多圖參考不是單純把幾張圖片一起上傳就好，真正的重點是讓 AI 明白每張圖各自負責什麼。以 MiniMax-H34 步極速版這類支援多圖參考的工具來說，可以用人物正面照固定五官，用側面照補足輪廓，再加入服裝、場景或動作參考圖。這樣做比只丟一張圖片更容易維持角色一致性，但圖片越多也不代表效果一定越好，標註混亂時反而會讓畫面失控。
多圖參考的分工方式
比較穩定的做法，是先替參考圖分配清楚的視覺任務。人物圖主要控制臉型、髮型和身材比例；服裝圖控制材質與色彩；場景圖則負責光線、鏡頭氛圍和背景構圖。假設要生成一段「角色在雨夜街頭奔跑」的影片，可以準備一張角色正面照、一張外套細節圖，以及一張雨夜街景圖，提示詞中直接寫明「人物沿用第一張、服裝參考第二張、背景採用第三張」，比籠統輸入多張圖片更有效。
實際測試時，建議先從 2 至 3 張參考圖開始。圖片數量過多，模型可能把不同人物的五官、服飾和姿勢混在一起，常見結果就是眼睛不對稱、手部變形，或服裝細節每一幀都在改變。若使用 8G 顯存設備，還要注意圖片解析度和影片長度；低顯存優化與 w4a8 量化雖然能降低占用，但一次載入太多高解析參考圖，仍可能造成生成速度變慢或卡頓。
如何讓畫面更穩定？
提示詞最好加入「保持角色臉部一致」「固定服裝顏色」「鏡頭由左向右移動」等具體要求，並避免同時指定太多互相衝突的動作。生成後若發現角色變臉，可以提高人物主參考圖的權重，減少背景圖的描述比例；若背景太搶戲，則應縮短場景提示詞，並用首尾幀控制畫面起始與結束狀態。
我會建議先生成 4 秒短片，再觀察臉部、手部和衣服是否穩定，確認方向後才延長影片。必要時搭配自動補幀與超分放大，通常比一次生成十幾秒更容易控制，也更省顯存。多圖參考的核心並不是「圖越多越專業」，而是每張圖都要有明確用途，模型才有機會真正按照你的想法組合畫面。
評論（6）
原來參考圖也要分工，之前一股腦丟進去難怪畫面常常跑掉
先從兩三張圖開始這點很實用，測試成本也比較低
如果人物正面照和側面照的光線差很多，會不會反而影響臉部一致性？
服裝細節圖要是太複雜，提示詞是不是也得把材質和顏色拆開寫？
先做四秒短片再延長，比一開始就追求長片穩妥多了
低顯存設備看來不只要控制圖片數量，解析度也得一起降下來