指令式图像编辑与图生图不是一回事：四种改图方式怎么选

先给结论：指令式图像编辑（把原图加一句自然语言指令交给模型）与传统图生图不是一回事。前者靠模型理解语义后重画，后者靠 denoise 控制加噪比例；多参考图与多轮会话编辑又各自解决不同的问题。选错工具的表现很典型：只是想换个表情，却把整张构图都改没了。

这篇按「你要改什么」倒推该用哪种机制，并把官方公开的能力边界写清楚，避免把「能改」理解成「无损改」。

事实口径：本文核对时间为 2026 年 11 月 10 日。多参考图与局部编辑能力来自 Qwen 官方博客（Qwen-Image-2.1，最多 10 张参考图）、BFL 官方博客（FLUX.2 [klein] 统一生成与编辑）、Google AI Studio 与 Cloud 型号页（Nano Banana 多轮编辑、最多 14 张输入图、SynthID）；传统图生图的 denoise 语义见本站图生图与重绘幅度。

四种「改图」，机制完全不同

第一行和第二行是「噪声比例」层面的控制：denoise 0.3 表示把原图破坏三成再重新长出来，跨过 0.5 构图就开始漂移。第三、四行是「语义」层面的控制：没有 denoise 旋钮，模型直接理解「把蓝圈里的手表去掉」这类指令并据此重建画面。

指令式编辑为什么能保住人物身份

官方把这件事描述为「保真」而不是「不变」。Qwen 官方博客列出 Qwen-Image-2.1 的四项编辑改进：最多 10 张参考图、圈选/涂抹/独立蒙版三种局部区域指定、人物身份与商品一致性保持、以及任务覆盖（全景、信息图、分镜）。其中「保真」明确聚焦人像身份与商品的文字、纹理、形状一致性。

实现上，官方说明输入图与编辑指令作为静态上下文在第一步计算并缓存，后续步复用 KV cache；BFL 官方也把 [klein] 描述为在单一模型里统一文生图、图像编辑与多参考生成。共同点是：参考图不是被当作噪声起点，而是作为条件被持续读取。

多参考图不是「多挂几张图」，是有数量与算力边界的

可核对的上限：Qwen-Image-2.1 官方写最多 10 张输入参考图；Google Cloud 的 Nano Banana 2.1 型号页写单次提示最多 14 张输入图，并按输出分辨率给出 1K/2K/4K 的图像 token 消耗。这些都是明确写进文档的规格，不是社区经验值。

所以「塞十张参考图效果更好」并不成立：每张图都要被编码成上下文，推理成本与注意力负担随之上升。官方给出的优化（KV cache 复用、混合粒度注意力）恰恰说明这是需要专门处理的工程问题。选型时按任务需要给图，而不是按上限给图。

多轮编辑适合迭代，但不等于可回溯

Google AI Studio 文档把多轮会话式编辑写成推荐用法：先生成，再逐步追加修改。它的优势是上下文连续，改第三轮时模型还记得前两轮做了什么。代价是会话一旦分叉，想精确回到某个中间状态，靠自然语言指令并不总是可靠；工程上更稳的做法是把每轮结果另存为文件。

还有一条交付层面的硬约束：官方明确所有 Nano Banana 生成图都带 SynthID 水印。用于客户素材时，这一点要在需求阶段说明，而不是交付后被问到才解释。

按症状选工具，别一上来就用最重的模型

1. 只改色调、材质、整体风格 → 低 denoise 的图生图，保留构图最省事。
2. 只修一个局部（手、水印、某个物件）→ 蒙版局部重绘，边缘留余量并羽化。
3. 要改语义但保持人物/商品 → 指令式编辑，优先用独立蒙版或圈选指定区域。
4. 要把多张图里的人物或商品合成一张 → 多参考图生成。
5. 要连续改很多轮、且能接受 API 路线 → 会话式编辑，每轮结果单独存档。

局部重绘那一行的两个细节（蒙版外扩 10–20 像素、边缘羽化）在图生图那篇里展开过，这里不重复。

三个必须提前说清的边界

「保真」是概率性的：官方措辞是「更好保持」，不是「保证一致」，关键交付仍要人工复核。指令编辑不是无损修图：模型是在重新生成画面，未指定的区域也可能有细微变化。规格按型号核对：Lite 类型号官方明确不针对多参考图或多轮连续编辑优化，别把 Pro 档的能力写进通用方案。

小结

把「改图」拆成噪声层与语义层两条线，选型就清楚了：调 denoise 是在控制破坏程度，写指令是在委托语义理解。前者便宜可控，后者能做人做不到的事，但需要接受一致性是概率、输出有水印、参考图有上限。更多模型侧对照看工作流分类。

官方资料：Qwen-Image-2.1 官方博客、BFL [klein] 官方博客、Google AI Studio 图像生成文档。