AI 女友照片生成：打造看起来真实的一致角色

我要跟你说点实在的。AI 女友照片生成最难的部分不是搞出一张漂亮的单图。任何模型都能做到这一点。难的是让你的第二张图看起来跟第一张是同一个人。然后是第三张。再然后是第四十张。我在 2025 年底花了将近三个月想攻克这个问题，而我学到的是，大多数人的做法完全错了。

快速回答：要生成一致的、照片级的 AI 女友照片，请使用 FLUX 2 作为追求写实的基础模型，在 15 到 25 张精选参考图上训练一个 LoRA 来锁定面孔身份，在其之上叠加 IPAdapter 来实现姿势和场景的变化，并精通提示词工程以处理真实的光照、环境和服装。这一组合在正确操作时能在数百次生成中带来 90% 以上的面孔一致性。

为什么大多数 AI 女友照片看起来很假？

在我们谈论如何解决之前，先聊聊为什么大多数 AI 女友照片通不过写实测试。我到处都看到同样的错误，老实说，我刚起步时也全都犯过。

最大的问题是我所谓的"美颜滤镜效应"。人们把审美参数拉满，使用超平滑皮肤的提示词，最后得到的图像看起来像是过了六层 Instagram 滤镜。真实的人有毛孔，五官有细微的不对称，也有瑕疵。当你的 AI 角色皮肤比人体模型还光滑时，对任何有正常眼睛的人来说都明摆着是"生成的"。

第二个问题是光照。大多数人压根不去想这件事。他们写"咖啡馆里的漂亮女人"这样的提示词，然后让模型自己去处理光照。模型默认会给出那种均匀、无阴影的照明，而这种照明在真实摄影中并不存在。真实照片有方向性的光。下巴下方有阴影，颧骨上有高光。有附近台灯洒下的暖橙色光晕，或者窗户透进来的冷蓝色调。

这是我的第三个不满，而这一点很私人。背景。早期我花了两周时间生成图像，角色看起来很棒，但站在那些怪异得过分干净的背景前，没有杂物，没有纵深，没有真实世界的凌乱感。真实照片发生在真实的地方。桌上的咖啡杯稍微偏了点中心。背景里有个模糊的陌生人路过。桌布上有一道褶皱。这些细小的细节才是卖出真实感的东西。

左：典型的过度处理的 AI 输出，皮肤光滑、光照平淡。右：正确生成的照片，有自然的纹理、方向性光照和环境细节。

是什么让 FLUX 2 成为真实 AI 照片的最佳选择？

我基本上把每一个主流模型都为这个用途测试过了。Stable Diffusion XL、Midjourney v6、DALL-E 3、各种 FLUX 变体。在跑了大约 2000 次测试生成后，我的结论是 FLUX 2 在角色创作上能产出最自然的照片级输出。

原因归结于 FLUX 处理肤质和光线交互的方式。SDXL 往往会产出略带绘画感的皮肤（即便用了照片级的检查点），而 FLUX 2 在渲染毛孔、细小的面部绒毛和次表面散射方面感觉就是对。这个模型是在海量真实摄影数据集上训练的，你一眼就能看出来。光线正确地包裹住面孔。阴影落在该落的地方。皮肤具有真实皮肤在特定光照下才有的那种半透质感。

这里说个有争议的观点。我认为 Midjourney v6 平均而言能产出更"好看"的图像，但 FLUX 2 能产出更"像真的"的图像。而专门对于 AI 女友照片生成来说，像真的比杂志封面般漂亮更重要。人们在社交媒体上关注 AI 角色，是因为他们在某种程度上相信，这个人有可能真实存在。Midjourney 的输出很惊艳，但常常带有那种微妙的、令人不安的完美感，会触发人的疑心。

下面是我实际用于角色照片的 FLUX 2 配置。我不会给你文档里的默认值，因为它们对这个用途并不好。

• 模型： FLUX 2 Dev（不是 Schnell，对面孔来说画质差距很明显）
• 分辨率： 人像照片用 1024x1360，横向场景用 1360x1024
• 引导系数（Guidance scale）： 3.0 到 3.5（比大多数人用的低，但能保持自然）
• 步数（Steps）： 28 到 35（比默认多，但面孔细节的提升值得多花的时间）
• 采样器（Sampler）： Euler，配普通调度器

