同一个提示词，为什么每次生成的图都不一样？

有张图生成得特别好，想再来一张一模一样的，结果同样的提示词、同样的模型，出来的东西完全不同——构图变了，脸也变了。很多人的第一反应是”工具不稳定”，其实这既不是 bug，也不是玄学，而是生成模型的运行机制决定的。搞懂这套机制，你就能在”要可控”和”要多样”之间自由切换。

第一步：模型输出的不是一个答案，而是一个概率分布

生成模型的工作方式，是从一张纯随机的噪点图开始，一步步”去噪”，每步都在猜测”这里原本该是什么像素”。每次猜测都不是确定的，而是从一组概率中抽样。抽到哪一支，走向就不同。

关键在起点：那张初始噪点图是随机的。起点不同，去噪路径就不同，最终落点自然不同。这就是”同一提示词出不同图”的根本原因——变量不在提示词，在起点。

第二步：种子（seed）锁住的就是这个起点

随机种子的作用，就是把这个”随机起点”固定成一个可复现的数字。种子相同、其他条件全部相同，噪点图就相同，去噪路径就相同，输出就一模一样。

所以”固定种子就能复现”这句话有前提：不只是种子要一样，其他所有条件也都得一样。 以下任何一项变化，都会让同种子生成出不同结果：

• 模型版本或微调权重变化（哪怕只更新了一版）
• 采样器类型不同（Euler、DPM++ 2M、DDIM 各走各的路径）
• 采样步数不同（20 步和 30 步结果必然有差异）
• 提示词哪怕改一个标点、调整一个词的顺序
• 图像尺寸或宽高比改变（噪声图分辨率跟着变）
• CFG/引导强度、LoRA 权重、负向提示词发生变化

实操建议很直接：把这一整套参数当成”配方”记录在案。工作流工具（ComfyUI、各类节点式界面）之所以在商业项目里更受青睐，就是因为整个配方可以被完整保存和复用，而不是只记住一句提示词。

第三步：温度（temperature）控制的是”敢不敢冒险”

如果说种子管的是图像生成的起点，那文本模型里对应的旋钮叫温度。它调的不是随机性有无，而是抽样时的”锐度”。

原理上，模型对下一个词会给出一个概率分布，比如”的”占 60%、”了”占 25%、其他占 15%。温度越低，分布被压得越尖，高概率词几乎必选；温度越高，分布被拉平，低概率词也有机会被选中。

对应到实际感受：温度 0.2 到 0.4，输出稳定、严谨、几乎不变，适合抽取信息、改格式、做结构化输出；温度 0.7 左右是通用默认值，兼顾稳定和灵活；温度 1.0 以上开始发散，适合头脑风暴、写创意文案，但事实性错误也会变多。

配套的还有 top-p（核采样）：只在累计概率达到 p 的候选词里抽样，常见设 0.9。温度管分布的”形状”，top-p 管候选的”范围”，两个一起用比单独调一个更稳。

第四步：什么时候该锁死，什么时候该放开

这是最实用的一条判断标准。

该锁死的场景：已经定稿的商业交付。同一支广告的多尺寸版本（横版、竖版、方版）、同一系列的多张主视觉、需要局部替换的迭代——这些都必须固定种子和全套参数，只在单一变量上做改动，否则改一处崩一片。

该放开的场景：前期找方向。这个阶段不要一次出一张，而是一次出 4 到 8 张，让模型在同一个提示词下给出多种解读，从中挑构图和气质最对的，再锁定那张的种子去做细化。先广撒网定方向，再收窄做精修，顺序反了就是无限返工。

还有一个小技巧：批量出图时把种子设成递增（比如 1001、1002、1003），既保证每张不同，又保证整个批次可复现。交付时把这批种子和参数一并存档，客户半年后要改一版，你能原样还原。

第五步：可控性的天花板在哪

即便种子和参数全固定，也别指望 100% 复现。模型推理涉及浮点运算，不同显卡、不同驱动、不同精度模式（fp16 与 bf16）在极小数值上的舍入差异，会在几十步去噪里被放大，最终产生肉眼可见的区别。

所以真正的可控性靠的是三层保障：参数可追溯、流程可复现、产物可替换。比起追求”像素级复现”，更务实的做法是把关键元素分层——背景、主体、文字各自独立生成再合成，哪一层要改就只重做哪一层。

对批量生产尤其如此。做 AIGC广告 时真正吃时间的不是生成，而是”改一版”。参数和分层都被结构化管理的项目，改版成本可能只有随手出图项目的十分之一。视觉灵动在 AI广告制作 的流程里把种子、采样器、模型版本作为资产的一部分存档，原因就在这里。

结论

同一提示词出不同图，是因为每次的随机起点不同。种子固定起点，温度决定冒险程度，两者合力决定”可控”与”多样”。实操三句话：交付锁种子、探索开批量、参数必存档。记住最后一点——真正的稳定不来自某个神奇种子，而来自一套能被完整复现的流程。