之前做一张图，要求两个人对视、其中一个把东西递给另一个。单人随便出都能看，这张抽了很多轮：要么两个人粘成一坨，要么肢体数量开始随机发挥，换成手挽手也是一样的毛病。GPT Image 2 这种闭源的，在这一项上同样没到能闭眼用的程度。
中科大那边专门做了套针对多人互动场景的评测，开源和闭源一起拉进来跑，结论跟我的体感对得上：单人像质量早就够用了，画面里一出现两个以上的人、再加上明确的互动关系，翻车率立刻上去。
原因我猜有两层。训练数据里干净的多人互动样本本来就少；另外互动说到底是空间关系问题，不是纹理问题，现在这套做法在这上面天然吃亏。