近期，一项关于生成式AI图像生成工具在游戏《三角洲行动》同人创作中表现的对比测试引发了社区关注。该用户尝试利用大模型技术生成游戏角色的“Q版3D手办”风格全家福壁纸，但在实际操作中遭遇了不同模型的技术瓶颈。具体流程中，用户首先提取了官方角色图作为参考素材，随后分别使用了字节跳动的“豆包”和谷歌的“Gemini”进行图像生成。在单角色或少量角色的生成测试中，豆包表现出了较好的风格还原能力，能够精准捕捉Q版3D的手办质感。然而，当任务扩展至包含十几个角色的“全家福”合成时，豆包暴露出明显的附件上传限制问题（最多仅支持10个附件），导致无法一次性完成所有角色的构图与生成。随后，用户尝试转用Gemini网页版，该模型在多模态输入支持上表现更为宽松，允许上传大量参考附件。但测试结果显示，即便在保持相同提示词的情况下，Gemini未能有效理解参考图像中的Q版3D风格，生成的图像质量与用户预期存在较大偏差。这一案例直观地揭示了当前主流多模态大模型在“图生图”及“长上下文图像合成”场景下的不同短板：部分模型虽然对风格理解精准但输入带宽受限，而部分模型虽然输入上限高但语义理解与风格迁移能力不足。
事件分析
此次对比反映了当前AIGC领域在处理复杂图像合成任务时面临的“长上下文”与“风格一致性”矛盾。从技术角度看，豆包对参考图数量的限制可能源于其模型对多模态输入Token处理机制的优化策略，旨在通过控制输入量来保证生成质量，但在“全家福”这类需要高并发参考的场景下显得捉襟见肘。Gemini虽然在文档或上下文窗口方面通常具备较大优势，但在此次图像生成任务中的失利，可能意味着其视觉编码器在处理复杂风格迁移或多主体约束时，与文本提示词的对齐机制尚不如豆包针对中文语境或特定风格的微调版本成熟。对于开发者而言，这不仅是模型能力的比拼，更是提示词工程与输入策略的博弈。未来，具备更高吞吐量且能保持风格稳定性的多模态模型，将是游戏资产生成及个性化内容创作领域的刚需。
核心观点：AI绘图实测揭示痛点：大模型在处理多角色长上下文任务时，输入带宽限制与风格一致性难以兼得。
原文链接：Linux.do