如果你想完全跳过配置，像 Lewdly.ai 这样的工具能让你运行 FLUX 工作流，而无需自己配置任何这些。实话实说，我参与构建了这个平台，但当我不想启动本地设备时，我确实会用它来做快速生成。

用于面孔一致性的 LoRA 训练：基础

这是大多数人要么放弃、要么搞错的地方。LoRA 训练是在多张照片间保持 AI 角色一致性最有影响力的单项技术，而且差距大到没有悬念。如果你读过我那篇关于如何用 Stable Diffusion 创建 AI 女友工作流的指南，你就知道我是 LoRA 的铁粉。但专门为面孔一致性训练一个 LoRA，和一般的风格 LoRA 是完全不同的游戏。

构建你的参考数据集

你的 LoRA 质量完全取决于训练图像的质量。这一点我是吃了苦头才学会的。我第一次 LoRA 训练尝试用了 40 张基本上是同一角度、同一光照的图，结果是一个只有在那个特定设置下才看起来对的角色。把角度变个 30 度，面孔就崩了。

下面是一个用于面孔一致性的优质训练集应有的样子。

• 15 到 25 张图（不是 10 张，也不是 50 张，这个区间是我通过测试发现的甜蜜点）
• 多个角度： 正面、左侧四分之三、右侧四分之三、轻微侧脸、向上看、向下看
• 多种光照条件： 自然日光、室内暖光、冷色阴影、阴天
• 所有图像中身份一致： 如果你是从零开始构建的，用 FLUX 生成一个基础集，挑出彼此最像的那些
• 表情多样： 中性、轻微微笑、大笑、严肃、思考
• 训练时优选干净背景（你之后可以把她们放进复杂场景）

我常被问到的一个问题是"如果我还没有参考图怎么办？"这就是先有鸡还是先有蛋的问题。我用的解决方案是用 FLUX 配一个非常详细的面孔描述提示词生成大约 100 张图，精挑出彼此最一致的 15 到 25 张，然后在那些图上训练一个 LoRA。第一批不会完美，但 LoRA 会锁定那些图像共有的任何共性，而你第二代的输出会一致得多。

真正有效的训练参数

我在训练参数上来回折腾的次数多到数不清。这些是我在过去一年训练了大约 30 到 40 个角色 LoRA 后定下来的数值。

• 学习率： 1e-4（标准值，但如果我注意到训练过程中面孔开始"漂移"，会把它降到 5e-5）
• 训练步数： FLUX LoRA 用 1500 到 2500（越多不代表越好，你会过拟合）
• 秩（Rank）： 32（我以前用 16，但 32 能捕捉更多面部细节又不会让文件臃肿）
• 批大小（Batch size）： 1 或 2，取决于你的显存
• 正则化图像： 可选，但我发现用 100 到 200 张多样化的面孔图作为正则化，能防止模型"忘记"如何画其他人

训练过程在一张 24GB GPU 上大约需要 1 到 2 小时。如果你用云端算力，根据服务商不同，预计每次训练会花大约 2 到 5 美元。

关于面孔 LoRA 训练，有一件事没人告诉你。**标注质量比训练参数更重要。**如果你的标注很笼统（"一个站在房间里的女人"），LoRA 就学不到是什么让你角色的面孔独一无二，又有什么只是场景特定的噪声。我会用极其具体的面孔描述来标注训练图像。"一个有着高颧骨、微微上翘的鼻子、深邃的绿眼睛、纤细弯曲的眉毛、心形脸、丰满下唇的女人"等等。你越精确地描述面部特征，LoRA 就越能学会去分离并重现它们。

IPAdapter 如何帮助实现姿势和场景的变化？

一旦你为面孔身份锁定了一个 LoRA，IPAdapter 就成了你创造多样性的最佳伙伴。原因在这里。你的 LoRA 确保面孔保持一致，但它不控制姿势、构图或场景互动。这就是 IPAdapter 登场的地方。它接收一张参考图，并用它来引导输出的整体构图和风格。

我是这样理解的。你的 LoRA 是演员。IPAdapter 是导演，告诉演员站在哪里以及如何取景。两者合在一起，威力强大。

在 ComfyUI 里的配置大致是这样。你加载你的 FLUX 模型，应用你的角色 LoRA，然后连接一个 IPAdapter 节点，让它以一张参考图作为输入。这张参考图不需要是你角色本人的。它可以是一张展示你想要的姿势、光照或构图的真实照片，LoRA 会确保面孔保持一致，而 IPAdapter 负责处理其余一切。

