AI绘画测试怎么做？出图前后要过的四道关

AI绘画测试这件事，我是被一次换底模的翻车逼出来的。杭州这边做外包，2026年8月我把用了半年的底模换了个新版本，凭感觉挑了几张图看看效果，挺好，上线。结果客户那边批量出图时，三成图的手部全崩了。那之后我把以前做软件测试的思路搬了过来，搭了个小测试集，10月14日换新版模型时先跑了一遍，同样的坑一次没踩。

先给结论：测试不是给模型打分，是给你的工作流打分。模型好不好是模型的事，你的提示词、参数、后处理在它上面稳不稳，才是测试要回答的问题。

测试集怎么搭：20张图就够用

固定20张图的测试集：10张主场景、6张边缘场景、4张历史翻车图，种子锁死，每次换模型或大改提示词后整套重跑。半小时出结果，比凭感觉挑图可靠得多。

我的测试集构成不复杂。10张是最常见的出图场景，比如单人半身、全景、静物；6张是边缘场景，专门挑模型容易崩的：手部特写、多人同框、逆光、复杂纹样；剩下4张是历史翻车图——每次翻车我就把当时那张的提示词存进去，作为回归测试用例。这招跟软件行业的做法一模一样：修过的bug，必须变成测试用例。

种子锁死是关键。同一组提示词不锁种子，每次出图都不一样，测了等于没测。锁了种子，模型之间的差异、参数改动的影响，才能干净地比出来。

搭测试集还有个容易忽略的点：提示词存档要连参数一起存。我早期只存了词，换参数后想复现翻车场景，翻半天记录都对不上号，10月起连种子、CFG、步数一起存，复现一查就中。

四道关分别测什么

第一关结构稳定性，第二关风格一致性，第三关边缘场景，第四关参数敏感度。四关全过再上线，崩图率能压到个位数。

9月那次翻车，复盘就是第一关没测：新模型对手部的处理比旧版差一截，我挑样图时恰好没挑到手部特写。现在四关跑完才敢说"新模型能用"。参数敏感度这关很多人不测，其实它决定你批量出图时参数的容错空间——敏感的模型，同样参数出十张能给你十种效果。

边缘场景的6张图里，有两张值得单独说。一张是逆光人像，专门测模型在强光轮廓下会不会把脸画糊；另一张是复杂纹样的服饰，专测细节会不会糊成一团。这两张图是8月换模翻车之后特意补进去的，当时客户订单里恰好就有逆光和纹样各一张，都崩了，钱倒是没赔，改稿改到半夜是真的。

测完之后，结果怎么用

测试结果落成三样东西：参数速查表、翻车黑名单、模型的适用边界说明。不落成文档，测了就白测。

我的习惯是每次测试完写一页速查表：这个模型在什么参数段最稳、哪些题材碰不得、跟上一版比退步了哪里。10月14日那次测试就发现，新模型出高清图的锐度好了不少，但复杂纹样题材明显变差，于是纹样类的单子我留在了旧模型上跑。速查表就贴在工位旁边，接单看一眼再报价，心里不发虚。

对了，画质增强和放大环节也值得单独测一轮。放大算法对细节的补全方式差异不小，我在AI高清绘画那篇里写过放大环节的对比，测试思路是通的，先把主模型测稳，再测放大链路。

最后提一句：测试集里的图别用客户稿件，用你自己生成的、没有版权纠纷的素材，翻车图存档时也把客户信息抹掉，这个习惯省了不少麻烦。

现在每换一次模型，跑一遍测试集，二十来分钟，一张表就摆在那：能不能换、换什么参数、哪些单子别碰。9月那种上线才发现崩图的狼狈，之后再没发生过。测试说到底就是花二十分钟，买一个"心里有底"。这张表现在换到谁接手都能看懂，比口头交接靠谱多了。

常见问题

AI绘画测试需要多少张测试图？

20张就够日常用了，重点是覆盖主场景、边缘场景和历史翻车图三类。数量太多测得累，反而坚持不下来。

不锁种子能测出稳定性吗？

不能测准确差异。不锁种子时随机波动会盖过模型和参数的真实差异，先锁种子比单项，再看随机跑的表现，两步分开做。

测试通过的模型还会翻车吗？

会，测试只能覆盖见过的场景。所以每次翻车后要把新翻车图补进测试集，让它变成回归用例，覆盖面才会越滚越大。