所以对于正常视角以外的极端视角（俯视、仰视、特写），光线描述需要单独维护，不能依赖正面图的 prompt 直接复用。

---

多角度一致性没有”一招鲜”。参考图 + 固定 seed 是目前成本最低、收益最高的组合，但它有明确的能力边界——解决配色和光影，解决不了主体轮廓。知道每种手段的边界，才能在它能发挥作用的地方用好它，在它发挥不了作用的地方及时换策略。批量出图的核心竞争力从来不是”参数调到最优”，而是在哪里继续用工具、在哪里换回实拍——这个判断做对了，9 张图才能真正当同一款商品用。

相关阅读：电商批量出图实战：100 张主图的高效流水线、产品多角度展示图实战、Nano Banana 模型到底好不好用：5 个真实工单里的常见误会、风格统一调色实战：一组照片的色调一致性方案、白底商品转场景图的选择指南