AI 生成产品图尺寸不准，不是你提示词写得不够细，是原理决定的。
你让 AI 生成一张沙发图，图上标着"宽 85cm"。这个数字不是量出来的。模型没见过你车间里那张沙发，它只是从训练数据里学到"沙发大概这么宽"，采样出一个看起来合理的数，再用很专业的字体画上去。买家信了这个数下单，收到货发现放不进玄关那个墙洞——退货运费、差评、"这家供应商不靠谱"的印象全算你的。模型不会为这个数字负责，你会。
下面拆机制，再把四种给产品图上尺寸的做法摆到一张表上。也把话说公道——AI 出图有它擅长的活，只是标尺寸不在里面。
为什么 AI 生成产品图尺寸不准：它优化的是"像"，不是"准"
先给一句能单独拿走的定义：AI 生成产品图尺寸不准，指的是用扩散类生成模型直接出图时，图上的尺寸数字并非来自对实物的测量，而是模型按训练数据的统计分布采样出的"看起来合理"的值——它可能恰好接近真值，但没有任何机制保证它等于实测尺寸。
这是设计目标决定的。扩散模型训练时不断往图片上加噪声直到变成纯噪点，再学习把过程反过来；生成时从噪声开始逐步去噪成图。它的目标按技术定义是"学习一个扩散过程，使该过程能生成与原始数据集分布相似的新元素"。
关键词是分布相似，不是"测量准确"。训练里没有任何环节告诉过模型"这张沙发实际宽 85.3 厘米"。你拿一个从没量过东西的系统要测量结果，它只能给你一个编得像的数。
美国国家标准与技术研究院（NIST）2024 年 7 月发布的 NIST AI 600-1，把它列为生成式 AI 的固有风险之一，术语是 Confabulation（虚构）："生成自信陈述但错误或虚假的内容"。其中一句解释最要命：
虚构是生成模型设计方式的自然结果：它们生成的输出是对训练数据统计分布的近似。
"自然结果"——不是 bug，是特性。这解释了为什么换更新的模型、提示词写得再细都没用：你要的是测量，它做的是采样。
官方模型卡自己写着"不能渲染清晰可读的文字"
Stability AI 官方为 SDXL 1.0 发布的模型卡，"局限性"一节有三条正好打在尺寸标注的要害上："模型无法渲染清晰可读的文字"、"模型在涉及组合性的更难任务上表现挣扎，例如渲染'一个红色立方体在一个蓝色球体上方'"、"模型的自编码部分是有损的"。
第一条直接判了死刑：尺寸标注的本质就是文字和数字，一个官方承认无法稳定渲染可读文字的系统，写出来的可能 8 变成 B、1200 变成 1Z00。第二条：连"立方体在球体上方"都容易错，而尺寸标注要求端点恰好落在产品的物理边缘上。第三条意味着产品边缘在编解码中本就会被改写——而"边缘在哪"正是尺寸的起点。
这也不是某一个模型的毛病。VISOR 评测基准（2022 年 12 月）的结论是：文生图模型图像质量虽高，但"在生成多个物体、以及生成文本所指定的空间关系方面，能力严重受限"。三年多过去也没解决——2026 年 1 月的 SpatialGenEval 基准评测 21 个最先进模型，结论仍是：空间推理是主要瓶颈。
对比依据说明：这里比的是公开能力，不是我们跑的评测
先把话说清楚：下面四种方案的对比，不是我们跑基准测试跑出来的。我们没做过这样的实验，也不会假装做过。
对比依据只有三类，全部可公开查证，你可以自己去核实：
- 模型开发方公开的能力声明——如上面引的 SDXL 官方模型卡"局限性"章节。厂商自己承认做不到的事，就是做不到。
- 模型的工作原理——扩散模型学的是分布近似，输出是采样而非测量。这是机制推演。
- 同行评议的公开研究与权威机构文件——VISOR、SpatialGenEval、NIST AI 600-1。
所以表格维度全是能力事实（数字从哪来、能不能锁实测值、能不能复核、责任归谁），不是打分。你不会在这篇看到"准确率 92%"这种数——要给出它就得真去跑评测，而我们没跑。何况你要判断的本来也不是"谁得分高"，而是"我敢不敢拿这张图上的数字向买家承诺"。
方案 1：让 AI 出图时直接把尺寸画上去
做法：提示词里写"一张实木衣柜产品图，标注尺寸 1800mm×600mm×2000mm"，让模型一次生成带标注的图。
数字从哪来：模型采样。即使你给了准确数字，模型也不把它当作"必须精确复现的字符串"，而是当作生成条件之一，字形、位置、小数点全在随机范围内。
为什么看着这么专业：模型见过海量真实工程图，把视觉风格学得很到位——引出线、箭头、标注字体一应俱全。它精确复刻了"专业规格图长什么样"，没有复刻"这件产品到底多大"。最危险的正在于此：粗糙的图你会警惕，像 CAD 导出的图你会放松。视觉专业度在这里是负资产，它降低了你复核的意愿。
