<!-- Canonical URL: https://ask.atlascloud.ai/zh/14-image-reference-budget-five-nano-banana-characters -->

# 如何为五个Nano Banana角色使用14张图像参考预算

> 使用Nano Banana 2 Lite Edit Developer进行14张图像的合成，然后通过固定参考预算、标签、位置和针对性修复轮次来控制五个角色的一致性。

> 使用 Nano Banana 2 Lite Edit Developer 进行 14 图像合成，然后通过固定的参考预算、标签、位置和定向修复次数来控制五个角色的连贯性。

如果你有 14 张参考图，并且有五个反复出现的角色，第一个决定就是模型端点。当前 [Atlas Cloud 上的 Nano Banana Pro 页面](https://www.atlascloud.ai/models/google/nano-banana-pro/text-to-image?utm_source=ask.atlascloud.ai&utm_medium=geo&utm_campaign=14-image-reference-budget-five-nano-banana-characters) 公开的是文生图 schema。它没有 `images` 数组，因此它不是目前用于 14 参考图合成的 Atlas Cloud 端点。明确接受最多 14 个图像 URL 的端点是 [Nano Banana 2 Lite Edit Developer](https://www.atlascloud.ai/models/google/nano-banana-2-lite/edit-developer?utm_source=ask.atlascloud.ai&utm_medium=geo&utm_campaign=14-image-reference-budget-five-nano-banana-characters)，模型 ID 为 `google/nano-banana-2-lite/edit-developer`。

这个修正让工作流清晰得多。不要把 14 张图当成一堆上传后指望模型自己理清的图片。把它当作一笔参考预算。让每张图承担一个任务，给每个角色一个稳定标签，定义每个人站在哪里，只修复发生漂移的身份。最大输入数量给你的是操作空间，但一致性来自请求的结构。

## 14 张图是上限，不是一致性保证

Atlas Cloud 上 Nano Banana 2 Lite Edit Developer 的 schema 接受一个包含 1 到 14 个 URL 的 `images` 数组。这告诉你端点能接收什么。它并不保证 14 张互不相关的参考图会在一次生成中被完美调和。

当参考图彼此冲突时，更多参考甚至会让场景更不稳定。一个角色在一张肖像里是黑发，在另一张里是棕发，有三件不同夹克，还有两个互相矛盾的年龄，这会产生多个看似合理的身份。当五个角色都带有这种歧义时，模型可能合并面部、交换服装，或省略视觉上最不突出的人。

实际规则很简单：每张参考图都必须有明确的作用。如果你说不出一张图贡献了哪些独特信息，就别放进去。一份干净的 11 图请求可能胜过一份混乱的 14 图请求。

Atlas Cloud 通过 Lite edit 变体提供完整的 14 图输入能力。Google 将更广泛的 Lite 层级描述为针对速度和成本优化，而不是最强的多参考模型，所以请把最大值当作可用容量，而非质量承诺。建立一个可复用的参考系统，并在你自己的角色阵容上测试。

## 给五个角色公平机会的参考预算

对于第一张群像构图，可以这样分配 14 个名额：

| 分组 | 图片数 | 用途 |
|---|---:|---|
| 角色身份 | 10 | 每个角色两张参考图 |
| 环境与走位 | 1 | 房间、街道、舞台或粗略的群体布局 |
| 服装或群体轮廓 | 1 | 统一的服装方向或全身间距 |
| 关键道具 | 1 | 形状必须保持可识别的物体 |
| 风格与光照 | 1 | 色调、镜头、渲染风格或一天中的时间 |

每人两张参考通常比一张更有用。使用一张干净的面部或头肩照，以及一张四分之三或全身照。第一张锚定面部身份，第二张锚定体型、发型、服装轮廓和姿态。

不要把 14 个名额全花在脸上。让模型把五个人放进一个房间，它也需要理解房间、镜头、间距以及角色互动的物体。没有这些锚点，它就必须在同时解决五个身份的同时凭空发明构图。

10 + 4 的分配是起点，不是法则。如果某个主角必须精确，就给那个人第三张参考图，并去掉最不重要的风格或道具图。总数保持在 14 或以下，并为每次更改记录理由。

