为什么直接说「漂亮模特」效果差

做电商的大概都试过这件事：手上有一件毛衣、一条裙子、一副耳环，想要一张模特上身图。于是打开 AI，写下最自然的那句话：

漂亮模特穿着米色针织毛衣，高清，写实，8k

出来的图，说它是「一个人穿毛衣的照片」没错，但完全不能用。皮肤是那种打了十层磨皮的蜡感，光不知道从哪儿来的，毛衣像是画上去的而不是穿上去的。跟真实的商品图摆在一起，任何人半秒钟就能分出哪张是 AI。

这时候第一反应通常是怪工具：是不是该换 Midjourney、是不是得等下一代模型。偶尔确实如此，但绝大多数情况下，问题在于上面那句话里几乎没有任何有效信息，模型只能把每一个空缺都用「平均值」填上。

「漂亮模特」到底在要什么

要理解这一点，得先想清楚图像模型拿到一个模糊形容词时会做什么。

这类模型是从海量的「图片 + 描述」里学出来的。你写的每个词，都对应它学到的某一片区域——一堆被这样描述过的图片。当你写得精确，比如「85mm 镜头，f/2，略低于视线高度拍摄」，你指向的是一片很窄、内部高度一致的区域：里面几乎每张图都共享真实的视觉特征——背景被压缩、焦外柔和过渡、面部几何关系稳定。

而当你写「漂亮」，你指向的是一片极其庞大的区域。修过图的杂志封面、小红书自拍、图库素材、游戏渲染图、婚纱照、美颜相机的输出……它们之间几乎没有任何共同点，唯一的共同点是曾经有人用「漂亮」形容过。

于是模型只能做那件唯一合理的事：返回这片区域的中心位置。也就是——所有被形容为「漂亮」的图片的平均值。

这个认识会改变整件事的思路：你要做的不是「让它出得更好」，而是「让它出得更窄」。每一个真正起约束作用的词，都是在把结果从那团平均值里往外拽。

顺带也解释了为什么堆质量词没用。高清、大师作品、8k、获奖摄影 这类词感觉上应该有用，但它们不指向任何具体的视觉属性——好图旁边有它们，烂图旁边也有它们。它们最多是四舍五入的噪声，而且还挤占了你本该用来写具体信息的位置。

四个层次

反复迭代之后你会发现，真正稳定有效的提示词，描述的永远是同样四件事。倒不是「四」这个数字有什么魔力，而是这恰好是一个真实摄影师按下快门前必须做的四个决定，并且每一个都会在成片上留下可见的痕迹。

顺序不重要，覆盖到才重要。关键在于：漏掉一层，模型不会把它留白，而是拿平均值填上。漏写不是「不做选择」，是把选择权交出去了。

第一层 · 人物

目标不是描述某个具体的人，而是给足约束，让模型停止把一堆脸平均在一起。

二十七八岁的女性，深棕色齐肩发，一缕别在耳后，表情放松、[平静 / 微微含笑]，
视线略微偏离镜头看向左侧，站姿重心落在后脚，一只手随意插在口袋里

这里真正起作用的是两件事。

表情和视线。「视线略微偏离镜头」是人像提示词里性价比最高的一句话。训练数据里有巨量的正面自拍和图库素材，直视镜头会把你直接拽回那片平均区域；而移开视线会把结果推向时尚大片的方向——商业图片实际上大多是那个调性。

姿态的具体性。「重心落在后脚」「一只手插口袋」远比「自然地站着」有用。「自然」又是一个平均词，而重心分布是模型能实际渲染出来的物理事实。

不该写的：堆砌五官描述。「高颧骨、丰唇、杏眼、下颌线清晰」这一串会把结果推向美颜滤镜那片区域——塑料感恰恰就是从那儿来的。

第二层 · 服装

如果你卖的就是这件衣服，这一层直接决定图能不能用于商业用途。一张「看起来很像那么回事的毛衣」的照片，卖不了你那件毛衣。

宽松版米色罗纹针织毛衣，粗针美利奴羊毛，落肩设计，罗纹袖口，
衣长到胯下一点，面料厚度足以撑起版型，下装搭配直筒深色牛仔裤

三个要点。

写材质，不只写外观。「粗针美利奴羊毛」和「棉质平纹针织」渲染出来完全不同，跟「羊绒混纺」又是另一回事。这些是模型确实学到过的物理差异，材质是控制质感最强的一根杠杆。

