ai人工智能绘画多人为什么容易翻车？把人数和关系写明白再跑

ai人工智能绘画多人的图，翻车方式花样百出：三个人画出六只手，说好的双人对视变成了背对背，最离谱的一次，两个人的身体中间还长出了第三张脸。2026年5月我给部门做团建海报，头一晚跑了一百多张，能用的只有两张，那张一百多张的废图文件夹我到现在都留着，算是给自己上的一课。多人图不是不能做，是得多想一步再动手。

单人图的成功经验搬到多人图上会集体失灵，因为模型对"数数"和"关系"这两件事的理解，比你以为的要差得多。下面按三道坎拆开讲。

人数要写成具体数字，别指望模型自己数

直接写"两个人""三个人"，比"一群朋友""好几个人"可控得多，人数越多成功率越低，超过四人就做好拼图的准备。

模糊的人数词是多人图的第一杀手。写"聚会场景"，模型给三张脸还是五张脸全看心情，多出来的脸从哪长出来的都不知道。我的记录大概是这样：

这张表是我2026年5月到8月做图攒下来的个人记录，样本有限，不同工具会有出入，但趋势是稳定的：人数每加一个，难度不是加一，是翻倍。所以四人以上的合影需求，我如今一律不硬跑，直接走分层，省下来的电费和时间够吃顿好的。

人物关系要翻译成动作和朝向，模型才懂谁是谁

"面对面击掌""并肩坐着看手机"这类具体动作，比"好朋友""同事"这种身份词管用，关系写在动作里，模型才能摆对位置。

身份词是多人图第二杀手。你写"老板和员工开会"，模型根本分不清哪个是老板，出来俩人穿得差不多，谁是谁全靠脑补。但换成"穿西装的男人站着讲话，穿卫衣的年轻人坐着低头记笔记"，画面立刻清楚。身份是抽象概念，动作、朝向、视线才是模型能执行的画面指令。

视线尤其好用。"两人对视"四个字，能把两张各画各的脸拼回一张有交流的图。我还常用"一人指着屏幕，另一人看向屏幕"这种三方关系，指针方向、看的地方都交代了，模型出错的空间就小了。多人各干各事的图也一样，每个人单独一小句描述，动作别超过一个，句子一长模型就开始自由组合。

给个对照实例。团建海报那句让我跑了一百多张废图的原始写法是"公司团队合影，气氛活跃，大家很开心"。拆完之后我改成："五个年轻人，前排三人坐着比手势，后排两人站着，所有人都看向镜头，办公室背景，明亮配色"。人数、站位、朝向、视线一行交代完，第一轮就出了两张能用的。同一个需求，会写和不会写，差的是一百张废图的时间。

话说回来，也不用把提示词写成说明书。核心关系交代清楚，剩下的留给模型发挥，太长的描述反而互相踩脚，这点和单人图是一样的。

脸一多就糊，分层生成是笨但稳的路子

与其一张图硬塞几张脸，不如先出构图和整体氛围，再对每个人脸做局部重绘，慢是慢点，成图是真能用。

我实测过两条路的差距。团队合影那次，整图硬跑两个多小时，一百多张挑不出一张五官全对的；换成先出一张远景构图，再挨个把人脸框出来重绘，总共两个半小时，出了一张能直接发工作群的成品。多花的半小时，换来的是不用再大海捞针。

局部重绘修脸的时候，把重绘范围框小一点，只框脸，别把头发肩膀一起框进去，不然每次重绘全身都在变，修好一张脸毁了整个姿势。这个坑我踩过四五次才学乖。另外重绘一次只修一个人，修完确认再修下一个，贪快两个一起修，经常按下葫芦浮起瓢。

多人图的难度被太多教程轻描淡写了。记住三道坎：人数写数字、关系写动作、脸糊了走分层。预期降下来，方法用对，多人图从"碰运气"变成"有流程"，也就是这么回事。我那张一百多张废图的文件夹还留着，就当是学费的收据。

常见问题

两个人牵手的图为什么手总是崩？

交叠的手部是模型的老大难，牵手、击掌、递东西都属于高危动作。写清"十指相扣"还是"手拉手"区别不大，真崩了就走局部重绘，别硬跑。

多人图提示词里，谁写在前面有区别吗？

有。写在前面的人物通常得到的画面资源和细节更多，主角放前面，配角放后面，构图重心会更符合预期。

生成的多人合照能直接用吗？

看用途。发社交媒体当氛围图，小尺寸看不清五官细节，能用；要印出来或者投屏展示，脸上的瑕疵藏不住，建议走一遍分层修脸再交。