画一个人，现在的模型基本都能糊弄过去；画两个人有互动，问题就全冒出来了。中科大那边把这块单独拎出来做了评测，开源和闭源模型一起测，GPT Image 2 这种也在名单里，最后是打了分的。分数我就不搬了，反正结论是这一块整体都不算干净。
我自己跑图的体感也差不多。两个人握手、拥抱、一个人递东西给另一个人，这类需要身体接触的场景，最容易翻车：手指粘一块、胳膊数量对不上、谁的手接在谁身上都分不清。人一多，模型就开始靠糊弄过关，远处那几个直接给你画成模糊团。
提示词写得再细也压不住，因为这不是描述不清楚，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。