先给结论:目前没有任何主流生图模型能承诺"提示词里写几个,画面里就出几个"。想少翻车,关键不是把数字喊得更响——加"exact""必须正好五只"这类强调词几乎没有约束力——而是换思路:把数量从"要模型记住的抽象数字",变成"模型在画面上必须摆出来的空间结构"。数量越大、越依赖结构;数量越小、才允许依赖自然语言。
为什么多写一个"正好"没有用
AI 生图(扩散类模型)不是先打草稿再描线,而是从一团噪点开始一轮轮去噪:每一轮只根据局部邻居的统计规律决定每个小格子怎么改,再整体向提示词靠拢——这套流程里根本没有"总数"这个变量。更麻烦的是,训练目标决定了它偏爱"平均":有人复现过一个小实验,同一只手存在两种各占一半的合理排布时,均方误差下的最优解是把两种平均一遍——实验里在这个平均解上数手指状条纹,正常手是 5 条,却数出了 9 条。多出来的手指本质是平均出的"鬼影":模型不是数错了,是它压根没在数。知乎知乎

细节的生死还取决于"像素预算"。画面要先压进很小的 latent 空间再解码回来,实测显示细小间隙一旦在压缩后不足 0.3 个 latent 像素,重建后 100% 的样本缝被直接填平。这解释了为什么合影、远景里的人数和手指更容易出错,特写里反而少见。知乎
数量之外,"结构"也是全行业的低分科目。2026 年 5 月,阿里千问团队发布了这份面向创作者的生图评测,用 56 个可核查考点为模型打分,方案由中央圣马丁艺术家团队深度参与设计。知乎知乎
它对行业的整体结论并不客气:模型擅长复制表面纹理,需要结构、生物、物理这类看不见的世界知识时集体崩塌。连厂商自己都默认多出来的东西是常态——OpenAI 为 GPT-Image 2.5 发布的官方提示词指南,示范迭代指令时专门拿"去掉多余的树"当例子。知乎知乎
所以提示词的每一分力气,都该花在"让数量变成看得见的结构"上。
按数量分档写:三个数以内靠点名,更多的靠摆格子
2—4 个:逐一点名,每人一个坐标。 不要写"五个苹果"这种需要模型内部计数的表述,而是把每个个体单独安置:“画面左侧桌角一个青苹果,中间一只红苹果,右侧篮子里一只黄苹果”。人数场景可以先把清单做在提示词外面——给每个人定好位置、衣着、动作再逐条翻译进描述,颜色和站位本身就是让主体可区分的标记,别再给每个人叠十几个配饰。知乎
同一档里还有一条减歧义纪律:描述中尽量少用"他"“旁边那个人”,直接重复位置词;背景也要保持简单,镜子、墙上人像和拥挤人群都会给画面塞进"数不清"的干扰源。知乎

5 个以上:让结构替你数数。 最稳的写法是把数量转成网格和行列——“3×3 网格共 9 格,九个画面为同一个环境的九个机位”,九宫格、25 宫格分镜能批量直出靠的就是它,因为行×列的乘积关系是模型最容易执行的"计数"。新一代模型(GPT-Image 系列、Nano Banana、Seedream 等)用语言模型做条件编码,能吃完整句子和结构化格式,实测用 JSON 式提示词写 `count`、`columns` 字段,跑出的图鉴能到 63 格全对、每格属性不串位。反过来,老派关键词堆砌在这类模型上只会丢失对版面和区块数量的控制权。小红书知乎

大数量或要求苛刻:放弃"一次直出"。 十几个人、精确到个位的商品陈列,目前不存在能稳定一次写对的提示词。通行替代是拆开做:先生成单个或小组合,再多轮修——官方建议一次修改一个问题,以上一张结果为输入再提一个具体要求,需要保留的细节则逐轮重申。区域控制类工作流(ComfyUI、Krita AI Diffusion 的 Regions)可以辅助,但 Krita AI Diffusion 的 Regions 文档自己写明:区域只绑定提示词和参考图,不强制主体形状、甚至不保证主体出现。区域控制是引导,不是保证。知乎知乎
出图之后:先数数,再精修
翻车大多不是死在写提示词,而是死在没验收。检查顺序要先数完整主体的数量对不对,再查有没有融合的人、藏在后面的多余头部;位置不对时不要跳进服饰精修,先回结构层。每一轮只改一处、对照着改——一次改五个词,你永远不知道是哪个词起了作用,这是提示词调试唯一靠谱的纪律。两个细节常被忽略:小物体数量多时,把分辨率调高或改出特写,给细节留足"像素预算";图内有必须逐字正确的文字时,把它们单独列出、用引号标明,并说明字体、颜色和位置。出图后逐字校对——真要零错误就用设计软件排版,别指望把字"画"对。知乎知乎知乎
一句话收束:写数量类提示词的心法,是把"你给我画 N 个"翻译成"画面里哪里有第 1 个、哪里有第 2 个"。模型不会数数,但它很擅长把你摆好的位置抄下来——你要做的,是替它把数先数完。
当前文章无评论,是时候发表评论了