Image 2.5双参考图实战：如何稳定跑通连续四格故事

做 AI 绘画这些年，单张图的“好看”早就不是难点，真正让人头秃的是连续画面的一致性。尤其是四格故事这种形式：第一格完美，第二格开始“换脸”，到第四格基本就是另一个人了——这种翻车我经历过太多次。所以 Image 2.5 上线双参考图功能的时候，我第一反应就是拿它来验证一个真问题：能不能用双参考图跑通连续四格故事？

实测跑完之后，结论是：能跑通，而且比我想象的稳。但整个过程不是那种“一键生成爽图”的体验，里面有几个参数逻辑和节奏控制需要自己摸。这篇文章就是把我的完整复盘写下来，包含双参考图的控制逻辑、我实际用的分镜流程、参数设置，以及三个让我返工率极高的坑和对应的排查思路。如果你也在用 Image 2.5 做多格内容、系列角色图或者短篇故事漫画，这篇应该能帮你少走不少弯路。

1. 连续四格故事为什么是块硬骨头

1.1 四格故事的画面诉求拆解

很多人觉得四格故事不就是“生成四张图再拼起来”吗？真不是。单张图只需要满足一个场景、一个氛围、一个主体；但四格故事是同一批角色、同一个世界观、同一个画风，连续推进一段叙事。它就要求几个维度同时成立：

• 角色一致性：人物的五官、发型、服装、体型在四个画面里必须对得上，不能第二格换了个发型、第三格换了件衣服。
• 环境延续性：四个画面虽然可以是不同景别、不同机位，但空间逻辑要通，不能第一格是白天街道，第二格突然变成室内。
• 叙事递进感：每一格得有“剧情推进”而不是简单复读。比如第一格人物走着，第二格发现东西，第三格紧张，第四格爆发——画面之间要有情绪和动作的连贯。
• 风格统一性：四张图拼在一起，色调、光影、笔触得像是同一个人、同一个工具、同一批次画出来的。

这四条单拎出来哪一条都不难，难的是同时满足。而传统工具链里，它们往往互相打架。

1.2 以前的方案为什么总在“第四格崩坏”

在 Image 2.5 之前，我做四格故事常用的手段无非是下面这几类，各有各的硬伤：

第一种是单参考图垫图。把第一格生成结果作为后续所有格子的参考图。问题在于误差会累积：第二格轻微走样，第三格参考的就是那个“已经走样”的第二格，到第四格基本就放飞了。这也是“第四格崩坏”的最常见来源。

第二种是靠提示词硬控。在每格描述里把角色外貌写一遍，什么“棕色卷发、蓝色眼睛、黑色皮夹克”。问题是你写得再细，模型也只能给个大概方向，而且描述越多，画面越容易被其他元素干扰。

第三种是局部重绘修补。先生成大致构图，再手动锁定区域修脸、修衣服。这个方法精度可以很高，但成本极大，一张图可能来回修十几轮，四格下来就是几十轮，叙事节奏早断了。

第四种是训练 LoRA 或者角色一致性模型。效果最好，但门槛和资源消耗也最高，为了一个小短篇去微调一个模型，大多数时候不划算。

所以双参考图这个功能出来之后，我意识到它可能正好打在这个痛点上：解决了“一个参考维度不够用”的问题。只是没想到，它的正确打开方式跟我想的不太一样。

2. 双参考图与单参考图的控制逻辑差异

2.1 单参考图管不住的两个维度

先说单参考图为什么不够用。模型的参考图机制，本质上是让生成过程“模仿”这张图的某些特征。但一张图里包含的信息太多了：人物外貌、服装、背景环境、色调、构图、光影、画风……你丢一张图进去，模型只能从中“猜测”你最在意的是哪个特征。

这就导致一个问题：当你想同时锁住“角色是谁”和“画面氛围是什么”的时候，单参考图做不到精确分工。你给一张角色站姿参考图，模型可能学走了人物的脸，也可能学走了背景的色调，甚至学走了构图的透视角度——到底学哪个，存在随机性。

我给个生活化类比：单参考图就像你只给厨师看了一张成品菜的照片，他分不清你更在意的是“这道菜”本身，还是“这个摆盘方式”。双参考图则是把“菜是什么”和“摆盘风格”分开给了两张照片，控制逻辑瞬间清晰了。