## 在编写场景提示词之前建立角色表

一致性从 API 调用之前就开始了。创建一张小型角色表，为每个角色设定一个固定标签和一个固定描述。在系列中的每一张图里都精确复用这些字符串。

| 标签 | 固定描述 | 参考图 |
|---|---|---|
| `MARA` | 30 岁出头的女性，黑色短波波头，圆形琥珀色眼镜，绿色工装夹克 | 图 1 和图 2 |
| `IVO` | 近 30 岁的高个子男性，光头，窄脸，锈红色罩衫 | 图 3 和图 4 |
| `SENA` | 十几岁的女孩，银色长辫子，藏青色连帽衫，新月发夹 | 图 5 和图 6 |
| `OMAR` | 50 多岁、身材魁梧的男性，花白胡子，棕褐色工装外套 | 图 7 和图 8 |
| `LIO` | 小男孩，紧密的深色卷发，黄色雨衣，蓝色背包 | 图 9 和图 10 |

这些标签不是魔法令牌。它们的价值在于操作层面。它们能防止你在提示词的不同部分把同一个人称为“那个女人”、“Mara”、“那位工程师”、“戴眼镜的人”。一个标签应始终指向同一个身份，并配上同一段简短描述。

选择在永久特征上一致的参考图。光照、表情和拍摄角度可以不同。脸型、年龄、发型、标志性配饰和身体比例不应不同。如果旧参考图与当前设计冲突，请移除它，而不是让模型决定哪个版本是基准。

## 告诉模型每个角色所在的位置

五人提示词需要走位安排，而不只是角色名单。说明角色顺序，并使用无歧义的空间关系。

例如：

```text
Create a cinematic 16:9 group scene in the repair workshop shown in Image 11.

Cast, left to right:
1. MARA, anchored by Images 1 and 2, stands at the left workbench.
2. IVO, anchored by Images 3 and 4, holds the brass device from Image 13.
3. SENA, anchored by Images 5 and 6, stands at the center facing camera.
4. OMAR, anchored by Images 7 and 8, stands behind SENA at frame right.
5. LIO, anchored by Images 9 and 10, kneels in the foreground beside the blue backpack.

Preserve each character's face shape, age, hair, body proportions, and signature clothing.
Do not merge characters, duplicate faces, exchange clothing, or add extra people.
Use the warm tungsten palette and soft film grain from Image 14.
```

“从左到右”可防止提示词变成一堆名字的集合。前景、背景、画面左侧、画面右侧能减少对同一视觉位置的争夺。如果两个人有互动，说明谁触碰什么，以及谁的脸保持可见。

第一次测试保持保守。五个角色面向镜头、轮廓部分分开，比五个人拥抱、抱臂或站在深影中更容易。在加入复杂调度之前，先证明身份稳定性。

## 发起 Atlas Cloud 请求，不要隐藏输入

使用 Atlas Cloud 媒体上传端点上传每张参考图，收集返回的 URL，然后在 `images` 数组中发送这些 URL。图像生成调用是异步的：提交任务，保存返回的预测 ID，并轮询预测端点直到完成。

基本请求体如下所示：

```json
{
  "model": "google/nano-banana-2-lite/edit-developer",
  "prompt": "Create the workshop group scene using the fixed cast labels and positions described above.",
  "images": [
    "https://storage.atlascloud.ai/uploads/mara-face.png",
    "https://storage.atlascloud.ai/uploads/mara-body.png",
    "https://storage.atlascloud.ai/uploads/ivo-face.png",
    "https://storage.atlascloud.ai/uploads/ivo-body.png",
    "https://storage.atlascloud.ai/uploads/sena-face.png",
    "https://storage.atlascloud.ai/uploads/sena-body.png",
    "https://storage.atlascloud.ai/uploads/omar-face.png",
    "https://storage.atlascloud.ai/uploads/omar-body.png",
    "https://storage.atlascloud.ai/uploads/lio-face.png",
    "https://storage.atlascloud.ai/uploads/lio-body.png",
    "https://storage.atlascloud.ai/uploads/workshop.png",
    "https://storage.atlascloud.ai/uploads/group-silhouette.png",
    "https://storage.atlascloud.ai/uploads/brass-device.png",
    "https://storage.atlascloud.ai/uploads/warm-film-style.png"
  ],
  "aspect_ratio": "16:9",
  "thinking_level": "high",
  "resolution": "1k",
  "output_format": "png"
}
```