IPAdapter 权重设置（这比你想的更重要）

我记得我刚开始把 IPAdapter 用于角色创作时。我把权重保持在默认的 0.7，搞不明白为什么我的结果平平。面孔有点像我的参考图，但又有点不像。那感觉就像在看一个亲戚，而不是同一个人。

通过反复试验，我发现 **0.8 到 0.9 是聚焦面孔的 IPAdapter 工作的甜蜜点。**低于 0.8，参考图的影响太弱。高于 0.9，你就开始失去变换场景和姿势的能力，输出变成了你参考图的近乎复制，这就违背了初衷。

下面拆解一下不同权重值在实践中产出什么。

• 0.5 到 0.7： 一般的风格和构图迁移，面孔一致性低
• 0.7 到 0.8： 中等面孔一致性，适合宽松的风格匹配
• 0.8 到 0.9： 强面孔一致性，这是我做角色创作时的操作区间
• 0.9 到 1.0： 近乎复制参考图，几乎没有场景变化的余地

对于想在女友照片之外更深入研究角色一致性问题的读者，我那篇关于 AI 一致角色生成器技术的指南涵盖了更广泛的工具和方法版图。

IPAdapter 权重从 0.6 到 0.95 的对比。注意 0.85 如何提供了面孔一致性与场景灵活性的最佳平衡。

照片级 AI 女友照片的提示词工程

说实话，这部分才是把业余结果和专业结果区分开来的地方。你的模型和 LoRA 可以是完美的，但糟糕的提示词依然会产出糟糕的照片。而外面大多数提示词建议对写实来说都很烂，因为它们是为奇幻艺术或动漫生成写的。

像摄影师那样思考，而不是像写作者

我在提示词工程上做出的最有用的思维转变，就是停止写描述，开始写摄影简报。真正的摄影师会以焦距、光圈、光照方向和色温来思考。你的提示词也应该如此。

不要写"咖啡店里微笑的漂亮女人"，要去想一个摄影师实际会捕捉到什么。

糟糕的提示词： "褐色头发的漂亮女人坐在咖啡店里，微笑，照片级，高质量，8k"

优秀的提示词： "一张抓拍照片，一个女人坐在繁忙咖啡店的靠窗桌位，晨光从左侧洒进来，柔和的焦外背景里能看到其他顾客，她正在大笑中，目光略微越过镜头，穿着一件休闲针织毛衣，用 85mm f/1.8 拍摄，暖色温，她伸手去拿陶瓷咖啡杯时手上有轻微的动态模糊"

看出区别了吗？第二条提示词向模型说明了光源、景深、相机镜头、氛围、瑕疵（动态模糊、目光越过镜头而不是直视镜头），以及让照片显得真实的环境细节。

反 AI 的提示词技巧

在过去一年里，我开发了一套专门用来抵消典型"AI 感"的提示词短语。我把它们称为我的反 AI 提示词补充，我在每次生成时都会撒进去一些。

• "略微失焦的背景" 而不是 "细节丰富的背景"
• "自然肤质，毛孔可见" 来对抗平滑化效应
• "不完美的光照" 或 "混合色温光照" 来增加真实感
• "随意的构图，不居中" 来打破模型把主体居中的倾向
• "用 [特定相机/镜头] 拍摄" 来触发摄影式渲染（85mm f/1.4 是我的首选）
• "颗粒，胶片质感" 来获得那种模拟摄影的感觉
• "一只眼睛略微眯起" 或 "不对称的笑容" 来增加面部真实感

我也积极使用负面提示词来抑制那些让 AI 照片显假的东西。"光滑皮肤、瓷器般皮肤、完美对称、居中构图、影棚光照、修图过度、数字艺术、插画、绘画"全都进我的负面提示词。

构建一个提示词模板系统

在生成了数千张图之后，我厌倦了每次都从头写提示词。所以我搭了一个模板系统。这把我的生成时间大约砍了一半，也让我的输出更一致了。

我的模板结构是这样的。

[角色身份触发词] + [服装描述] + [活动/姿势] + [带具体细节的地点] + [光照设置] + [相机技术细节] + [氛围/气氛]