2.2 双参考图的分工逻辑：角色参考图与环境参考图分离

Image 2.5 的双参考图，简单说就是可以同时上传两张参考图，让模型在生成时同时参考。但关键问题不是“能不能传两张”，而是两张图各管什么、权重怎么安排。

我实测下来比较顺手的搭配方式有两种：

• 角色参考图 + 上一格生成结果：角色参考图负责锁定人物长相和服装细节，上一格生成结果负责延续光影、色调、画风和空间关系。这种搭配最适合“逐格推进”的连环叙事，因为我希望每一格都跟上一格是同一个世界。
• 角色参考图 + 环境概念图：角色参考图管人，环境概念图管场景风格。适合做系列插画或者角色在不同地点游历的题材，比如同一角色打卡不同城市那种。

我在实际测试里，第一种方式用得最多，因为它天然适合“连续故事”这个场景。但我必须提醒一个细节：两张参考图的功能必须严格分离，否则模型会陷入“不知道该学谁”的混乱。

2.3 起始参考参数与调整思路

具体参数上，我以手头这个版本为基础，给出一个我实测能稳定起步的配置（不同版本可能略有差异，但思路一致）：

这个区间的核心逻辑是“主次分明”：角色参考图的权重必须显著高于场景参考图。因为人脸特征一旦崩了，后面再怎么修都难受；而场景信息哪怕弱一点，只要色调和氛围接得上，人眼不会立刻察觉。

如果平台支持分别调整两张参考图的权重，一定分开调，不要图省事设成一样。双参考图的精髓就在于“分开控制”，权重拉平等于回到单参考图的老路。

3. 我用双参考图跑通四格故事的完整流程

3.1 第零步：先把故事分镜写清楚

这一步很多人会跳过去，直接开始生成，结果就是“生成一张好看一张，连不起来”。我现在的做法是，任何多格内容动手之前，先画一个分镜表。四格虽然短，但也需要明确的起承转合。

我这篇测试用的小故事很简单，四格剧情大概是：一个穿红色风衣的女性在街头收到一封信，拆开时露出惊讶表情，抬头发现对面站着一个黑衣人，随后追上去但黑衣人已经消失在街道尽头。

对应到分镜表就是这样：

有了这个表，后面每一步生成都知道自己在干什么，不会跑偏。强烈建议你也这样做，哪怕只是脑子里过一遍，把关键信息写在便签上都行。

3.2 准备一张“干净”的角色参考图

角色参考图的好坏直接决定整条链路的稳定性。我踩过的坑是：直接拿网上找的图或者之前生成的一张“带背景带道具”的图当参考图，结果模型把背景、道具也当成角色的一部分学了进去，后面指定新场景的时候就会打架。

正确的做法是，先把角色参考图清理干净：

• 画面中只保留一个主要角色，不要有路人、动物、复杂道具。
• 背景尽量简洁，纯色背景最佳。如果原图有复杂背景，用裁切工具把人物主体抠出来。
• 人物的脸、发型、标志性服装必须清晰可见，不要是远景小人、不要被遮挡。
• 比例建议用半身或七分身，比纯头像多出服装信息，又不会因为全身照导致脸部像素太低。

我当时为这个故事生成的参考图描述是：“一位三十岁左右的女性，红色风衣，深棕色短发，神情冷静，半身像，纯灰色背景，柔和棚拍灯光。”生成之后挑了五官最清晰的一张，裁掉多余背景，作为整条链路的角色锚点。

3.3 逐格推进时参考图怎么搭配

准备工作做完，就进入真正的生成环节。我的策略是第一格用单参考图，后面每一格用双参考图。

第一格为什么要用单参考图？因为第一格是整个故事的“视觉基调”，它要确立角色在环境中的样子。如果第一格就用双参考图，角色参考图和环境参考图之间如果有细微冲突，会把问题直接埋进第一格，后面全都是带病作业。

第一格我输入的角色参考图加上提示词：“傍晚城市街道，路灯初亮，穿红色风衣的深棕色短发女性站在街角拆信，表情疑惑，侧面全景，电影感，冷色调。”

生成之后检查两件事：脸是不是参考图那个人？氛围是不是我要的冷调街道？只要这两点没问题，这张图就作为后续的“画面锚点”。

从第二格开始，双参考图正式入场：角色参考图 + 第一格生成结果。角色参考图保证“还是这个人”，第一格结果保证“还是在同一个世界里”。第二格提示词只写新信息：“俯拍特写，女性手中展开的信封和信纸，纸上写着文字，手指微微收紧，背景虚化，惊讶情绪。”

