文生圖指令和文字創(chuàng)作指令有一個根本性的差異：文字創(chuàng)作的失敗是內(nèi)容失控，文生圖的失敗是權(quán)重失控。

每一個詞、每一個描述，在模型內(nèi)部都對應(yīng)一個生成權(quán)重。

指令寫得越長，權(quán)重越分散，模型越容易在不同描述之間做出它自己的優(yōu)先級判斷，而它的判斷往往和你的意圖不一致。

這是文生圖指令定制的底層邏輯，也是理解指令的優(yōu)點和缺點的前提。

我結(jié)合給童裝電商老板定制的豆包文生圖提示詞，拆解5個坑和對應(yīng)的解決思路：

1、面部特征保持不住：指令在做無效授權(quán)

"人物面部特征需嚴(yán)格基于我上傳的參考圖面部特征"，這句話，一般會在文生圖提示詞中反復(fù)出現(xiàn)，但它是一句無效授權(quán)。

問題不在于這句話說錯了，而在于它說的是結(jié)果，沒有說機(jī)制。

尤其豆包在處理參考圖時，面部特征的提取權(quán)重遠(yuǎn)低于文字描述權(quán)重。

當(dāng)提示詞中，同時出現(xiàn)"參考圖面部特征"和"五官精致柔和，皮膚白皙，圓臉蛋，笑起來露出整齊的乳牙"這些文字描述時，模型會優(yōu)先響應(yīng)文字，把參考圖當(dāng)成風(fēng)格參考而非面部藍(lán)本。

很多通用的模版式的指令恰好犯了這個錯誤。

它在同一段里既引用參考圖又用文字重新描述五官，等于給模型發(fā)出了兩套相互競爭的面部信號。

模型不知道該聽誰的，結(jié)果是兩套都參考、兩套都不準(zhǔn)。

如果它是個活人，一定會內(nèi)心嘀咕，wo kao，我好難啊。

優(yōu)化思路是做減法：如果要保持參考圖面部，就只寫"嚴(yán)格復(fù)刻參考圖面部特征，禁止重新生成面部"，刪掉所有文字性的五官描述。

文字描述和參考圖引用只能保留一套，留兩套就是在內(nèi)部制造噪音。

2、衣服細(xì)節(jié)保持不住：描述維度和模型擅長維度錯位

很多人做服裝電商類的提示詞，都會在服裝描述上花大量篇幅，但是仔細(xì)看會發(fā)現(xiàn)，描述的維度主要是版型、顏色、節(jié)日感這類整體印象型描述，而不是局部錨點型描述。

整體印象型描述的問題是：它告訴模型這件衣服應(yīng)該給人什么感覺，但沒有告訴模型具體哪些細(xì)節(jié)不能動。

比如，春節(jié)期間，很多電商老板都在用豆包生成有春節(jié)喜慶氛圍感的圖片。

那么模型在響應(yīng)"節(jié)日喜慶感"這個指令時，會根據(jù)自己對喜慶、對童裝的理解去生成，而不是忠實復(fù)刻參考圖或文字描述的具體細(xì)節(jié)。

針對這個問題，有效的描述方式是逐一鎖定關(guān)鍵視覺錨點：

領(lǐng)口的具體形狀、袖口的裝飾方式、圖案的位置和顏色分布、面料的質(zhì)感特征。

每一個錨點都是一個約束，錨點越多，模型偏離的空間越小。

同時一定不要想當(dāng)然地在負(fù)向描述里寫"禁止修改衣服的細(xì)節(jié)"，負(fù)向描述是用來排除錯誤結(jié)果的，不是用來鎖定正確細(xì)節(jié)的。

鎖定細(xì)節(jié)要靠正向描述的精度，不能靠負(fù)向描述的禁止。

這是很多通用套版指令結(jié)構(gòu)上的一個根本性誤解。

3、皮膚發(fā)黃和光感失控：場景描述和光源描述沒有分層

皮膚發(fā)黃是豆包在生成亞洲兒童時的一個高頻失誤，（備注：我并不是說黃色不高級，更不涉及人種問題，僅針對畫面質(zhì)感分析）根源不在于膚色描述不夠，而在于場景光源描述污染了膚色權(quán)重。

