AI 绘画

ai绘画ai吃香菜：画一张「吃」的画面有多难

FlowPix Team 发布于 2026-09-10 1,949 字

这事得掰开讲：AI画香菜不难，画「吃」才难。我为一句整活梗图连出八十张，成功率从一成磨到五成，靠的不是堆词，是把动作拆开喂。

起因特别不严肃。朋友在群里放了张香菜梗图，@我说「你不是玩AI绘画吗，给我画张吃香菜的，明天发群里整活」。我想这还不简单，结果一句话让我折进去一个晚上——2026年8月那晚，我连出二十轮共80张，才明白「吃」这个动作是AI绘画的重灾区。

香菜本身好画，绿叶、锯齿边、水灵灵的质感，都是模型的舒适区。难的是嘴、筷子、手和那张小脸之间的一连串互动，坏就坏在「一连串」三个字上。

「吃」这个动作，AI为什么总画不对

进食画面同时压中了AI的三处软肋：手部细节、嘴部遮挡和中间动作态，任何一处崩了整张图就穿帮。静态模型见惯了摆拍，少见正在进行的动作。

前8轮36张废片，我复盘出三种典型死法。最常见的是「悬停」：筷子夹着香菜悬在脸侧十厘米，嘴闭得严严实实，人和菜互不相干，像在给香菜拍证件照。其次是「融合」，香菜和嘴唇长在一起，绿得诡异。第三种最绝，第11轮出了张香菜精准插在鼻孔里的，我盯着看了半分钟，笑到舍友敲门。

想想也不奇怪。训练数据里「端着菜摆拍」的照片铺天盖地，「筷子进嘴那一瞬间」的照片又少又难拍，模型自然画不好它没怎么见过的瞬间。这不是玄学，是概率。

还有一处没人提但很要命的：视线。前三轮的图里，女孩的眼睛不是看镜头就是看别处，就是不看筷子上那撮香菜——动作图失去了注视，就像对话时对方不看你的眼睛，怎么摆都假。后来我在提示词里补了「目光落在筷尖」一句，协调感立刻上来了，这一句词的功劳排得进前三。

把「吃」直接写进提示词，成功率约一成；改成「举筷、夹起、张嘴、闭眼咀嚼」四步分镜逐张出，成功率爬到五成上下。拆动作，是这一晚最值钱的发现。

第9到14轮的补词方向一开始是错的。我拼命加「精致的手部」「可爱的嘴」，词堆得越长死得越惨——模型注意力就那么点，词多了互相打架。后来想通：与其描述结果，不如描述阶段，把吃这个动词拆成四个中间态，一次只要它画一个。

效果立竿见影。「手举筷子夹起一撮绿叶菜」那一档，出图几乎张张手部在线；「闭眼咀嚼、嘴角上扬」那一档，表情鲜活得像偷吃被抓包。80张里最后的成片，四分之三来自分镜写法。

最传神的一张是闭眼咀嚼那张：眉眼弯弯，腮帮子微微鼓着，盘子边上散着几片香菜叶。发到群里，那位朋友回了句「这表情太真实，像被抓现行」，整活圆满。他还追加了需求——同款表情包九张，这是后话。

嫌抽卡费额度的话，干脆绕开进食瞬间：画吃完之后的结果，空盘、残叶、心满意足的表情，稳得多也快得多。梗图要的是情绪，不一定非要那个动作。

我后来给群里补的一套整活图就是这条路：一张「盘子里只剩两根香菜」，一张「女孩叉腰瞪着一盘香菜」，一张「贴着桌角求饶」。三张一次过，十分钟收工，群里效果不比那张 chew 的差。

这套绕行思路能推广到很多动作题材。拥抱、奔跑、接东西，凡是「正在进行时」都难，凡是「之前」和「之后」都容易。你要做的是问自己：这个梗图非得卡在中间那帧吗？多数时候答案是不。

对了，还有个白捡的技巧：把「香菜」换成「绿叶菜」，通过率和稳定性都会涨一截。具体食材词偶尔会触发奇怪的联想，泛化的词反而让模型放得开。这是纯属运气的发现，但我复测了两轮，确实如此。

一晚上80张，最后群里传阅的就九张。朋友后来跟我说，那张鼻孔香菜他存了——废片有时候比成片好笑。要是你也接到这种整活委托，记住拆动作、画前后、少堆词，三招走完还不行，那就是梗的问题，不是你的问题。

食物是静态物体，照片素材海量；动作瞬间既难拍又少有人拍，模型学得自然虚。想出动作图，要么拆阶段，要么画前后状态。

根治谈不上，缓解不难：让手里的东西简单点，筷子比拉面稳，一颗菜比一把串稳；再就是少画近距离大手，中景的手崩了也不显眼。

别。模型会把两个动作搅在一起，出一种四不像的中间态。想表达连续动作，用分镜两张，各画一步，拼起来讲。

正常发布没问题，记得按平台要求勾AI生成声明。梗图类内容靠的是梗本身，标注不会影响传播。