第三格同理，参考图改为角色参考图 + 第二格生成结果，提示词写：“过肩视角，女性猛然抬头，看向街道远处，逆光中一个黑衣人背影，警觉氛围，浅景深。”第四格继续推进：“纵深构图，女性朝街道尽头奔跑，黑衣人背影在薄雾中渐远，紧迫感。”

这样逐格推进的好处是：每一格都跟前一格有视觉延续，同时又有独立的机位和动作变化，叙事感就出来了。

3.4 拼图与后期收尾的实用细节

四格全部生成之后，还有两个收尾步骤很重要：拼图方式和文字处理。

拼图我建议用最简单的一行四列或者两行两列横版，顺序从左到右。平台里的九宫格拼图模板不一定适合四格漫画，因为间距、圆角、背景色都会影响阅读节奏。我用的是图片处理软件手动排版，四张图统一加细描边或者统一圆角，视觉上就是一个完整作品。

文字部分，我不建议直接在生成时就要求“图上带对白”，因为目前的图像模型生成文字还容易出错，而且会把画面占掉一块。我习惯的做法是：生成画面时留出空白区域（比如天空、地面、纯色墙面），后期拼图后用文字工具手动添加对白或者旁白。就连气泡也可以用简单几何图形代替，干净利落。

4. 实际测试中踩过的坑与排查链路

4.1 坑一：角色“越画越不像”，加权重也救不回来

第一次跑完第四格，我看了眼结果，差点没认出来那是开头那个红风衣女性——五官整个“融”掉了，更像是另一个人。我一开始的直觉是权重不够，直接把角色参考图权重拉到 0.9，重跑了一次，结果依然不行，只是从“完全不像”变成了“有点像但僵硬”。

后来我花了点时间逐步排查，才意识到问题不在权重，而在参考图自身的质量。第一版角色参考图我偷懒，直接用了之前一张“角色站在街边”的成图，背景里有招牌、路灯、车辆。模型在训练时把这些背景元素也当成了角色的“伴随特征”，导致后面每一格都在画面上保留了一部分“街边”的痕迹，同时又和提示词里的新环境产生冲突，角色脸部反而被这种冲突干扰，越往后越失真。

解决办法是把角色参考图重新生成一版，这次只保留纯色背景、半身像、脸部清晰，然后把背景全部裁掉。重新跑了整条链路，脸的稳定性立刻上了一个台阶。这也印证了那个原则：双参考图的前提是每张参考图本身足够“干净”。

4.2 坑二：四格像“四胞胎”，镜头感全丢了

第二个坑比较有意思。第一版四格出来，人物一致性好了，但第二、三、四格几乎都是同一个角度、同一个构图的正面视角——看起来就像同一张图反复微调，叙事感完全没了。

一开始我怀疑是模型本身不会变机位，后来才发现是参考图的锅：我把“上一格生成结果”的权重拉到了 0.6，而上一格的结果不仅是“色调和环境的锚”，还把构图透视也带了过来。模型为了“参考”，把正面视角也一并延续了。

排查思路分两步：第一步，把场景参考图的权重从 0.6 降到 0.4；第二步，在提示词里主动写明机位术语，“俯拍特写”“过肩视角”“纵深构图”。这里有个细节值得注意：提示词中的机位描述在双参考图模式下非常关键，因为参考图负责的是“世界统一”，提示词负责的是“镜头运动”，两者必须分开管。

调整之后，四格的视角终于有了明显变化：全景、特写、过肩、纵深，叙事节奏回来了。这个坑也让我明白了一个平衡点：场景参考图权重不能太高，超过 0.5 就容易把构图也锁死。

4.3 坑三：提示词里的新环境被参考图“吞掉”

第三个坑发生在第四格。我明明在提示词里写了“街道尽头，薄雾，纵深透视”，生成结果却还是第一格的街道场景，只是把人物缩小了放在中间。远处的薄雾、纵深感完全没体现。

我最初以为是模型没听懂，后来把参考图换掉了才发现：问题出在角色参考图里保留了太多背景细节。因为我的角色参考图虽然是纯色背景，但服装和人物周围还是带了一点环境光影，模型在生成“人物”的同时，把那种环境感也延续了过来，导致新的场景描述施展不开。

