字节生图模型说能撑 100 轮编辑：测过的都知道，第 87 轮才是开始

一句话定位：这不是"哪个模型画得更好看"，而是"同一张图被改了五十遍之后，没让改的地方还是不是原样"——被测对象是迭代过程的不变量，不是单张输出的质量。同样的断言可迁移到文档多轮协作、配置批量修改、订单地址反复变更、素材批量抠图。

摘要

字节 Seed 在 11 月 9 日发布 Seedream 5.5，官方口径里最硬的一条是"同一张图可以连续编辑 100 轮，未编辑区域保持像素级不变"。这句话给了测试一个明确的不变量，也给了它一个陷阱：单轮对比几乎必过，真正的失败要累积到几十轮才显形。这篇给出三件事：怎么把"未编辑"定义成可断言的东西、怎么设计验收轮次而不是只测第 1 轮和第 100 轮、以及为什么 0.4% 的严重崩坏率和 1.7% 的轻微崩坏率该用两套不同的判据。

所有"支持 N 轮"的宣称，真正的信息量都不在 N 上，而在第几轮开始不行。

字节 Seed 团队 2026 年 11 月 9 日发布 Seedream 5.5，官方博客列了三项升级，第一项就是多轮编辑的稳定性：未编辑区域保持像素级不变、消除该区域的偏色、减少连续编辑中的细节丢失与画质退化，从而支持在同一张图上做 100 轮编辑。他们的 demo 是对同一个人物连续改 100 次，每一轮用上一轮的输出作为下一轮的输入。

请注意这个 demo 的构造方式：输入是上一轮的输出。这句话看着平淡，它决定了这类测试的全部难点——错误会串起来，第 30 轮的问题会成为第 31 轮的起点。

这篇文章不评价模型好不好看。它要解决的是：如果你接手了一个"能多轮编辑"的功能，验收该怎么做。

“未编辑区域保持不变”，有严格程度相差很远的三个版本

"未编辑区域保持不变"听起来不需要解释，落到断言语义上其实有三个版本，严格程度差很远。

版本一，视觉上看着没变。人眼对比，差不多就算过。这是大多数验收会默认采用的版本，也是最松的。

版本二，像素值相同。对未编辑区域的坐标范围逐像素比对 RGB，完全相同才算过。这一版很硬，但容易被一个东西打穿：重新编码。图片经过一次 PNG 重存、一次尺寸归一化，像素值就会变，业务上毫无意义。

版本三，在允许的量化误差内一致。给定一个容差（比如每通道差值不超过某个阈值），统计超差像素的占比。这个版本能容忍编码噪声，同时能抓住真实的漂移。

官方口径用的是"pixel level"和"eliminate color shifts"，对应的是版本二和版本三之间。测试要做的，是把这个口径翻译成你团队能执行的阈值，并且在需求评审时就跟产品对齐——因为这三个版本的结论会完全不同。

我倾向选版本三，并把"超差像素占比"和"最大单点偏差"两个数一起记录。前者抓整体漂移，后者抓局部崩坏。只盯平均值会漏掉那种"整体很稳但戒指那圈全糊了"的情况，而这恰好是用户最在意的部分。

单轮必过、五十轮才见真章：轮次该怎么设计

官方 demo 是 100 轮。但如果验收也只测"第 1 轮"和"第 100 轮"，会得到两个都可能通过的结论，中间发生了什么完全不知道。

我的做法是把轮次当成一个变量来铺点，而不是取两个端点。一版可执行的铺法是这样的：

第 1、2、3、5、10、20、40、60、80、100 轮各取一次输出，每一轮都对比"第一轮的原始图"和"当前轮输出"，对比区域限定为从未被编辑指令覆盖的像素范围。

这样做的理由是：累积误差的曲线通常是先平后陡，陡变的位置才是这个功能的真实能力边界。你测出"第 62 轮首次超阈值"，比测出"第 100 轮还能看"有信息量得多——前者可以直接写进产品说明，后者只能当广告词。