描述它怎么挂在身上。「落肩」「衣长到胯下一点」「厚度足以撑起版型」——垂坠感是「一张衣服的照片」和「一张衣服的渲染图」之间的分界线。

颜色要加限定词。「米色」是一大片范围，「暖燕麦米色」或「偏冷的灰米色」能收窄很多。如果你要对上实物商品的颜色，具体性配额就该花在这儿。

第三层 · 光线

如果你只肯往现有提示词里加一层，加这一层。光线是把「AI 图」变成「照片」最稳定有效的一层，也是几乎所有人都会漏掉的一层。

柔和的定向自然光从画面左侧的大窗户射入，光线在背景上柔和衰减，
下颌下方有淡淡的投影，午后偏暖的色温，皮肤上没有过曝的高光

每一段光线描述都需要三个要素：

• 方向——「从画面左侧」「从后上方」「正面略微偏轴」。方向决定阴影，而阴影是画面产生立体感的唯一来源。
• 软硬——「柔和」「硬朗」「漫射」「直射」。柔光来自靠近主体的大面积光源，硬光来自小的或远的光源，这决定了阴影边缘过渡的急缓。
• 光源——「大窗户」「阴天天光」「单只柔光箱」「黄昏斜阳」。这一个词就把色温和衰减特性打包说清楚了，而且模型对这类词理解得相当好。

修改前修改后

注意光线层做到了一件多少个「高清、写实、8k」都做不到的事：它给了画面一套物理逻辑。现在有一个光源确实存在于某个具体位置，画面里所有东西都与之自洽。

第四层 · 镜头

镜头层决定一张图看起来是「拍出来的」还是「生成出来的」。真实照片是用真实光学系统拍的，而真实光学系统有它特有的形变规律。

85mm 镜头 f/2 拍摄，取景从大腿中部往上，机位在胸口高度，
浅景深，背景柔和虚化，透视自然，没有广角畸变

拆开看：

• 焦段。85mm 是商业人像的主力焦段——背景压缩得恰到好处，面部比例不变形。35mm 偏环境叙事、时尚大片感。24mm 及更广会让脸变形，偶尔是刻意为之，多数时候不是。
• 光圈。f/2 主体分离清晰；f/8 能让衣服从前到后都实，这一点对商品图比想象中重要得多——虚化得再好看的袖子，也是顾客看不清的袖子。
• 机位高度。「胸口高度」或「略低于视线」。这一句话能避开默认输出里常见的俯视角度。
• 取景范围。「大腿中部往上」「全身」「胸像」。你不写，模型替你决定。

修改前修改后

拼起来看

同样一个需求，把四层都写全：

二十七八岁的女性，深棕色齐肩发，表情平静放松，视线略微偏离镜头看向左侧，
站姿重心落在后脚。她穿着宽松版暖米色罗纹针织毛衣，粗针美利奴羊毛，落肩设计，
下装是直筒深色牛仔裤。柔和的定向自然光从画面左侧的大窗户射入，
光线在素色石膏墙面上柔和衰减，午后偏暖的色温。85mm 镜头 f/2 拍摄，
取景从大腿中部往上，机位在胸口高度，浅景深。

修改前修改后

差别不算细微，而这里面没有一点来自更好的工具或更长的质量词列表。它只来自把四个交给模型的决定，换成了四个自己做的决定。

一个可以直接套的模板

把具体内容抽掉，剩下的就是一个填空结构，适用于大部分时尚和美妆人像的场景。

[年龄 + 体态]，[发型]，[表情]，[视线方向]，[姿态 + 重心]。
她穿着 [服装：版型 + 颜色 + 材质 + 工艺细节]，搭配 [其他单品]。
[光线软硬] 的光从 [方向] 射入，[光源]，[背景表现]，[色温]。
[焦段] 镜头 [光圈] 拍摄，[取景范围]，机位在 [高度]，[景深]。

两个见效很快的习惯：

把管用的那一层留下来。某段光线描述出的效果你满意，就把这段文字原样复用到整组拍摄里。多张图之间的一致性来自复用文字，不来自运气。

光圈按用途定，不按好看定。浅景深好看，但它会糊掉衣服细节。对商品详情页来说这是笔亏本买卖；对生活方式或社交内容的图，它才是对的选择。

接下来看什么

四层框架是地基。每个具体场景还会在它之上叠自己的约束：

• 商品详情页的模特图有框架本身覆盖不到的要求——背景一致性、衣服细节的清晰度、各平台的构图规则。这部分见如何做商品详情页的 AI 模特图。
• 整个系列保持同一个模特是这个领域最难的问题，需要单独一套方法。见如何让多张图里的 AI 模特保持一致。
• 工具选择确实会有影响，但那要等你的提示词好到能显出差别之后。ChatGPT 与 Midjourney 的时尚人像对比就是按本文这套方法测的。

如果整篇只记一句话：提示词不是许愿，是规格说明书。你没写的每一层，模型都会拿平均值填上——而平均值，正是「一看就是 AI」的来源。