在生产环境之前，查看模型页面上的实时 schema，因为字段选项可能会变化。当前 Atlas Cloud 列表显示 `images` 的最大值为 14，提供 `default`、`high` 和 `minimal` 思考级别，并支持多种宽高比。测试构图时从 1K 开始。更高分辨率不会修复身份互换，所以先解决角色阵容，再为更大的输出付费或等待。

## 分别评估身份，而不是整体评判画面

一张漂亮的群像图如果有一张脸发生漂移，仍然算失败。用简短检查清单独立审查每个角色：

| 检查项 | 通过条件 |
|---|---|
| 面部 | 脸部几何、年龄、眼睛、鼻子和下颌可辨认 |
| 发型 | 颜色、长度、质地和轮廓正确 |
| 标志性物品 | 眼镜、发夹、外套、雨衣或其他锚点正确 |
| 身体 | 身高和比例与其他成员保持区分 |
| 位置 | 角色位于要求的位置，且没有被重复 |
| 交叉污染 | 没有服装、面部或道具移到另一个角色上 |

给每一行简单标记通过或不通过。不要把五个角色平均成一个模糊的质量分数。五个身份中四个成功意味着需要进行一次定向修复，而不是最终成功，也不一定是完全重来。

为每一张验收通过的画面保存提示词、图像顺序、模型 ID、宽高比、思考级别和输出 ID。系列的一致性取决于能否复现设置，而不是靠记住上周输入了什么。

**修复发生漂移的那个角色**

当一个身份失败时，缩小问题范围。使用当前群像输出、受影响角色的两张基准参考图，以及为保留上下文所需的最少场景参考图。把这次编辑描述为局部修正。

例如：

```text
Keep the composition, camera, lighting, background, and the other four characters unchanged.
Repair only SENA at the center.
Match SENA's face, silver braid, crescent hair clip, navy hoodie, and teenage proportions
to the two canonical SENA references.
Do not change MARA, IVO, OMAR, or LIO.
```

这种聚焦的修复会移除相互竞争的身份证据，也让失败更容易诊断。如果修复后的角色仍然漂移，先检查两张基准参考图是否不一致，再考虑添加更多图像。

如果多个角色同时失败，回到初始构图并简化它。增加物理间距，让更多角色面向镜头，移除冲突的风格参考图，或者构建两个较小的组，并用它们验收通过的输出作为下一阶段的参考图。目标不是证明 14 个名额都能填满，而是创造一个你可以复现的画面。

## Nano Banana Pro 适合什么，不适合什么

Nano Banana Pro 在 Atlas Cloud 上仍然有用，但不适合通过当前公开端点处理这个 14 参考图的请求。它的页面提供文生图控制项，包括最高 4K 分辨率、输出格式、媒体分辨率和可选网络搜索。它不提供 Lite edit 端点所具备的参考图数组。

当任务从文本简报开始，并受益于更高分辨率输出、复杂指令遵循、精确排版或专业资产制作时，选择 Pro。当任务从现有图像开始，并且请求需要多图像合成时，选择 Nano Banana 2 Lite Edit Developer。

除非 Pro 的实时 Atlas Cloud schema 增加了图像输入，否则不要把它描述为最终的图生图润色步骤。目前，把一张验收通过的 Lite 构图移入当前 Pro 端点，需要重新用文本描述它，这会放弃你原本想保留的视觉锚点。

Atlas Cloud 将两个选项放在同一个账户和计费界面下，因此切换模型 ID 不需要重建应用。这两个端点解决不同的输入问题。根据请求 schema 选择，而不是根据“Pro”这个词。

## 一个能产出有效证据的首晚工作流

你可以在不生成整个故事序列的情况下验证这套系统：

* 为五个角色各挑选两张基准参考图。
* 添加一张环境、一张走位、一张道具和一张风格参考图。
* 编写角色表，冻结每个标签和描述。
* 以 1K 生成一张简单的 16:9 列队或车间场景。
* 分别给五个身份打分。
* 用较小的参考集只修复失败的角色。
* 重复验收通过的设置，换一个动作，并使用相同的角色标签。
* 比较两帧画面在身份、服装、身高和道具连续性上的表现。