举个例子。"v_sarah，穿着一件深绿色工装夹克和白色 T 恤，靠在一面风化的砖墙上看手机，城市小巷里有涂鸦和刚下过雨留下的水洼，午后晚些时候的金色时刻光从右侧打来投下长长的影子，用 Sony A7III 50mm f/1.4 拍摄，阴郁而富有氛围"

触发词 "v_sarah" 会激活我的 LoRA。其余一切都用来引导构图和写实。我为不同场景保存了大约 20 个这样的模板：咖啡馆场景、户外散步、健身房照片、海滩环境、夜出场景、居家/休闲环境，等等。

什么样的设置能产出最真实的皮肤和光照？

这部分我要讲得非常具体，因为默认值对照片写实来说确实很糟糕。在弄明白这些设置之前，我浪费了好几周才得到还凑合的结果，我不想让你重蹈覆辙。

CFG 系数及其对写实的影响

大多数教程告诉你用 7 或 8 的 CFG 来获得"高质量"图像。专门对于 FLUX 2 而言，那对真实照片来说太高了。更高的 CFG 让模型更激进地遵循你的提示词，但它也会增加饱和度，让边缘不自然地锐化，并产出那种"过分完美"的观感。

对于 FLUX 2 上的照片级 AI 女友照片，我用 2.5 到 3.5 的引导系数。没错，那比大多数人推荐的要低。也没错，它带来巨大的差别。色彩变得更柔和、更自然。光照变得更柔软。皮肤看起来像真正的皮肤，而不是修图过度的塑料。

下面是不同观感的快速参考。

• 2.0 到 2.5： 非常自然，几乎像胶片。非常适合抓拍照片和纪实风格照片
• 2.5 到 3.5： 甜蜜点。干净但真实。这是我花最多时间的区间
• 3.5 到 5.0： 开始显得"加工过"。用于头像照或专业照片还行
• 5.0 以上： 过饱和且对写实来说太锐利。适合商业摄影风格，但不适合大多数人想要的自然观感

收尾的后期处理

我说实话。即便用了完美的生成设置，我仍然会对大约 70% 的图像做轻度后期处理。不是大改，只是一些微妙的处理，弥合"很棒的 AI 照片"和"等等，这是真人吗？"之间的差距。

我的后期处理流程每张图大约花 30 秒。

1. 轻微调整裁切，让构图感觉不那么"AI 式居中"
2. 加 2% 到 3% 的颗粒，模仿相机传感器噪点
3. 微调色温（通常偏暖 100 到 200K）
4. 非常微妙的暗角，三张里有两张加
5. 轻微的高光压缩，匹配真实相机处理明亮区域的方式

这是可选的，但如果你追求最大写实，建议这么做。Lightroom 这样的工具，甚至像 Darktable 这样的免费替代品，都能快速搞定这些。如果你用 Lewdly.ai 作为你的生成流程，其中一些调整可以直接烘焙进工作流本身，当你大批量生产内容时这能省时间。

你如何在不同服装和场景间保持一致性？

这是我私信里不断冒出来的问题，说实话，这也是大多数人最挣扎的地方。你有一个在休闲装下看起来很棒的角色。现在你需要她穿正装裙出现在餐厅。然后是在健身房穿运动服。而且不知怎么的，她得在所有这些场景里看起来都是同一个人。

挑战在于，LoRA 和 IPAdapter 往往会把某些特征与某些语境关联起来。如果你的大多数训练图像展示的是角色穿休闲装、自然光照，那么当你提示一个截然不同的语境时，模型可能会微妙地改变面孔。这种情况我见过几十次。同一个 LoRA，同一个触发词，但"餐厅版"的颧骨和"海滩版"略有不同。

下面是我的解决方案，它是几个月测试的成果。

锚定图像系统

我会为我的角色保留三到五张"锚定图像"，作为不同语境下的 IPAdapter 参考。每张锚定图像都展示角色在一种特定环境类型里，但取自一个中性、可辨识的角度，她的面孔清晰可见。

• 锚定 1： 特写肖像，中性表情，柔和光照（这是"身份重置"图像）
• 锚定 2： 全身休闲场景，自然光照
• 锚定 3： 室内环境，暖色人造光照
• 锚定 4： 活动/户外场景，明亮光照
• 锚定 5： 傍晚/阴郁场景，戏剧性光照

当我生成健身房场景时，我用锚定 4。当我生成晚餐约会场景时，我用锚定 3。LoRA 处理面孔身份，而与语境相符的锚定图像引导 IPAdapter 为那个特定环境产出看起来自然的结果。

