手指画不对这事，本质不是模型笨，是它压根没有"手"这个概念，只有像素的统计分布。训练集里手大多在抓东西、互相遮挡、各种角度，模型学到的是一只"平均手"，而平均手就是六根七根、方向乱指。
我自己跑图也一样，越复杂的动态手崩得越狠。文字生成同理，字母顺序、拼写都是强结构，统计模型天然对付不了。所以与其骂它蠢，不如认清它是在拼贴不是在画。实操上负向提示把"多指、畸形"写死，生成完再用局部重绘补手，或者丢个手部参考图进去，基本能压下来。
想彻底解决估计得等结构约束进到架构里，要么数据端喂足够多干净的、孤立的手图。