為了營造場景的氛圍感，很多提示詞會在場景描述里寫"溫暖的暖色調(diào)"、"溫暖而柔和"、"燈光透過紗簾灑下"，這些描述都在向模型傳遞暖色光源信號。

但是，模型在響應(yīng)暖色光源時，會自動對皮膚做暖色渲染，結(jié)果就會導(dǎo)致人物的皮膚發(fā)黃。

這是一個信息層污染問題：場景氛圍描述和人物膚色描述被放在同一優(yōu)先級里，模型無法區(qū)分哪個層的信息該覆蓋哪個層。

優(yōu)化方向是把場景光源描述和人物膚色描述做物理隔離：

場景氛圍可以是暖色調(diào)，但在人物描述段落里單獨加入"人物皮膚在暖光環(huán)境下保持自然白皙，光源打在皮膚上產(chǎn)生自然高光而非暖黃色染色"。

這兩個描述針對不同的生成層，不會互相覆蓋。

4、氛圍感不足：場景是道具堆砌，不是氛圍建構(gòu)

很多文生圖提示詞對場景描述的寫法是：列出道具，說明擺放位置，說明顏色和質(zhì)感。

這是一種道具清單式寫法，它告訴模型場景里有什么，但沒有告訴模型這些東西組合在一起應(yīng)該讓人感受到什么。

"茶桌上放著一套精致的茶具，旁邊擺放著幾本古老的書籍和一瓶剛采摘的綠茶葉"——這句話是一個擺設(shè)說明書，不是一個氛圍描述。

模型在響應(yīng)這類描述時，會忠實地生成這些物品，但不會主動建構(gòu)它們之間的氛圍關(guān)系。

真正有效的氛圍描述需要做兩件事：先給出情緒定性，再用細(xì)節(jié)印證。

不是"茶桌上有茶具"，而是"空間里有一種午后安靜的慵懶感，陽光斜打在木質(zhì)茶桌上，茶具的釉面反射出細(xì)碎的光斑"。

情緒在前，道具在后，道具是情緒的證據(jù)，不是場景的清單。

5、負(fù)向描述的結(jié)構(gòu)性誤用

最后我再強(qiáng)調(diào)一下負(fù)向描述，很多文生圖提示詞的負(fù)向描述寫得很詳細(xì)，但存在一個結(jié)構(gòu)性問題：負(fù)向描述被用來做正向約束。

"禁止修改衣服的細(xì)節(jié)"、"禁止女童手里拿別的款式的衣服"、"禁止半身"——這些都是正向約束，描述的是"應(yīng)該生成什么"，放在負(fù)向描述里是無效的。

負(fù)向描述的機(jī)制是降低某類特征出現(xiàn)的概率，它只能排除，不能鎖定。

正確的分工是：正向描述鎖定應(yīng)該有什么，負(fù)向描述排除不應(yīng)該有什么。

如果把大量"應(yīng)該有什么"的約束塞進(jìn)負(fù)向描述，導(dǎo)致正向權(quán)重不夠集中，負(fù)向描述又承擔(dān)了超出它能力范圍的工作，兩邊都打了折扣。

針對這個問題，優(yōu)化方向是重新分揀：

把所有關(guān)于衣服細(xì)節(jié)、姿勢、構(gòu)圖的正向要求移回正向描述段，負(fù)向描述只保留真正需要排除的類別，成人化體態(tài)、畫面分屏、背景雜亂、手指變形這類模型高頻失誤。

負(fù)向描述越精簡，它對高頻錯誤的排除效果越強(qiáng)，寫得越滿，每條的權(quán)重越低。

以上就是我在給服裝電商老板定制豆包文生圖提示詞的過程中，總結(jié)的實操經(jīng)驗，希望對你有所啟發(fā)。