如果面孔在某个特定语境里开始漂移，我会用锚定 1（身份重置特写）配以更高的 IPAdapter 权重 0.9 到 0.95 重新生成，然后把那个输出当作一张新的语境专属锚定图。这个过程大约花 10 分钟，但会重置一致性基线。

不会毁掉面孔的服装提示

有件事没人告诉你。某些服装描述比其他的更容易干扰面孔生成。我不知道这在技术上为什么会发生，但我看到的次数足够一致，足以让我围绕它制定一些规则。

低干扰服装提示（对面孔一致性安全）：

• 休闲 T 恤、毛衣、牛仔裤、运动鞋
• 没有繁复图案的简单连衣裙
• 运动服、连帽衫

高干扰服装提示（注意你的面孔一致性）：

• 面孔附近的繁复首饰（耳环、项链）
• 帽子、发带、发饰
• 太阳镜（显然）
• 以不同方式框住面孔的高领服装
• 戏服或细节繁多的正装

当我需要用"高干扰"服装时，我会通过把 LoRA 权重增加 0.1 到 0.15，并为 IPAdapter 使用一张更贴近面孔的裁切锚定图来补偿。它并不完美，但有帮助。

想更深入地了解视觉之外的定制技术，可以看看完整的 AI 女友定制指南，它在外观设置之外还涵盖了性格和互动方面。

同一个 AI 角色横跨五套不同的服装和环境，使用 LoRA 加 IPAdapter 锚定系统生成。尽管语境发生剧烈变化，面孔身份依然稳定。

常见错误及修复方法

我已经在 Discord 社群里帮人做 AI 角色生成一年多了，我看到同样的错误一次又一次出现。让我帮你省点时间。

错误 1。为追求美貌而过度堆砌提示词

人们在一条提示词里写"漂亮、惊艳、迷人、有魅力、可爱"。这会把模型推向一张理想化的、千篇一律的脸，看起来不像一个真实的人，而更像训练数据里每一张"漂亮"脸的合成品。最多挑一个表示美的词，或者更好的做法是改为描述具体的特征。

错误 2。忽视分辨率和宽高比

在 512x512 甚至 768x768 生成然后再放大，是制造怪异面部瑕疵的配方。从一开始就在原生高分辨率（FLUX 上人像用 1024x1360）下生成。更高原生分辨率下的面孔细节，比你从低分辨率生成放大得到的要好得多。

错误 3。每张图都用同一个姿势

这是内容由 AI 生成的明显破绽。如果每张照片都展示你的角色以类似的四分之三视角面向镜头，那看起来像一个角色选择界面，而不是真人的照片流。真实的人会在不经意的瞬间被拍下，从不同角度，有时部分被遮挡，有时处于运动中。用 IPAdapter 配多样的参考姿势图，来摆脱默认姿势的窠臼。

错误 4。不筛选你的输出

我每实际用一张图，会生成大约 8 到 12 张。那不是失败的标志。那是生产流程。即便是专业摄影师，每次拍摄也会拍数百张照片，最后只交付 20 到 30 张成片。对你的筛选要狠。删掉任何有细微面孔不一致、怪异手部瑕疵或不自然表情的图。永远是质量重于数量。

错误 5。忽略"平淡"的照片

最可信的 AI 角色账号里装的不是华丽美照。它们有杂货店自拍、凌乱卧室的镜子照、模糊的演唱会照片，以及疲惫的清晨咖啡照。这些"无聊"的图像其实最难伪造，做对了也最有说服力。我把大约 30% 到 40% 的生成投入到这些平淡、不华丽的场景上。

