需求是一句话：“六个人一起在海边”。

结果是五版。种子固定 777001，尺寸固定 1536×1152（1.77M 像素，横构图），模型固定（MOSS-Image，30 步 / CFG 3 / er_sde+simple），每版只改描述词。

这篇把五版逐版记下来——包括每一版改了什么、为什么改、以及模型是怎么自作主张的。

一、五版总览

版本	单张耗时	提示词长度	这一版改了什么	结果
v1	20 s	1220 字符	首版	六人齐，但多个角色设定错
v2	20 s	1248 字符	某角色发长：短发 → 过腰长发	改对；其余五位同种子基本一致
v3	—	1276 字符	某角色：长发 → 黑色短发波波头	改对
v4	18 s	1439 字符	三处设定重写（按用户给的造型图核对）	设定改对了，人数变成 7 个
v5	18 s	1412 字符	显式计数 + 负向压重复角色	六人对，设定对上

注意一个数字：提示词长度从 1220 涨到 1412，只多了 15%，但这 15% 全是”人”的约束。

二、v1 → v2 → v3：改描述词就够了

第一版六个人都在，但设定错了。用户给的反馈非常具体，都是可直接翻译成词的：

• “某角色的头发应该是过腰的长发” → 把 hair 的描述从短改成 very long ... hair with an ahoge reaching past her waist；
• “这个角色是短发” → 改成 short hair in a bob cut。

同种子重跑，改动只影响被改的那个角色，其余五位基本保持一致——这是固定种子迭代的好处：你改了什么，一眼能看出来。

v2 之后还有一处细节值得记：用户给的造型图，在这条路线上只能用来改文字。因为 MOSS-Image 是纯文生图 DiT，没有图片输入——它吃不下参考图。想要”照着图还原”，得换支持参考图的模型（图生图路线），这是两条不同的技术路线，不是同一个模型的参数问题。

顺带一个视觉模型的小坑：让视觉模型描述用户发来的造型图时，它把角色身份认错了（认成了别的作品的别的角色）。所以核对身份这件事不能交给视觉模型，要靠用户口述的特征（发色 / 发长 / 眼镜 / 光环形状）来对。视觉模型看”结构”（几个人、有没有粘连、手崩没崩）是够用的，看”这是谁”不可靠。

三、v4：设定全改对，人数变成 7 个

v4 按用户给的造型图重写了三处：

• 第二位：“她其实是第一名角色的成年版”，所以不是黑头发——改成”一位高挑的成年女性，超长银白长发、灰狼耳、破碎的黑色光环、深藏青泳装、平静表情；
• 第五位：双马尾，垂到腰；
• 第六位：黑色短发 + 红框眼镜。

三处全改对了。但同一版里，画面里出现了 7 个人。

原因很典型：为了让”成年版”能被认出来，我在提示词里同时写了成年版的名字和原角色的名字。模型没有”这两个是同一个人的不同版本”这个概念——它读到两个名字，就画了两个人。

四、v5：把”人数”变成一个可以约束的东西

修法是两条，一起上：

1. 显式计数，并把顺序编号写进提示词

"exactly six girls, 6 characters, a group of six ... students ... on a beach,
 from left to right standing in a loose row of six:
  1st girl <角色描述>,
  2nd girl <角色描述>,
  ...
  6th girl <角色描述>,"

2. 负向词里直接排他

负向词加上：extra girls, seven girls, duplicate character。

同种子重跑，回到 6 个，而且三处设定改动全部保留（第二位不再是黑发、第三位过腰长发、第五位双马尾垂腰、第六位短发还连眼镜都补上了）。

这里有一条可复用的经验：当画面里”某个东西的数量”很重要时，别指望模型自己数。 显式声明数量（exactly N）+ 逐个编号（1st/2nd/...）+ 负向排他（把”多出来”写成负面词），三件一起做，比只做其中一件有效得多。

五、五张图

v1 首版（六人齐，多个角色设定错）：

v1：六个人都在，但发型发色有多处不符

v2 某角色改长发：

v2：该角色的头发从短发改为过腰长发，其余五位同种子基本一致

v3 另一角色改短发波波头：

v3：另一位改成黑色短发波波头

v4 设定改对，但多出一个人：

v4：三处设定都改对了，但画面里出现了 7 个人（同一个角色的两个版本被当成两个角色）

v5 定版（六人对，设定对上）：

v5：显式计数 + 负向排他之后回到六人，三处设定改动全部保留

六、仍然没解决的两处

定版也不是完美的，还有两处小偏差，最后决定不再追：

1. 第一位角色的发型画成了偏短（原设是长发）；
2. 第二位角色少了我明确要求的”破碎黑色光环”。

为什么不追了：这两处都属于模型容量层面的漂移，不是提示词能稳定钉住的。已经验证过的结论是——这个模型在这一档分辨率下的甜点区是单个/双角色 + 大量文字，六个人同框已经在它的能力边上：人数和配色能对上，细节设定会漂，手部会崩。

继续磨提示词的边际收益很低。要真想要”六个人各自精准”，正确做法是换成支持参考图的模型（每个角色单独给参考），或者干脆拆成六张单人图再拼——这也算是这次迭代最后得出的方法论：与其和一个不擅长多角色的模型死磕，不如改变任务的形状。

七、这次迭代留下的三条

1. 固定种子迭代：每一版只改”人”的描述，能立刻看出改动生效了没有。
2. 数量要显式约束：exactly N + 逐个编号 + 负向排他，三件一起做。
3. 认清模型边界比调词重要：当问题是”六个人各自精准”，而模型的天花板是”人数对、细节漂”，那就不该继续在提示词上投入，应该换工具或换任务形状。

五版、约 94 秒总出图时间，最后交付的是一张可用图 + 一份知道自己该用在哪的边界认知。后者更值钱。