处理方式很直接：把场景参考图（上一格）换成第一格的裁剪版——只保留第一格的天空、街道、远处建筑这些环境部分，把人物主体裁掉。这样双参考图就变成了“角色参考图管人、环境裁剪图管场景”，两者信息完全不重叠。重跑之后，第四格的薄雾街道一下就出来了。

这也是双参考图一个容易被忽略的原则：两张参考图的信息重叠越少，控制效果越好。如果两张图都包含了“人+环境”，模型就会被两份互相矛盾的信息拉扯。

4.4 养成一个参数记录习惯

最后分享一个排查习惯：每次生成之后，把当次用的提示词、参考图、权重数值记录在表格里。不要嫌麻烦，因为出问题的时候，最快的定位方式不是“再试一次”，而是回看上一次成功和失败之间的变量差。

我当时就用了一个简单表格：

这个习惯帮我省了很多反复试错的成本。每次只改一个变量，不要同时动权重和提示词，否则最后根本不知道是谁起的作用。

5. 双参考图的边界与进阶想法

5.1 双参考图适合与不适合的场景

用完整条链路之后，我对双参考图的定位有了更清晰的认识。它最适合的场景是：同一个主角色在多个场景、多个镜头下的连续性内容——比如四格故事、连环插画、角色在不同城市游历的系列图。它解决的核心问题是“单张图的特征学偏”，让模型在生成时有了明确的“角色锚点”和“风格锚点”。

但它也有明显的边界。如果画面里同时出现多个重要角色，比如四格故事里第一格有主角，第二格又多了一个反派，第三格两人同框——双参考图就会比较吃力，因为两个参考图承载不下“两个角色的同时约束”。这种情况下我的建议是：先用双参考图分别生成“主角单人画面”和“反派单人画面”，再通过局部重绘或者合成的方式把两人放进同一格，而不是指望参考图一次性搞定。

另外，双参考图对“概念发散型创作”也不是很友好。如果你只是想“随便生成一张好看的图”，双参考图反而会限制灵感和意外惊喜，让人觉得画面太“板”。

5.2 进阶：系列化角色与跨批次复用

测试完四格故事之后，我发现双参考图还有一个非常实用的延伸用法：把角色参考图做成“项目资产”，跨批次复用。

比如我在这次测试里生成的红色风衣女性参考图，后续如果我想做这个角色的其他短篇故事，可以直接复用同一张角色参考图，配合新的环境参考图。这样做的效果是，不同批次生成的四格故事放在一起看，能明显感觉到是“同一个角色的不同篇章”——角色形象完全一致，省去了每次重新锁定形象的痛苦。

我现在的做法是，在本地建一个“角色图库”，每个角色保存三张最优参考图：正面半身、全身、侧面特写。下次用的时候直接挑最合适的那张，不用重新生成。

对于更长的故事（六格、八格、甚至连环画），我建议用“关键帧策略”：先用手里的双参考图把第 1 格、最后一格和中间的转折格先生成出来，建立故事的关键节点，然后再用“上一格结果 + 关键帧结果”反推补足中间的画面。这样比从第 1 格一路顺推更不容易在长链路里失控。

5.3 关于这套流程的个人经验总结

这次用 Image 2.5 跑通四格故事，我自己最大的收获是：参考图功能不是“传两张图进去就完事”，关键是想清楚每张图负责什么、权重怎么定、信息怎么避免重叠。

如果让我给一个最核心的建议，那就是：第一张参考图管人，第二张参考图管环境，两者信息越独立、控制越精准。有了这个认知之后，四格故事只是一个起点，连续短篇、系列插画、角色合集，都可以用同一套逻辑往下扩展。而且这套思路不挑具体工具版本，哪怕以后 Image 2.6、Image 3.0 出来，参考图的核心控制逻辑大概率还是这个方向。

最后再分享一个小技巧。如果你在某一格反复生成都达不到想要的效果，不要硬试。我一般会停下来，重新审视这一格在分镜表里的“情绪任务”——有时候不是画面不行，而是这一格的剧情动作写得不够具体。提示词里加上一个具体的动作动词（“推开”“攥紧”“转身”），比加一堆形容词管用得多。这也是我踩过好几次坑之后才慢慢悟出来的：AI 绘画要的是具体动作，不是氛围词堆砌。