批量出图效果不好怎么排查？AI问题定位法

周一上午十点，做 3C 配件的小吴把同一批充电头实拍图跑了两轮。第一轮他挑了一组，觉得「差点意思」，又说不上差在哪；第二轮换了张参考图重跑，结果还是不满意。他把两轮结果并排放在屏幕上看了五分钟，最后得出结论：这功能不行。

我去看了一眼他那两轮的原图，问题立刻清楚了。他上传的两张参考图里，充电头都放在桌面中间，但第一张左上角露出半截鼠标，第二张有台灯的反光压在插脚上。AI 每次出图都在照着他给的画面来，主体是有的，可画面里那些多余的东西也被一起带了出来。他归咎于工具，其实是输入那一步就带进了脏东西。

效果不好这件事，绝大多数时候不是玄学。它有一个明确的分层结构：输入、参数、描述、筛选，四层里只有一层的活儿是 AI 干的，另外三层的活儿全在你手上。麻烦的是这四层的症状长得都很像——画面不对、细节不像、整体怪，看不出是哪一层出的问题。这篇给一套从上往下逐层确认的排查动作，讲清每一层的具体症状长什么样、花多久能确认、以及为什么多数问题最后都落在第一层。

图1：同一批参考图跑两轮都不满意时，问题往往不在后两轮，而在最开始那张图。

一、先分清「效果不好」到底指哪一种不好

排查之前有一件事必须先做：把「不好」这个词拆开。多数人说不清自己要的是什么，只能说「看着不对」，而「不对」至少包含四种完全不同的情况，它们的成因和处置方式差别很大。

第一种是主体不对。图里的产品比例失真、形状被改动、细节被重画，看起来跟实拍不像。这种情况通常指向输入那一层，参考图里的产品主体不够完整或者不够清晰，AI 只能靠猜。

第二种是画面不干净。产品是对的，但画面里混进了多余的东西——桌面上的杂物、背景的反光、旁边露出的半截物件。这类问题同样出在输入层，因为它们本来就在你上传的那张图里。

第三种是气氛不对。产品对、画面也干净，但整体的调性跟预期差一截，颜色偏冷或偏暖、光线方向不对、风格太年轻或者太老气。这类问题多指向参数和描述这两层。

第四种是明明有更好的。一批图里其实有那么一两张是可用的，但挑的时候没挑到，或者挑的时候标准不一致，随手选了一张最顺眼的，用起来才发现不如图里另一张。这类问题出在筛选层，跟出图本身无关。

把这四种分开，排查才有方向。说不清是哪种，就会陷入「反复重跑」的循环——每次都换一个变量，但换的不是问题所在的那个变量，于是跑了几轮还是不满意，最后归因于工具。

二、四层排查结构：从上往下走

分层排查的框架很简单：输入层、参数层、描述层、筛选层，按这个顺序从上往下走。顺序不能颠倒，因为上层的错误会伪装成下层的问题。

举个具体的例子。如果参考图本身模糊，你看到的结果是「细节不真实」，第一反应很可能是去调描述、把提示词写得更细。可实际上再怎么描述，AI 从一张模糊图里也读不出你没给它的细节，最后依然是不像。从上往下走的意义就在于，先排除掉那些「无论怎么调都救不回来」的层，再处理真正可调的部分。

这张表最有用的地方是最后一列。输入层和参数层的确认成本都很低——看一眼原图、看一眼设置，一两分钟能走完。所以排查的正确姿势是从成本最低的那一层开始，而不是从自己最熟悉、最想改的那一层开始。

还有一处需要留意：四层不是各自独立的，下层的问题会被上层放大。输入图里有一处反光，参数里如果选了偏冷的光线方向，反光会更明显；输入图主体不完整，提示词里再强调卖点也没用。这也是为什么要从上往下排查——上面那层没解决之前，下面那层的调整效果是不可信的。

