图文同时过朱雀检测，是更难的一关，多模态协同检测指令实战复盘

很多人过了文字检测，却栽在了图片上。

还有一些人，文字没问题、图片没问题，两个放在一起，照样被标红。

这就是朱雀多模态协同检测在起作用，它不只是分开扫文字和图片，而是同时做跨模态语义比对：

文字描述的和图片呈现的是否一致，整体内容的风格是否存在明显的"AI味文字配AI味图片"的特征叠加。

两个AI味单独出现是问题，叠加在一起是更大的问题。

指令定制优化逻辑：图文要协同，但不要"完美匹配"。

1、图片提示词要主动规避"AI典型视觉风格"

养生赛道的公众号图文内容，是我接触多模态问题最早的场景之一。

客户生成的配图，普遍有一个特征：构图极其对称，光线均匀无死角，人物表情像AI合成的标准微笑，背景干净得没有任何环境杂质。

这种图片单独看没问题，配上AI生成的文字，两个"完美"叠加，整体内容就触发了协同检测的风险。

我在生图指令里加的核心约束，是反向规避AI典型视觉特征：要求构图有轻微的非对称感，场景里允许出现非主体的环境细节（比如桌上放的茶杯、窗边透进来的不均匀光线），人物状态要求是动态抓拍感而非摆拍感。

这些要求本质上是在给图片注入人工选图的"不完美质感"。

装修家居赛道的豆包生图，我遇到了同样的问题。

解决思路一致：不让AI生成"概念展示图"，而是生成有具体生活痕迹的场景图，有软装细节、有光影层次、有材质质感，甚至留一点水渍，而不是四面白墙加一张床的样板间效果。

2、文字不做图片的"说明员"

时尚搭配干货文的图文联动是一个典型案例。

客户的原始需求是：文字要配合图片，帮助读者看懂搭配要点。

这个出发点是对的，但落地的写法容易踩坑：

文字一旦变成"图片解说词"，比如"如上图所示，这件风衣的廓形……"、"图中可以看到袖口的走线……"，就会触发朱雀的"说明文档"识别机制。

我在这类指令里做的调整是：文字不描述图片，文字描述的是"看完图之后的感受和判断"。

比如不写"这张图展示了风衣的廓形"，而写"同样一件宽肩风衣，上海老克勒穿出来是另一种东西，你懂的那种"。

文字和图片在语义上是协同的，但文字说的是人的反应，不是图的解释。

这一条在古风插画配文系列里同样适用。

文字是故事叙述，图是场景呈现，两者平行推进，不相互解释，整体风格保持一致但不形成"文字说明图"的文档感。

3、文图风格一致，但不要用同一套AI味

豆包和Banana文生图配公众号文字，是图文内容里最容易出现"双AI味叠加"的场景。

文字是某套爆文模板生成的，图片是某套AI生图模板跑的，两套工具的输出风格各自带着自己的模型特征，叠在一起，检测系统同时识别两个来源的特征，风险系数翻倍。

我的处理方式是：文字指令和图片指令分开调，调出来的风格要"互相补充"而不是"互相加强"。

文字如果是口语化、情绪化、带碎碎念质感的写法，图片就要往写实、生活化、低饱和度方向走，而不是AI感更强的高清渲染风。

两种风格在气质上是协调的，但视觉特征层面不会形成"双双来自AI生产线"的感觉。

具体落到生图指令，我会主动加入"反AI典型视觉"的负向约束：禁止过度锐化、禁止光源均匀无方向感、禁止人物占比精确对称。

这些都是AI生图最常见的默认特征，逐一写进负向提示词，图片输出就会往"像真人拍的"方向偏移。

养生账号的客户，调整图文生产逻辑之后，内容被朱雀标注"图文风格不协调"的情况消失了，实际上不是风格更协调了，而是两个部分都不再带着那么强的AI特征，协同检测找不到两个同源的AI信号同时叠加的情况。

图文内容的生产，本质上是两个创作流程的协同管理。

文字指令和图片指令需要分开设计，但要在气质和语义层面同向，同时主动避开各自的模型默认特征。

这件事做对了，多模态协同检测才真正没有可以抓住的把手。