刷到中科大那边放出来的一份评测，专门盯多人互动这一类图像生成——不是站一排拍合影，是两个人以上真的有动作关系的那种。他们把开源和闭源的一批模型放在一起打分，GPT Image 2 也在名单里。
指向挺明确：这块是普遍短板。单人图的质感已经卷到很高了，可一旦要求“A 的手搭在 B 肩上”这种关系，模型经常就糊弄过去，手和身体的归属开始错乱，多一只少一只都算常规操作。
我自己跑图也是这个体感，凡是两人以上就得靠 controlnet 或者干脆拆开画再合，纯文生图基本靠碰。具体每家拿了多少分我没细看，等完整榜单出来再说。做多人场景的朋友现在都怎么绕过去的？