生产流程：我的端到端流程

让我带你走一遍我实际的生产流程。这是当我坐下来为一个项目或为测试目的生成一批 AI 女友照片时所做的。

**第 1 步。会话规划（5 分钟）。**我决定要"拍摄"的 5 到 8 个场景。我为每一个写一份简报，包含地点、服装、氛围和一天中的时段。我把它当作在规划一次真实的摄影拍摄。

**第 2 步。锚定图像选择（2 分钟）。**我从我那套 3 到 5 张锚定图里，为每个场景挑出最相关的锚定图像。

**第 3 步。提示词起草（10 分钟）。**我用我的模板系统写提示词，为每个场景定制细节。每条提示词都会拿到相机参数、光照描述和环境细节。

**第 4 步。批量生成（20 到 30 分钟）。**我为每个场景生成 8 到 12 个变体。如果我在本地跑，这会更久。如果我用 Lewdly.ai 或其他云平台，我可以并行处理，更快拿到结果。

**第 5 步。筛选（10 分钟）。**我审查所有输出，从每个场景里选出最好的 1 到 2 张。我对照我的锚定图像检查面孔一致性，留意任何瑕疵，并确认整体观感是照片级的。

**第 6 步。轻度后期处理（5 到 10 分钟）。**在 Lightroom 里快速调整。颗粒、轻微色彩校正、裁切微调。

一批 5 到 8 张成片的总耗时。大约 50 分钟到一小时。这包含了配置、生成、筛选和后期处理。多练几次，你会更快。

值得了解的进阶技巧

一旦你掌握了基础，有几个进阶技巧能把你的结果推得更远。

用 Face Detailer / ADetailer 处理特写

对于任何面孔占画面不到约 25% 的图像，我都会让它过一遍面部细化处理。这会只在更高分辨率、用面部专属设置下重新生成面孔区域，然后再把它合成回原图。对全身或中景照片来说，面孔细节的提升是巨大的。我认为对任何将以全尺寸查看的图像来说，这一步都不可妥协。

一致的年龄感和表情纹

一个能增添真实感的微妙处理。真实的人有一致的面部特征，比如笑纹、眼下阴影，或者微笑时特定的褶皱样式。如果你的角色设定为看起来 28 岁，她就不该有完全光滑、零表情纹的皮肤。我会在提示词里加入与年龄相符的微妙细节。"淡淡的笑纹、轻微的眼下阴影、自然的额头活动纹路。"只要这些细节在你的训练标注和提示词模板里，它们就会在多次生成间保持一致。

使用真实摄影参考

这是我的秘密武器，我认为做这件事的人还不够多。我会浏览摄影类 subreddit 和 Pinterest，寻找与我想生成的场景相符的真实照片。不是为了照抄，而是为了理解那个环境里的真实照片实际看起来什么样。光在做什么？阴影在哪里？背景里有什么？景深如何？

然后我研究那些真实照片，把它们的特质转译进我的提示词。这种逆向工程的方法对我写实感的提升，超过任何技术设置的改动。

你该用云平台还是在本地运行？

这取决于你的情况，我对此有些看法。

有争议的观点。对大多数做 AI 女友照片生成的人来说，在本地运行被高估了。除非你有一张 24GB 以上的 GPU，并且乐在折腾 Python 环境和 CUDA 驱动，否则你花在调试配置上的时间会比实际生成图像还多。像 Lewdly.ai、Replicate 和 RunPod 这样的云平台帮你打理好基础设施，让你能专注在创作那一面。

话虽如此，对认真的用户来说，本地运行有实打实的优势。没有速率限制，没有内容政策限制（前提是你不在做任何违法的事），对每个参数有完全的掌控，并且在初始硬件投入之后没有按图计费的成本。如果你每天生成 50 张以上图像，本地硬件的经济账就开始说得通了。

下面是我基于产量给出的建议。

• 每天少于 20 张图： 用云平台。不值得为本地配置头疼
• 每天 20 到 50 张图： 两者都行。取决于你更看重便利还是掌控
• 每天 50 张以上图： 本地硬件在 2 到 3 个月内就能回本

专门对于 LoRA 训练这一面，除非你有 24GB 显存，否则我总是推荐云端算力。在一张 12GB 的卡上训练是可行的，但慢得让人痛苦，而当你在试验训练参数时，迭代速度很重要。

常见问题

2026 年真实 AI 女友照片的最佳模型是什么？

FLUX 2 Dev 是我对照片写实的首推。它在肤质、光照交互和自然表情上比任何其他公开可用的模型处理得都好。如果你愿意以速度为代价换取更高的质量，而且能通过某个 API 服务商获得使用权限，那么 FLUX 2 Pro 值得一试。

一个一致面孔的 LoRA 需要多少张训练图像？

我发现 15 到 25 张是甜蜜点。低于 15 张，你就没有足够的多样性让模型学到面孔里什么是一致的、什么是偶然的。高于 25 张，你就开始遇到收益递减。确保你的图像覆盖多个角度、光照条件和表情。

