你们有没有发现，单人图现在基本都能糊弄过去，一到两个人有互动就原形毕露？
中科大那边专门把多人互动的图像生成拎出来做了评测，开源闭源一起测，GPT Image 2 这类也在名单里，最后打了分。分数不搬了，大意是这一块整体都不干净。跟我自己跑图的感受对得上：握手、拥抱、递东西这种有身体接触的场景最容易翻车，手指粘成一坨、胳膊数对不上、分不清谁的手长在谁身上；人再多一点，远处那几个直接糊成一团。别指望靠把提示词写细来救，这不是描述不清的问题，是模型压根没把两个人之间的空间关系当成一个整体去建模。
确实