图2：同一张参考图跑出来的结果，先跟原图比对着看，再按四层从上往下查。

三、输入层怎么确认：三个具体动作

输入层的确认不需要工具，肉眼就能完成，但它需要你有意识地去「审」那张图，而不是扫一眼就上传。下面三个动作是这一层最实用的检查点。

三个动作加起来不到一分钟，但它们的收益最高。原因很直接：输入层决定了这次生成的上限。参考图的信息量就那么多，AI 不会凭空补出它看不见的部分，任何在输入层就存在的缺陷，后面几层都只能缓解、无法根除。青虎AI 的出图功能会根据你上传的参考图去解析产品特征，参考图里有什么，它就会照着理解什么。

这也是为什么青虎AI 主图套图这类功能在上传环节反复强调「推荐白底图或者正面实拍图、主体完整、光线充足」。这句话不是客套的注意事项，它是在告诉你输入层的质量边界在哪里。照着这个标准挑图，后面几层要处理的问题会明显变少。

四、参数层怎么确认：四组设置逐一核对

输入层没问题，往下看参数。参数层的特点是「设置项不多，但每一个都会体现在结果上」，漏检任何一个都可能白跑一轮。四组设置按顺序过一遍即可。

这四组里，比例和语言属于「设错了必然出问题」，数量属于「设错了浪费成本」，模式属于「不确定就先别动」。排查的优先级也按这个顺序。

比例这一项值得单独说。它的误设往往不是选错了，而是「没选」——沿用上一次的默认值，而这一次的用途已经变了。同一张商品图投在方形主图位和竖版详情位，需要的画幅完全不同，比例不对的话，图再怎么好看也用不上。确认方法很简单：先写清楚这张图的用途，再回头核对比例，两边对得上就过。

数量这一项经常被忽略，但它直接决定了筛选层的难度。一批出八张，挑一张最快的图可能只需要几十秒；一批出几十张，挑图就要花好几分钟，而且挑选标准容易在过程中漂移。试新风格的时候把数量设小一点，确认方向对路再加大批量，比一次跑满再纠结要省事。

五、描述层怎么确认：提示词与主体之间的关系

前两层都排除了，再看描述。这一层最容易出现的一种误解是「描述写得越详细效果越好」，而实际情况往往相反。

原因在于提示词和参考图之间有分工。参考图负责告诉 AI 这个产品长什么样，提示词负责告诉 AI 这张图要用在什么情境下。如果你在提示词里把产品的外观反复描述一遍——颜色是什么、材质是什么、有几个接口——AI 很可能会按你写的那份描述把产品重画一遍，而不是照着参考图来。结果就是产品看起来「像但不是」，或者说不上哪里别扭，因为它是两套信息混出来的。

所以检查提示词时，重点看的不是它写得够不够多，而是它有没有越界去描述产品本身。稳妥的写法是把产品外观交给参考图，提示词只描述情境——用在什么场景、整体调性偏什么、要突出哪类信息。这样两边的活儿不重叠，产出才稳定。青虎AI 的部分功能在进入之后会自动填充一段可以修改的提示词，那段文字的作用正是给你一个情境描述的开头，改的时候往情境方向走，不要往里加产品细节。

还有一处细节：不同的功能，提示词的填写方式不一样。有的功能在进入之后会自动填充一段可以修改的提示词，有的功能需要你自己写一句统一指令，有的功能支持为同一批参考图设置多条独立指令。确认的时候要看清自己用的是哪一种，不要拿一种功能的使用习惯去套另一种。

六、筛选层怎么确认：是不是挑错了张

四层里最容易被跳过的是筛选层，因为大家默认「图都出来了，挑一张是顺手的事」。可实际上挑图这一步的失误率不低，而且它有一个特点：失误之后你会觉得是出图效果不好，不会怀疑到自己挑的这张上。

筛选层的典型失误有三种。第一种是只看第一张。结果页通常按顺序排列，第一张最容易被直接拿走，而它未必是最好的那一张。第二种是按心情挑。同一批图里两张差别不大的时候，选择往往取决于当下看到哪张顺眼，换个时间再挑可能挑出不同的结果。第三种是标准中途变了。挑到第五张时突然觉得「其实这种风格更好」，于是否定前面四张的判断标准，最后选的图跟开头想用的位置并不匹配。

