我本职写后端，业余玩 AI 出图小半年。玩久了就忍不住想底层到底卡在哪，顺手翻了些资料，再对照自己踩过的坑，按我理解的难度排一下：
-
手。多指少指是老毛病了。根子在于模型对局部结构和物理约束理解不够，它知道那一团大概是手，但几根手指怎么长、关节往哪弯，它没有真正的"规矩"可依。
-
一致性。想让同一个角色在不同图里保持同一张脸，光靠提示词很难稳住。每张图都是重新抽，描述写得再细也只是在缩小范围，没法锁死，所以得靠额外手段去固定。
-
图里的文字。想生成一段清晰的中文标题，十有八九糊成乱码。这块进步一直很慢，我猜是因为对模型来说文字也只是"纹理"，笔画对错它不在乎。
-
可控性。脑子里的构图和它给出来的经常对不上，只能反复试。你写的每个词它都会看，但怎么摆、谁在前谁在后，最终还是它说了算。
这四条里，真正拖累实际生产的是一致性和可控性。单张出得好看现在已经不难了，难的是稳定、听话，能按你的意思一张张复现出来。手和文字至少还能后期补救，后两条一旦跑偏，基本就是整张重来。
