在过去两三年里，图像生成模型的更新频率非常快，但如果你真正参与过 AI 视频、AI 漫剧或广告分镜制作，大概率会有一种共同感受：
模型确实越来越会“画”，但在真实生产中依旧不够稳定。

最常见的问题并不在“好不好看”，而在于以下几点：

• 跨镜头角色不一致

• 指令理解不到位

• 多图参考合成生硬

• 文字、UI、表格不可用

• 无法真正理解分镜和镜头语言

这些问题会直接导致一个结果：生成的图无法顺畅进入视频生产链路，最终还是要人工大量返工。

基于这些长期存在的痛点，本文尝试通过一组高约束、偏实战的压力测试任务，对近期一款新的图像生成模型在 分镜一致性、叙事理解与可交付性 方面的表现进行记录与分析。

此外，如果你也想一起测评Nano Banana Pro，我这里有个Demo:
Nano Banana Pro | 中文版在线

---

一、测试目标与方法说明

与常见“看单张图好不好看”的测试不同，这次测试的核心目标是：

判断图像模型是否具备进入 AI 视频生产前期的能力

因此测试重点集中在：

• 连续分镜的一致性

• 复杂指令的遵循能力

• 文字与 UI 的可读性

• 多图融合与真实合成

• 是否具备基础的镜头理解

换句话说，就是直接拿平时最容易卡模型的题来测。

---

二、结论先行：它更像是在「按分镜做事」

如果用一句话总结这次测试的整体感受：

它不是更会画“单张好看的图”，而是开始能按分镜逻辑完成任务。

过去很多模型在单张表现上已经很强，但一进入连续叙事场景，就会出现明显掉链子的情况，例如人物跨镜不认人、道具细节变化、文字错误等。

而这次测试中，模型在 连续性和可控性 方面的表现，相比以往模型有明显提升，这也是本文重点记录的部分。

---

三、测试一：AI 漫剧最核心的问题——跨镜一致性

1. 三视图转身设定测试

连续分镜的基础，是模型能否真正“把一个角色当作同一个人”。

测试任务如下：

生成一个 AI 漫剧主角的三视图转身设定：
正面半身 / 侧面半身 / 背面半身回头

要求：

• 同一张脸

• 同一套衣服

• 同一身材比例

• 仅角度变化

风格：高质感日漫，线条统一

这是很多模型的“第一道坎”。常见情况是：
正面还能接受，侧面开始变化，背面基本重来一个人。

在这次测试中，角色的关键特征（脸型、疤痕位置、服装细节、背包）在三张图中保持得相对稳定，属于可以直接用于连续叙事的水平。

从生产角度看，这意味着模型开始具备最基本的“角色概念”。

---

四、测试二：连续镜头中的情绪与镜头语言

1. 雨夜天桥三镜头测试

第二组测试直接进入真实分镜场景：

同一场戏，三张连续分镜

• 远景建立环境

• 中景推进情绪

• 特写突出信息

要求人物、光影、雨势、环境严格连续
且关键文字必须清晰可读

测试结果中，三个镜头在整体光影方向、人物状态以及情绪推进上保持一致。
尤其明显的是：镜头关系是成立的，而不是简单的“三张相似图片”。

这一点对后续“图生视频”非常关键，可以明显减少前期素材修补的时间。

---

2. 镜头语言理解测试（虚焦 / 长焦 / 运动模糊）

进一步测试模型是否理解摄影语言，例如：

• 前景虚焦遮挡

• 主体焦点控制

• 运动模糊与追焦

• 背景光源拖影

在这些测试中，模型对“焦点位置”和“主体权重”的理解相对明确，生成结果在构图逻辑上是自洽的。

---

五、测试三：真实生产中最容易翻车的「产品合成」

在广告和商业项目中，“产品拿在手里是否自然” 是公认的高难度场景。

测试任务围绕：

• 手部结构

• 产品透视

• 光影方向

• 场景融合

在多次测试中，模型对产品位置、反光方向和阴影关系的处理较为稳定，生成结果没有明显“贴纸感”。

这类融合能力在实际商单和海报场景中具有较高参考价值。

---

六、测试四：多 IP、多风格、大场景融合

为了验证模型的综合融图能力，还测试了：

• 不同 IP 的风格混合

• 大量人物同框

• 游戏 × 影视 × 漫画的设定融合

在降低图片复杂度后，模型在人物数量、风格统一性和指令遵循度上表现稳定，适合用于构思型画面或视觉提案。

---

七、测试五：文字、表格、UI 的「可用性」测试

1. 分镜表截图

要求生成一张清晰可读的中文分镜表，包括列名、内容与排版。

在此测试中，表格结构完整，文字清晰，对齐合理，接近真实工作截图。

---

2. 视频剪辑时间线 UI

进一步测试复杂 UI 结构：

• 预览窗口

• 多轨时间线

• 可读字幕

• 参数面板

生成结果在结构逻辑上是合理的，文字可读性也达到了“可展示”的水平。

---

3. 教学黑板 / 手写笔记 / 静物物理测试

包括：

• 粉笔中文字

• 手写数学推导

• 时钟与液体物理关系

整体正确率较高，但在部分细节（如指针角度）上仍需要人工校验。

---

八、更多应用场景测试

测试还覆盖了：

• 批量 Logo 图标生成

• 教学卡片设计

• 信息图插画

• 节日主视觉

• 科普类视觉内容

在这些场景中，模型更像是一个可用于打底和构思的视觉工具，而不是仅供娱乐。

---

九、局限与不足

尽管整体表现较强，但仍存在明显限制：

1. 浏览器端输出分辨率存在上限，高分辨率仍受限

2. 个别复杂题材（如长条漫）偶发生成失败

3. 数学与物理细节存在小概率错误

4. 生成成功率并非 100%，仍需多次尝试

这些问题在严肃生产中仍需要人工介入。

---

十、总结：它开始更像“生产工具”

综合来看，这次测试最大的变化不在“画面多惊艳”，而在于：

模型开始理解“为什么要这样画”

对于需要连续分镜、稳定角色、可读文字和可进入视频流程的创作者来说，它在前期制作中的价值要明显高于以往模型。

如果只是单纯玩图，它只是一个更强的工具；
但在 AI 视频、AI 漫剧、分镜制作 这类场景里，它已经具备进入工作流的潜力。