AI 生成商品图为什么总出错：小字崩、比例乱、越改越差
AI 生商品图，难的不是出一张图，而是一整套图里商品细节对得上、商品上的小字不写错。这篇讲字为什么会崩、比例为什么乱、为什么越改越差，以及一条实测 7 个品类一次过的六步流程。
用 AI 生成商品图，现在谁都能出一张「看着还行」的图。真正拉开差距的是三件事：同一个商品跨 9 张图细节对不对得上，人和商品的比例合不合理，商品上那行小字还认不认得出来。
这篇是第二期训练营 Week 3 的公开整理。我们把一套商品图拆成六步流水线，7 个品类端到端各跑 9 张，全部一次过。下面的数字都是课上实测的。
为什么商品上的字总是写错？
不是模型不会写字，是那几个字母在成图里没分到足够的像素。扩散模型是把字母当形状来画的，画布小、商品在画面里占得小，字就崩。
同一个 Non-GMO 认证标，我们对比过：
| 画布 | 结果 |
|---|---|
| 1024×1024 | 崩成 Nan-G8OD |
| 2048×2048 | 完全正确 |
模型和提示词都没变，变的只是绝对像素。
第二个变量是商品占画面高度的比例，这是文字保真度的总闸门：
| 商品占比 | 结果 |
|---|---|
| 85% | 全对 |
| 70% | 全对 |
| 60% | 认证标开始崩 |
| 55% | Vegetarian 变成 Vegetariou |
| 28% | 规格 360 变成 300 |
最后一行最危险：规格数字写错就是虚假宣传，会被投诉下架。
做法：
- 有字的图用 2048×2048 出图
- 商品上有重要文字的图，商品占比压在 70% 以上
- 成分表、营养表、配料表、认证证书这类法规图用实拍，不生成。错一个字就是虚假宣传，收益为零，风险无穷
为什么比例老是不对？
因为你没把比例写死，模型就自作主张。
同样的需求，不写比例，出来是 16:9 横版，商品缩到画面的 45%。写死 1:1，比例命中率 1.000；写死 3:4，命中率 0.747。
做法： 每张图在开生之前就写清楚比例和商品占比，不要留给模型猜。
为什么在一个对话里越改越差？
这叫上下文污染。第二次修改时，模型的输入已经变成「被 AI 处理过一遍的图」加上前面全部脏上下文。人脸最明显：第一张最像，之后越改越不像；商品图上是噪点变多、文字变扭曲。
做法： 返修一律新开会话，不是「最好新开」，是必须。批量出图时每张图单开一个干净会话并行跑。人做不到这一点，让 agent 开子会话就做得到：它开 5 个、10 个，每个都是全新的第一次，而第一次一定是最听话的。
多试几次、换个中转站行不行？
重试只对「独立的随机失败」有效。中转渠道整体状态在变的时候，连续失败是相关的，重试只是在烧时间。
我们测过：同一个中转渠道的 gpt-image-2 带图生成，命中率从 3/6 掉到 1/4，再掉到 0/8；同期 Codex 原生生图 9/9。一个中转站列了 286 个模型，我们横评了其中 14 个图像模型，真正能稳定出图的只有 3 条路。货架上有，不等于你有权限，更不等于渠道有货。
还有两个常见的坑：
- 为了省钱在 Codex 的
config.toml里配了中转 provider，Codex 内置的image_gen就被隐藏了。订阅里本来包含的生图，被自己配没了 - 「生一张图要试好几次」：Codex 有时判断这张图能用网页排版做出来，就去写 HTML 再截图。省了生图额度，但出来的图没有光影，一眼假
一套商品图的六步流水线
| 步 | 干什么 | 人要做的 |
|---|---|---|
| 1 找对标 | 去同类目 Best Sellers 榜取 Top3，把整套图拼成九宫格一次看完 | 有想对标的就给链接 |
| 2 拆品类画像 | 回答六个问题，推导这一套要做哪几张 | 不用管 |
| 3 建商品档案 | 对着实拍逐项写死：材质、配色分区、logo、商品上的每一个字 | 补规格和认证，有就写，没有绝不编 |
| 4 规划表 + 样张 | 每张图的职责、占比、有没有字先写清楚，再出 1 张样张 | 看样张，不对就说哪不对 |
| 5 批量生成 | 每张单开会话并行跑 | 等 3–6 分钟 |
| 6 审图返修 | AI 逐张对着档案审，不过的新开会话重生成 | 看缺陷清单，决定返修还是收货 |
三条不能破的规矩：
- 没有对标不开工。 AI 目前没有纯原创能力，给它对标让它发散没问题，让它凭空想象一定平庸。抄作业就抄 Top3，腰部卖家没有参考价值
- 先确认再花钱。 样张不对，后面 8 张全废
- 商品档案是唯一的对错标准。 生成照着档案生，审图照着档案审
换品类时，靠哪六个问题决定做哪几张图？
不是靠模板，是靠这六个问题：
- 买家掏钱前最担心哪三件事？每条疑虑至少一张图回答它
- 商品是穿在身上、拿在手里，还是摆着用？穿戴类必须真人上身；手持类只出手不出脸
- 重要的字是不是印在商品上？决定占比卡多严
- 商品是硬的还是软的？柔性商品（衣服鞋包）必须垫多角度实拍
- 有没有并行变体、最近换没换包装？变体每个 1 张，换过包装要加过渡说明图
- 这个品类有哪些合规元素？看 Top 品图上出现的免责声明、认证标、警示语，那就是这个品类的合规下限
AI 审图靠得住吗？
分品类看。
- 字印在商品上的品类（保健品、食品、3C）：基本可以信。我带着商品档案逐张放大看过，仍然漏掉了一个 logo 缺陷，AI 审图器一次抓到
- 商品上没字的品类（服装、家居、珠宝）：当嫌疑清单，别当判决。它在比例、疏密、质感这类连续量上会编
还有一个反直觉的结论：审图器报不合格，先怀疑档案。我们只改了商品档案里 logo 那一行事实，同一批图的通过率从 3/9 变成 7/9，有 4 张本来就是对的，被错档案冤枉了。档案写错一行，生成和审图两道防线同时失效。
哪些图 AI 现在还做不好？
- 线性重复元素的准确数量。 表带「一排 6 个孔」，跨 9 张图出现 5、6、7、8 个，88% 占比的特写也照错。别把这类数量写进卖点
- 软包装上的密集小字。 主视觉画得漂亮，但会静默漏掉净含量、认证小标这类必需项，这类走实拍合成
- 商品、商品信息、实景交互三者叠在一张图里。 最容易翻车，纯信息设计图反而很稳
成本和时间大概多少？
- 一张 2048×2048 走 Codex 订阅额度，基本不额外花钱，折算不到 1 毛
- 单张 3–5 分钟，所以必须并行；一套 9 张、并发 5，约 5 分钟
- 生成成本足够低，10% 良品率都可以接受。让它一直撞到出成品，这才是工程化
出完图上架前，可以用免费的 商品图 AI 检测 在浏览器本地查一遍 AI 来源信号和 Amazon、TikTok 的平台风险，图片不上传服务器。
这套流程我做成了一个装进 Codex / Claude Code 就能用的 skill，是第二期训练营 Week 3 的课程包，课上用学员自己的商品从实拍跑到成套图。