下图把三种常见验收策略画成三条累积曲线：只测端点、等间隔抽点、在陡变区加密。三条线的结论完全不同。

0.4% 和 1.7% 不是同一个指标的两个档，是两种失败

官方公布的文字渲染指标里，严重文字崩坏率降到 0.4%，轻微降到 1.7%，评测覆盖中英文、含密集小字。这两项都优于上一版本，也优于同页对比的若干主流模型（官方表述为 “also among the best in comparisons with leading models”）。

在验收里，我建议把它们当成两条独立的通过线，而不是一个总和。

理由是可修复性完全不同。轻微崩坏（笔画粘连、边缘毛刺、字重不均）用户多半还能读，属于体验折扣；严重崩坏（错字、漏字、结构错乱）是内容错误，会直接导致物料返工和客诉。业务上这两类问题的成本差一个量级，用同一个阈值卡，要么放过严重问题，要么误杀轻微问题。

具体做法：严重崩坏单独设 0 容忍线（在你的业务样本上），轻微崩坏设一个比例阈值并观察趋势。前者是门禁，后者是监控。

顺便说一个容易踩的坑：官方的 0.4% 是在他们自己的评测集上得出的，且是厂商自报。换成你们的海报模板、你们的小字密度、你们的中文字体，这个数字没有任何参考价值。要拿来做门禁，必须在你自己的样本上重测一遍，并且明确记下重测日期和样本量。

官方评测在自家擂台上打的，你要自己搭一个

原文写得很坦白：六个使用场景（电商、营销、影视、游戏、办公、时尚设计），在 MagicArena 平台上，由有经验的图像生成评测人员评估质量与可用率。文字结构与真实感两项是专家做两两偏好比较，用 GSB（Good/Same/Bad）计分。

这套方法本身是规范的——有平台、有多人、有配对比较、有统计口径。但它有一个测试团队必须知道的边界：评测集和评测人由厂商组织。

这不构成质疑，任何厂商都会这么做。但它意味着：模型在"他们挑的图"上表现好，不等于在"你们的图"上表现好。电商场景的可用率、影视场景的可用率，都是按他们的样本定义算出来的。

所以自己搭的那一套，第一件事不是抄指标，是抄样本构成。原文列了六类场景，你可以按自己业务的占比重新分配，但六类里的边界情况要保留：密集小字、细结构（戒指、镜框这类）、多对象遮挡、透明边缘、同一主体的一致性。这几个是公开材料里反复被点名的薄弱点，也是最容易在你的物料里出现的地方。

"官方评测覆盖了什么"和"你自己必须补什么"画成两个相交的集合，图中交集是能直接复用的部分。

透明素材这一项，验收表和别的不一样

Seedream 5.5 的另一项升级是原生 RGBA，直接出带 alpha 通道的图，不需要单独抠图。官方描述里提到会渲染边缘和透明区域，让生成元素作为独立素材进入下游设计流程。

这一项如果进验收，判据和前面完全不同。它不看整图像素一致性，看三件事：边缘的过渡带宽度、半透明区域的通道值、以及抠出来之后放到深色和浅色背景上有没有残留色边。

第三件最容易漏。透明背景的图在白色背景上看很正常，放到深色底上就露出一圈灰边——这是 alpha 预乘没处理好或者边缘羽化方向错了。验收必须双背景对照看，只看一种背景等于没看。

一条能马上加的用例

如果你今天只想加一条，加这条：取一张业务里最复杂的物料（密集小字＋细结构＋多对象遮挡），连续做 50 轮局部编辑，每一轮都断言未编辑区域超差像素占比和第一轮相比的增量。

这条用例的价值不在于它的结论，而在于它会把"支持 N 轮"这句话翻译成一个你们团队自己的数字。那个数字写进对外说明的时候，比任何厂商口径都站得住。

本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。