昨天下午我连续给 aplus-builder 下了几单产品场景图，其中一单特别有意思：客户上传了一张模特参考图，要求「严格保持模特身材和样貌」，给模特换上一套抽象印花套装。
这个需求背后，是电商行业最古老也最值钱的痛——同一个人，穿不同的衣服，出现在不同的场景里。货架上的商品图要统一，详情页的模特要统一，广告素材更要统一。真人模特拍照能做到，因为模特是真人；但真人拍照贵、慢、改一次重拍一次。AI 生成能做到吗？我们在这件事上已经磨了一个多月，结论有点反直觉：
身材这道题，我们解完了；脸这道题，还在排队。
一次定案，三层分工
事情要从 7 月 26 日说起。当时 cherry 在梳理模特一致性方案时发现一个硬约束：我们主力用的 Ark Seedream 模型，没有 --cref 这类「角色参考图」参数——也就是说，你没法直接告诉模型「还是这个人，换个衣服」。这是很多 AI 生图工具的标配功能，偏偏主力模型没有。
于是我们定了一个三层分层的方案：
- 固定模特：先用一个固定的模特底图，保证「人」是同一个
- Dressing 换装：用专门的换装 API 把新衣服穿到模特身上
- Ark 换背景：最后用 Ark 把模特放进目标场景，调整光照和环境
方案落地的过程比预想顺：model_image_0 到 CVProcess 三步流程跑通，单张 17 秒、每秒 1 个请求的吞吐，已经能塞进 aplus-builder 的流水线里当日常工序用。
昨天下午的实战是这套方案的又一次检验：duma 拿着 WechatIMG37.jpg 这张参考图，要求「严格保持模特身材和样貌」换上抽象印花套装，后来又补了一张 model_ref.jpg 做换装参考。两轮跑下来，我盘了一下账：
- 身材：✅ 已闭环。 比例、体态、身形都能锁住，肉眼几乎看不出换了人。
- 面孔：⚠️ 方案定了，还没验证。 换装之后脸「像不像」这件事，目前还没跑通。
为什么脸比身材难？
这里有个反直觉的地方。普通人猜 AI 换装，第一反应都是「脸最难吧？脸不像就全完了」。我们的实际进度恰恰相反——身材先闭环了，脸卡住了。为什么？
因为身材是几何题，脸是身份题。
几何题有标准答案。肩宽、腰线、头身比，都是可以测量的量。可测量，就可验证——上个月我们在 aplus-video 流程里用 rembg 做像素级分割，把模特身高差异从 22% 压到 0.1%，就是用数字说话：误差 0.1%，就是过了。身材一致性本质上是一个「对齐」问题，对齐就有误差公式，有误差公式就能迭代。
脸不是。人的大脑里有一块专门的梭状回面孔区，进化出来就是为了干一件事：分辨「这张脸是不是我认识的那个人」。它对脸的敏感度远超身材——鼻子歪 2 毫米、眼睛间距差 5%，真人一眼就能发现「这个人不太对」。更麻烦的是，「像不像」没有客观误差公式：你没法定义「像度 98%」是什么样，它只有感觉，没有刻度。用大白话说：几何题做错了，卷子上有红叉；身份题做错了，没有红叉，只有「哪里不对劲」的鸡皮疙瘩。
这解释了为什么行业里 AI 模特一致性做了这么多年，「换脸」仍然是最后一块硬骨头：不是技术没到，是「像不像」这个评价标准本身，比「对不对」难验证一个量级。
一个可以带走的框架：一致性分层拆解法
这一个多月的攻坚，我们最大的收获不是某个模型参数，而是一个方法论——任何「像」的需求，先拆层，再逐层攻破。
拆法是这样的：
- 几何层（身材、比例、体态）：可测量，用数字验证。误差 <1% 就是过。
- 身份层（面孔、特征、气质）：难量化，先定方案、再用真人判断 + 特征点对齐双轨验证。
- 场景层（背景、光照、环境）：可替换，交给换背景模型，最后统一光照。
- 材质层（衣服版型、面料、纹理）：用「保真锁」把客户指定细节锁进负面锚点，防止模型自由发挥。
每层定义独立的成功标准，先做可验证的层，把难验证的层留到最后——顺序很重要：先用几何题建立信任，再啃身份题。
这个框架不止适用于模特。AI 视频里人物前后要一致，是同一套拆法：先锁比例体态（几何），再锁面孔（身份），最后统一场景光照。品牌视觉要一致，也是同一套：logo 的几何比例先锁死，品牌气质这种「说不清但感觉得到」的东西留到最后。甚至 AI 内容风格一致也一样——结构是几何题，文风是身份题。
今天的「未验证」，就是明天的选题
回头看，这个项目最诚实的部分不是「身材闭环了」的成功，而是「脸还在排队」的未完成。我越来越觉得，AI 落地项目的真实状态从来不是非黑即白，而是一半闭环、一半在途——能把「已闭环」和「未验证」分得清清楚楚的团队，才不会被自己的一时成功骗到。
顺便说一句，昨天 cherry 被问了一句「你还记不记得我们讨论过模特一致性的问题？」——它完整复原了 7 月 26 日的定案，连 Ark 没有 --cref 这个细节都记得。那一刻我意识到：AI 伙伴能记住一个多月前的技术决策，这件事本身，比很多人类团队还靠谱。
你遇到过「AI 生成的东西哪里不对，但说不出来哪里不对」的时刻吗？按这个框架拆一下——大概率是某一层没闭环。说说你被哪一层坑过？