处理这三种失误的办法不复杂：挑图之前先把标准写下来，一次挑完，不要在挑的过程中改标准。标准可以很具体，比如「主体完整、背景干净、能直接用在主图位」，三条就够。写下标准之后，同一批图在不同时间、不同人手上挑出来的结果会更接近，也不会出现「明明有更好的却没用上」。

还有一处和筛选层紧密相关的动作：挑完之后立刻确认这张图能不能直接用。有些图整体不错，但边缘有一处不自然的过渡，或者图里的文字位置偏差了一点。这类问题在缩略图上看不出来，必须放大看。放大确认花十秒，能省掉一次投放出去之后才发现问题的返工。

图3：输入、参数、描述、筛选，按这个顺序走，先排除成本最低的那一层。

七、把排查固化成顺序表，以及它为什么总落在输入层

把四层排完之后，会发现一个明显的分布规律：在日常的出图问题里，落在输入层的比例最高，参数层次之，描述层和筛选层相对少。理解这个规律，能让你在下次遇到问题时省掉很多弯路。青虎AI 的主图套图这类功能在上传环节提示优先选白底图或正面实拍图，本质上也是在把输入层的门槛提前说清楚。

原因有三层。第一层是心理上的：输入层的动作发生在最前面，那时人对「效果会怎样」还没有具体的预期，挑图的时候容易随手拿一张就开始跑。而参数、描述这两层是在有明确目标之后才设置的，注意力反而更集中。

第二层是认知上的：多数人把「出图效果」理解成工具的输出质量，觉得输入图只要产品在画面里就算合格了。这个理解忽略了一件事——参考图不只是提供产品信息，它也在提供场景信息，画面里有什么，AI 就有可能保留什么。挑图时的标准如果只有「产品看得清」，那输入层的把关其实只做了一半。

第三层是流程上的：输入层的问题在结果上表现得很像其他层的问题。画面里夹带了一个多余的物件，你看到的是「这张图怪怪的」，第一反应会是去调参数或改提示词，而不是回头看看原图。这类误判会把排查时间拉长好几倍。

所以排查这套动作里真正有价值的不是「分层」这个框架本身，而是「先看输入层」这个固定顺序。把它整理成一张能贴在工位上的顺序表，遇到问题时从上往下走，每一步都给出明确的判断依据，不依赖感觉。

这张表的一个特点是每一步都能给出是或否的答案。排查失败通常不是因为问题难，而是因为「不好」这个词太模糊，让人无从下手。把模糊的判断拆成几个明确的问题，卡点就会自己浮出来。

前两步加起来可能只需要一分钟，但它们拦下的是概率最高的一类问题。第三到第五步涉及设置项，改动之前要确认自己改的是不是真的有问题的那一项，否则容易改出一堆新的问题。第六步最省力，也最容易被跳过，但它需要的前提是前五步都过了——如果前三步就发现参考图有问题，那么不管怎么挑都挑不出能用的结果。

八、四个常见误区

下面这四种理解偏差，是排查时最常见的绕弯路方式。它们看起来都很合理，但每一个都会让排查原地打转。

九、四个提效技巧

下面这四条不改变排查框架，但能让下一次的问题更少。它们都属于「事前做一点，事后省很多」的动作。

十、三个可以照做的场景

三个具体场景，覆盖了排查这件事最常遇到的三种情形。

图4：同一套四层排查动作，接得住细节不像、画面夹带杂物、气氛不对这几类日常问题。

三个场景的共同点是：动手之前都有一分钟的确认时间。这段确认不产出任何东西，看起来像是在拖慢进度，但它换来的是下一轮不用重跑。真正的问题从来不是「跑得不够多」，而是「跑的方向不对」——方向不对的情况下，跑得越多，浪费越大。

青虎AI 的主图套图这类功能，一次调用就能输出覆盖多个用途的成套素材，产出的选择空间比单张出图大得多。空间越大，前面的输入质量就越关键，因为后面所有产出都建立在那张参考图之上。把输入层当作整套流程的第一道关口来守，比在结果出来之后反复纠结要划算得多。下次再遇到「效果不好」，先别急着换参数——回头看一眼你上传的那张图。

十一、总结

十二、常见问题解答