前置知识点（建议先学）
学习状态：
一句话定义
一致性生成分两级：输出级靠确定性采样链（固定种子 + 全同参数）复现任意单张图；主体级让同一角色/风格跨图保持一致，需要 LoRA、参考注入（IP-Adapter/FaceID）或 inpainting 链路等技术把「主体身份」从单图采样中解耦出来。
为什么重要
商业交付（绘本主角、品牌视觉、连续分镜）的核心诉求从来不是「一张好图」而是「一套一致的图」，而这恰恰与扩散模型的天然倾向（每次采样都是新样本）相反。理解两级一致性的机制差异，才能选对方案：能用种子解决的不要上重型工具，需要主体级一致的知道该训练还是该注入。
前置知识
kp-009（确定性采样）、kp-015（LoRA）、kp-016（参考注入）、kp-012（img2img）。
核心概念
- 输出级一致性（复现）：确定性采样器 + 固定种子 + 全同参数链 = 逐像素一致。
- 主体级一致性（跨图身份）：同一角色/产品/风格在不同构图、动作、场景下的可识别性。
- 种子脆弱性：种子只在与采样链逐项一致时保证复现；改任何参数、换模型版本即失配。
- 主体解耦技术谱：训练侧（LoRA/DreamBooth，kp-015）与推理侧（IP-Adapter/FaceID，kp-016）。
- 构图锚定：ControlNet/涂鸦控制保证布局一致（kp-014），与主体一致正交叠加。
原理与机制
输出级：由 kp-009 的确定性性质直接保证——DDIM(σ=0)/Euler/DPM++ 2M 下，种子决定初始高斯张量，同链同参逐像素复现。两个工程提醒：随机性来源（如祖先采样器、随机种子节点）必须排除；「复现」绑定模型权重——基座更新一个版本，同种子即为另一条轨迹，发布复现配方时应锁定模型哈希。
主体级的三条路线，机制各异：
- 训练侧（LoRA/DreamBooth）：把主体的视觉特征写进权重（kp-015）。一致性最强（特征内化于模型）、构图自由度最大；代价是训练成本与「触发词绑定」。适合长线项目（系列绘本主角）。
- 推理侧（参考注入）：IP-Adapter 把参考图的语义嵌入每步注入（kp-016），FaceID 变体用人脸特征强化身份。免训练、即插即用；一致性弱于训练侧（依赖参考图质量），适合快速批量。
- 编辑链（img2img/inpainting）：小重绘幅度或掩码重绘「就地改」——kp-012/kp-013 机制的组合拳，适合「以某张定稿为锚」的少量变体。
正交叠加：主体一致（怎么画得像他）与构图一致（怎么摆得一样）是两个轴——前者用 LoRA/IP-Adapter，后者用 ControlNet/固定种子。多角色同框是两者的高难度合奏：每个角色配各自 LoRA/参考（多 IP-Adapter 加权），构图用控制图锚定，冲突率随角色数上升（注意力竞争，kp-011 的 K/V 带宽有限）。
公式与推导
本节不适用——一致性是采样确定性（kp-009）与条件注入（kp-011/kp-015/kp-016）性质的应用组合，无新数学。
图示
主体轴：LoRA（训练）/ IP-Adapter（注入）×构图轴：ControlNet / 固定种子 / 小 s img2img=跨图一致的角色分镜
直观类比
输出级复现像「同一份菜谱同一炉火做两遍」（参数锁定即出同菜）；主体级一致像「让同一位演员出演不同剧集」——要么签长期合同（LoRA 训练，演员进剧组）、要么每场化妆参照定妆照（IP-Adapter 参考注入）；ControlNet 则是「剧本的走位图」，管站位不管长相。
实例或案例
- 儿童绘本流程（训练侧）：主角设定图 20 张训 LoRA（触发词
mxboy）→ 每页换提示词与构图，角色跨页可识别；发布时锁定基座哈希保证可复现。 - 电商产品图流程（推理侧）：产品照作 IP-Adapter 参考（λ≈0.6）+ 不同场景提示词，批量生成「同产品不同环境」素材；身份精度不足时升级为产品 LoRA。
- 多种子批量探针：定稿前用 kp-020 的多种子粗筛挑「构图潜力股」，再对选中种子做输出级锁定——两种一致性在真实流程中的接力。
常见误区
- 误区一：固定种子就能保角色。种子只锁「这一张」；下一张换构图/提示词后角色面貌由分布重新采样，与上个种子无关。
- 误区二：一致性技术会「更聪明」。LoRA/IP-Adapter 提高的是身份相似度，不以画质换身份；高λ/高权重叠加常把 kp-025 的语义污染引回来，需在一致性与自由度间重设旋钮。
- 误区三：复现配方永远有效。模型更新、采样器换型、精度变化任一发生即失配；可复现交付需连「环境指纹」（模型哈希 + 参数链）一起归档。
自测题
- 输出级与主体级一致性的机制差异是什么？
答案要点：输出级靠确定性采样链复现单图；主体级需把主体身份从单次采样解耦（训练或注入）。
- 为什么 LoRA 方案的跨图一致性通常优于 IP-Adapter？
答案要点：LoRA 把特征写入权重（内化），IP-Adapter 依赖单张参考图的嵌入（语义级、受参考质量约束）。
- 「同种子换模型版本不复现」说明种子复现的什么性质？
答案要点：复现绑定整条采样链含模型权重；权重变即轨迹变，交付需锁定模型哈希。
与其他知识点的关系
kp-009 的确定性是输出级的理论基础；kp-015/kp-016 是主体级的两条路线；kp-014 提供构图轴；kp-020 的种子管理是流程层接口。
延伸阅读
DreamBooth 论文（CVPR 2023）对「主体驱动生成」问题的定义仍是主体级一致性的标准表述；IP-Adapter 论文第 4 节的消融实验展示了注入强度与身份相似度的关系。