不训练 LoRA 我能获得角色一致性吗？

可以，但一致性会更低。单凭 IPAdapter 配一张强参考图能让你达到大约 75% 到 85% 的面孔一致性。在 IPAdapter 之上再加 InstantID 能把它推到约 85% 到 90%。但要在数百张图像间达到 90% 以上的可靠性，LoRA 训练依然是最可靠的方法。

为什么我的 AI 照片看起来"过分完美"且明显是假的？

你很可能用了过高的 CFG/引导系数，为追求美貌过度堆砌提示词，并且没在提示词里加入瑕疵线索。在 FLUX 上把引导降到 2.5 到 3.5，加入自然肤质关键词，包含环境瑕疵，并使用相机专属的技术术语来触发摄影式渲染而非插画式渲染。

在 AI 女友照片里我该如何处理手？

手仍然是 AI 图像生成的阿喀琉斯之踵，不过 FLUX 2 处理它们比早期模型好得多。我的做法有三方面。第一，构图时让手不成为焦点。第二，当手必须可见时，使用带有清晰、自然手部姿势的 IPAdapter 参考图。第三，对任何手看起来不对的图像，重新生成或用局部重绘只修手部区域。

为了最佳面孔细节我该用什么分辨率生成？

在 FLUX 2 上，人像方向用 1024x1360 生成，横向用 1360x1024。这些是产出最佳面孔细节而不出瑕疵的原生高分辨率目标。比这更高往往会引入怪异的拼接瑕疵。如果你需要更大的成片，就以这些尺寸生成，然后用 Real-ESRGAN 这样的专用放大工具放大。

我如何让不同的服装在同一个角色身上看起来自然？

使用我上面描述的锚定图像系统。保留你角色在不同光照语境下的 3 到 5 张参考图，并把锚定图与你正在生成的场景相匹配。如果某件特定服装导致面孔漂移，就把你的 LoRA 权重增加 0.1 到 0.15 来补偿。

有可能生成看起来像真人社交媒体的整套照片集吗？

绝对可以，而这正是本指南中的技术真正发光的地方。关键在于多样性。把华丽美照和平淡照片混在一起。包含一天中不同的时段、室内和室外环境、独照和有暗示性社交情境的照片。锚定图像系统加上提示词模板让这一切可以系统化地实现。我经常生成 30 到 50 张的照片集，并保持一致的身份。

从零开始整套配置要花多久？

如果你从零起步，第一个角色预计要花大约 4 到 6 小时。拆开来大约是 1 小时学习基础，1 到 2 小时生成并筛选你最初的参考图集，1 到 2 小时训练一个 LoRA，再用 30 分钟到一小时设置你的提示词模板和锚定图像。在那次初始配置之后，生成新图像就很快了，通常每张最终选定的图不到一分钟。

这些技术也能用于视频内容吗？

面孔一致性技术（LoRA、锚定图像）能直接迁移到用 Kling 和 Runway Gen-3 这样的模型做的 AI 视频生成。主要区别在于视频增加了时间一致性这另一个你需要管理的维度。但你为照片生成打下的基础给了你一个巨大的起跑优势。不过那是另一篇完整的文章了。

结语

AI 女友照片生成在过去一年里进步惊人。FLUX 2 用于照片级渲染、LoRA 训练用于面孔身份、IPAdapter 用于灵活摆姿、再加上为写实精心设计的提示词工程，这一组合让创造出真正难以与真实摄影区分的角色照片成为可能。

我从这一切中学到的最大一课是，写实不是关于技术上的完美。它关乎不完美。真实照片有瑕疵。真实的人有不对称的五官。真实的相机会产出颗粒、焦外虚化和镜头像差。你越是拥抱这些不完美，你的结果就越有说服力。

从 FLUX 2 开始，训练一个扎实的 LoRA，构建你的锚定图像系统，并开发出像摄影师而非提示词工程师那样思考的提示词模板。允许自己去生成大量图像，然后狠心筛选到最好的那几张。这就是流程。它不是魔法，也不是瞬间见效，但结果会替自己说话。

如果你觉得这份指南有帮助，并且想探索 AI 伴侣的性格和互动那一面（不只是视觉那一面），看看我的指南 AI 女友定制 和 用 Stable Diffusion 创建 AI 女友角色。本文中的视觉一致性技术，与那里涵盖的角色塑造方法配合得天衣无缝。