方案 2：通用修图软件手动画箭头和数字
做法：Photoshop 或任意图片编辑器，拉个箭头，打个文本框，把实测数字敲进去。
数字从哪来：你手动输入。这是真正的进步——数字终于有来源了，来自你的卷尺、卡尺或图纸。
问题不在准，在于全靠人不手滑：
- 箭头端点靠肉眼往产品边缘上凑，差几个像素没人管，但买家看到的比例关系就是歪的
- 你输 1800 还是 1080，软件不知道，也不会拦你；厘米换英寸靠手算，算错一位没有提示
- 20 个 SKU × 4 张图 = 80 次重复劳动，第 60 次你已经不看了；阿里国际站、亚马逊、纸质目录各要一套，每套都得重排
真实定位：能用，但这是通用工具在干专用活。软件对"尺寸"一无所知——在它眼里 1800 和"你好"都只是文本图层。它不校验、不换算、不知道边缘在哪，正确性全压在你的手和眼上。
方案 3：实拍加参照物，让买家自己估
做法：把可乐罐、A4 纸、卷尺，或者一个人，放进产品实拍图里当比例参照。
数字从哪来：没有数字。它不给数值，只给直觉——而这恰恰是它的价值。人对"这个柜子比这个人矮一点"的感知，比对"高 1800mm"快得多。工业品和建材尤其吃这一套：一个手掌握着阀门的照片，胜过一整页参数。
边界：买家能据此判断"大概放得下"，但没法据此下单——询盘、报价、合同、报关每一环都要具体数值。参照物解决"感觉"，不解决"承诺"。 它是好配菜，不是主菜。
方案 4：基于确定性几何的尺寸标注
做法：在产品实拍图上用确定性的几何方式把实测尺寸钉死——标注线端点贴合到产品实际边缘上取数（贴边取数 / snap-to-edge），数值由你从实物或图纸录入，厘米与英寸双单位由系统换算，最后按各平台的规格图要求导出。
数字从哪来：你输入的实测值。和方案 2 一样有来源，但定位不再靠手——端点由几何计算贴合边缘。
和前三种的根本区别：这里没有采样，没有概率分布，没有"看起来合理的值"。几何是确定性的——同样的输入永远得到同样的输出，标注线要么贴在边缘上要么没贴，可复核、可追溯。数字是你的责任，位置是几何的责任，没有一个环节由模型去猜。方案 2 的痛点也跟着消失：端点不靠肉眼凑；双单位由系统换算；一份标注一键导出成各平台规格图尺寸。
边界必须说清楚：这是给买家看的规格图，不是 CAD，不是工程制图，不做公差配合，不替代技术图纸。实际效果可参考家具尺寸标注实拍案例。
横向对比：哪种做法锁得住实测尺寸
| 对比维度 | 方案 1 AI 出图直接标 | 方案 2 通用修图手画 | 方案 3 实拍加参照物 | 方案 4 确定性几何标注 |
|---|---|---|---|---|
| 图上数字从哪来 | 模型按训练分布采样 | 你手动输入 | 没有数字 | 你输入的实测值 |
| 能否锁住实测尺寸 | 否，不具备测量能力 | 能，但全靠人不手滑 | 否，只给直觉 | 能 |
| 数字能否复核追溯 | 否，说不出来源 | 能，但软件不校验 | 不适用 | 能 |
| 端点是否贴合真实边缘 | 随机落点 | 靠肉眼对齐 | 不适用 | 贴边取数 |
| 厘米/英寸双单位 | 不可靠 | 手动换算，易错 | 无 | 系统换算 |
| 批量出多个 SKU | 快，但快在错方向 | 慢，越做越飘 | 中等 | 快 |
| 导出各平台规格图尺寸 | 需另行处理 | 每个平台手动重排 | 需另行处理 | 一键导出 |
| 擅长什么 | 场景图、背景、概念图 | 灵活，什么都能画 | 建立直觉体感 | 精确尺寸与规格 |
| 尺寸错了谁担责 | 你 | 你 | 你 | 你 |
最后一行不是凑数的。无论用哪种工具，尺寸标错的退货、纠纷和索赔，承担的永远是你。 这正是为什么"数字从哪来"那行必须有答案——你没法把责任转移给一个采样过程。退货到底亏多少，可以用退货成本计算器先算一笔账。
我们的建议
一句话原则：让 AI 干它擅长的活，别让它干它机制上干不了的活。
这不是单选题：场景图归 AI 出图，直觉体感归实拍加参照物，而买家要据此下单的尺寸数字，必须来自实测、能复核、用确定性的方式标上去。分界线很清楚：AI 可以改这张图的"氛围"，不能改这张图的"事实"。 背景、光线、风格是氛围；产品的形状、比例、尺寸是事实。淘宝 2025 年 3 月的新规划的也是这条线——严禁利用 AI 等合成技术呈现显著失真、与实际不符的商品效果图，累计已拦截近 10 万张假图（据新华网报道）。
