生成模型的一致性能力受制于训练数据中角色概念的分布，而非模型对某个特定人物的真实记忆，因此文生图模型通常只能保持高层语义特征（如发色、服装类别），对精细面部比例、左右对称性和微小配饰的保持较弱。