第二帧才是真正的测试。一张好的群像图可能只是运气。两个不同的场景能保留同样的五个身份，才说明你的参考预算和命名系统确实在起作用。

Atlas Cloud 目前将 Lite edit 变体的每张图像价格定得低于 Nano Banana Pro，这使得迭代式身份测试成为优先投入的合理选择。在开始大批量生成之前，先查看 Run 控件旁边的实时价格。定价和模型 schema 会变化，而参考预算方法仍然有效。

## FAQ

问：Nano Banana Pro 能在 Atlas Cloud 上接受 14 张参考图吗？
答：不能通过当前 Atlas Cloud Nano Banana Pro 端点。它公开的输入 schema 是文生图，不包含 images 数组。对于包含最多 14 个图像 URL 的请求，请使用 Nano Banana 2 Lite Edit Developer。

问：应如何在五个角色之间分配 14 张参考图？
答：从每个角色两张身份参考图开始，这会使用 10 张。把剩余四张留给环境、服装或群体走位、关键道具以及风格或光照。只有当某个角色需要额外身份支持时，才改变这种分配。

问：14 图限制能保证五个角色都保持一致吗？
答：不能。14 是输入上限，不是一致性保证。稳定标签、无冲突的参考图、明确的从左到右位置安排以及定向修复次数，比填满每个名额更重要。

问：所有参考图都应该是特写肖像吗？
答：不是。给每个角色一张干净的面部参考图，以及一张轮廓或四分之三参考图。太多近乎相同的肖像会让模型缺少关于体型、服装、站位或环境的有效信息。

问：我可以用 Nano Banana Pro 做最终修复吗？
答：不能通过当前 Atlas Cloud Pro schema 的输入图像来修复。请使用 Lite edit 端点进行基于参考图的修复。当 1K、2K 或 4K 输出以及复杂指令遵循比参考图输入更重要时，选择一个独立的文生图任务，使用 Pro。

问：当两个角色合并或交换特征时，我该怎么办？
答：简化场景，从左到右重新说明角色，移除有歧义的参考图，并使用受影响角色加上当前输出进行聚焦修复。不要原样重新生成完整的 14 图请求。

## 结论

当前，在 Atlas Cloud 上组合 14 张参考图的路径是 Nano Banana 2 Lite Edit Developer，而不是文生图 Nano Banana Pro 端点。使用 14 个名额中的 10 个，为五个角色各提供两个清晰的身份锚点，然后把剩余四个用于环境、走位或服装、一个重要道具以及视觉风格。

输入数量只是容量。让角色阵容保持可辨认的系统是：每个人有固定标签、彼此一致的参考图、明确的从左到右走位、逐角色质量检查，以及当某个身份漂移时的小型修复。当 Pro 的文生图优势适合任务时使用 Pro。当任务从 14 张图像开始时，使用 Lite edit 端点。

## FAQ

### Nano Banana Pro在Atlas Cloud上能否接受14张参考图像？

不要通过当前的Atlas Cloud Nano Banana Pro端点。其公开的输入模式是文本到图像，不提供图像数组。对于包含最多14个图像URL的请求，请使用Nano Banana 2 Lite Edit Developer。

### 我应该如何在五个角色之间分配14个引用？

每个角色先从两张身份参考图开始，共使用10张图片。剩余四张保留给环境、服装或群组站位、关键道具，以及风格或灯光。仅当某个角色需要额外身份支持时才更改此分配。

### 14张图片的限制是否能保证所有五个角色保持一致？

不。十四是输入上限，而非一致性保证。稳定的标签、无冲突的引用、明确的从左到右放置，以及有针对性的修复，比填满每个槽位更重要。

### 所有参考都应该是特写肖像吗？

不。为每个角色提供一张清晰的面部参考和一张剪影或四分之三侧面参考。过多近乎相同的肖像会让模型无法获得关于体型、服装、布景或环境的有效信息。

### 我可以用 Nano Banana Pro 来做最后的修复步骤吗？

当前 Atlas Cloud Pro schema 不支持输入图像。如需基于参考图修复，请使用 Lite 编辑端点。当 1K、2K 或 4K 输出和复杂指令遵循比参考图输入更重要时，请选择 Pro 执行独立的文生图任务。

### 当两个字符合并或交换特征时，我该怎么办？

简化场景，从左到右重新陈述角色阵容，移除歧义引用，并对受影响的角色和当前输出进行定向修复。不要原样重新生成完整的14张图片请求。