还有一个容易混的事：合规和准确是两个问题。 平台要你标注 AI 生成、不许失真，那是合规；图上那个 85cm 等不等于实测值，那是准确。合规做到位了，尺寸照样可以是错的——前者另有一篇讲AI 生成图的合规边界。另一层坑：就算用了实测值，标称尺寸和实测尺寸也常对不上（"1.2 米的板"实际是 1180mm），详见标称尺寸和实测尺寸的差别。
这张图能不能用：发布前自查清单
- 图上每一个尺寸数字，我都能说出它是从哪把尺子、哪张图纸上来的
- 这些数字和详情页、规格表、报价单上的完全一致，没有第二个版本
- 标注线两端确实贴在产品的实际边缘上，不是大概齐落在附近
- 主图里的产品本体是实拍的，不是模型生成的
- 出口或跨境的图，厘米和英寸都标了，且换算复核过
- 有 AI 参与的部分，它改的只是背景和光线，没动产品的形状和比例
只要有一条打不了勾，这张图就先别发。
常见问题
AI 出图能标尺寸吗
不能，至少不能标你敢向买家承诺的尺寸。原因不在于模型不够强，而在于它的机制是从训练数据的统计分布中采样，不是测量实物。Stability AI 为 SDXL 1.0 发布的官方模型卡明确列出"模型无法渲染清晰可读的文字"，而尺寸标注本质就是文字和数字。AI 能生成一张看起来像带准确尺寸的图，这和带准确尺寸是两回事。
为什么 AI 画的尺寸数字看着很专业却是错的
因为模型学到的是规格图的视觉风格，不是产品的实际测量值，风格相似和数字正确彼此独立。NIST 在 AI 600-1 里把这类现象定义为 Confabulation——"自信陈述但错误或虚假的内容"，并指出这是"生成模型设计方式的自然结果"。越专业的外观越容易让你放弃复核。
外贸产品图怎么标尺寸才不被买家反复追问
标实测值、双单位、贴着产品边缘标，并让图上的数字和报价单、规格表完全一致。海外买家追问尺寸通常是三个原因：只有厘米没有英寸、数字标在角落里和产品对不上号、图上的数和规格表打架。三条都能在出图阶段堵死。
来源与依据
- NIST AI 600-1《人工智能风险管理框架：生成式人工智能剖面》（美国国家标准与技术研究院，2024 年 7 月）——第 2.2 节 Confabulation 定义。
- Stable Diffusion XL Base 1.0 官方模型卡（Stability AI）——"局限性"章节三条原文。
- Benchmarking Spatial Relationships in Text-to-Image Generation（VISOR / SR₂D）（arXiv:2212.10015，2022 年 12 月，2023 年 10 月修订）。
- Everything in Its Place（SpatialGenEval）（arXiv:2601.20354，2026 年 1 月）——评测 21 个最先进模型。
- 扩散模型技术定义——扩散过程与去噪采样的原理。
- 淘宝新规拒绝 AI"照骗"，已拦截 10 万 AI 假图（新华网，2025 年 3 月 27 日）。
说明：本文的方案对比基于上述公开可查的模型能力声明、模型工作原理与公开研究，不是我们自行开展的基准测试，文中不含任何实测数据。
接下来该怎么做
按你现在的情况挑一条：
- 先算账 —— 用退货成本计算器按自己的客单价、运费和退货率算一遍，确认这事值不值得花精力。
- 先止血 —— 拉出销量最高的 5 个 SKU，用上面那份自查清单过一遍，问题通常都集中在头部。
- 建立单一数据源 —— 把每个 SKU 的实测尺寸整理成一张表，图上、详情页、规格表、报价单全部从这张表取数。多版本数字打架，是尺寸纠纷的常见起点。
- 让 AI 继续干它擅长的活 —— 场景图、背景替换、概念图该用就用，只是别让它碰产品的形状、比例和尺寸。
- 给尺寸这件事用专用工具 —— 批量出规格图时，值得考虑那类能把实测尺寸锁在图上的工具：贴边取数让端点贴合产品真实边缘，双单位自动换算，一份标注一键导出成各平台规格图尺寸。它和 AI 出图不是替代关系——一个负责氛围，一个负责事实。
最后留一句可以直接拿走的判断原则：
AI 出图是在"画一张看起来像的图"，不是在"量一件真实的东西"。图上那个 85cm 不是量出来的，是按训练数据里"沙发通常多宽"采样出来的合理值——它看着专业，但买家拿它下单，退货算你的。