同一个角色出 100 张图:手崩了 7 成,动作标签换了但动作没换
给同一个角色出 100 张验证图:40 表情、40 动作、10 手部特写、10 角度。能用的 25–30 张。手部 10 张里 7 张报废(六指、无拇指、关节畸形),把分辨率提到 2MP 也没救;表情构图全跑成全身,脸只占 18%;8 个动作标签里有 8 张画面没变。角度这组最稳。附参数和复现方式。
一次出 100 张,不是为了攒素材,是为了摸清这套模型到底哪里会崩。所以每张都有 seed 和提示词记录,崩了也知道崩在哪。
100 张的分布#
| 类别 | 张数 | 能用的 | 结论 |
|---|---|---|---|
| 角度 | 10 | 10 | 正、3/4、侧、背、俯、仰、过肩、脸特写、大全、中景,全可用 |
| 表情 | 40 | ~30 | 不崩,但构图跑成全身,脸只到画面高度 18% |
| 动作 | 40 | ~25 | 无崩坏、无乱码文字,但 8 个标签生成的画面几乎没变 |
| 手部特写 | 10 | 3 | 7 张报废:六指、无拇指、关节畸形、融成一团 |
手:7/10 报废,而且不是分辨率问题#
报废的七张:hand_open(六指)、hand_wave(六指)、hand_peace(六指)、hand_bowl(没有拇指)、hand_pinch(关节畸形)、hand_egg(手指融成一团)、hand_rest(五根肉条)。
可用三张:hand_grip(握柄)、hand_point(指向)、hand_fist(握拳)——共同点是手指互相遮挡、不需要每根都独立成型。

关键的一点:这组是 2 百万像素、手占满画面出的。也就是说「出大图 + 让手占满」并不能救手,画不好手是模型本体的短板,不是采样不够。
表情:不崩,但构图不听话#
40 张表情全部是全身构图,脸只占画面高度约 18%。当「情绪参考」(这张是笑、那张是恼)够用;当「脸部关键帧」不行——放大到脸上就是糊的。
试过在提示词里加「close-up portrait」「face fills the frame」,没用。结论是要胸像必须换参考图:把参考图裁到脸,模型才会给你脸。文字约束在这个尺度上是无效的。

动作:标签换了,动作没换#
day_sit(坐)、day_walk(走)、day_tidy(收拾)、dance_clap(拍手)、int_headtilt(歪头)、cook_serve(端菜)、cook_wipe(擦台面)、dance_twirl(转身)——这 8 个标签出来的画面,和相邻的图几乎一样。
说明动作不在标签里,而在参考图里。想要「坐着」,得给一张坐着的参考,光写 sit 没有用。

角度:这组最稳,可以当角色设定图用#
十个角度全部可用,发色、围裙印花、尾巴分叉、头饰都保持一致。要给别人看「这个角色长什么样」,出这一组比出十张表情有用。

生成参数(可复现)#
| 项 | 值 |
|---|---|
| 工作流 | ComfyUI 0.45.2 |
| 模型 | MiniMax-H3-Image(FL2VA pruned int8) |
| 尺寸 | 2.00 MP |
| 采样 | RES 12 steps |
| 参考图 | 同一张角色参考,source_fidelity 0.85 |
| 单张耗时 | 17–30 秒 |
每张的 seed 和原始提示词都在 manifest.csv 里,崩掉的那几张也留着,方便对比「同一提示词换个 seed 会不会好」。
三条能直接用的教训#
- 一次只改一个变量。这轮把表情、动作、角度、手一起出,结果只有角度干净,别的都得重来。
- 手部不要混在大图里。要么单独出并且接受用不上,要么后期修。
- 标签不是承诺。写
walk不代表模型知道「走路」,它只知道「和上一张相似的东西」。
素材页里可以看这四张总表的原尺寸:素材库。
关于准确性:文中「实测」均来自我们自己的机器,标注了日期;厂商参数以官方文档为准。发现错误,告诉我们,会改并记一笔。