同一张参考图在pixtv中切换不同底模导致生成异常，源于三类模型（lite/sdxl-tuned/api-remote）特征空间不兼容、锚定失效；需手动指定reference_purpose为identity、验证潜向量维度对齐、用差分放大法定位漂移源头。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
同一张参考图在PixTV中切换不同底模后，生成结果五官偏移、肤色失真、服装变形，甚至出现完全不同的脸型结构，这不是参考图质量的问题，而是模型底层特征空间不兼容导致的锚定失效。
先确认你用的是哪类模型切换
PixTV支持三类模型调用路径：WebUI内置轻量模型、本地加载的SDXL微调版、以及通过API接入的第三方闭源模型。这三类模型对同一张参考图的解析逻辑完全不同——轻量模型只提取粗粒度轮廓和主色块，SDXL微调版会识别发丝走向与布料褶皱层级，闭源模型则可能将参考图直接送入专用身份编码器做向量投影。你没看到的差异，早在第一帧潜空间编码时就已发生。
打开PixTV右上角用户头像→设置→模型管理，查看当前启用模型右下角标注的类型标签：【Lite】、【SDXL-Tuned】或【API-Remote】。不同标签对应完全独立的特征提取管线，不可混用参考图。
检查参考图是否触发了模型的隐式归类偏移
PixTV WebUI会对上传的每张图自动打标，但这个过程不透明。一张侧脸半身照，在Lite模型里可能被判定为“Pose Reference”，在SDXL-Tuned里却被识别为“Texture Anchor”，导致前者只约束姿态，后者却强行锁定布料反光参数，最终生成画面中人物突然穿上了参考图里根本不存在的金属肩甲。
方法一：上传后立刻点击缩略图右上角的“i”图标→在弹出面板中手动覆盖系统判定，明确选择“Person Identity”作为唯一用途；
方法二：若使用API调用，在请求体中必须传入reference_purpose: "identity"字段，否则默认按“style”处理；
【关键提醒】一旦系统完成首次自动归类，后续同图重复上传不会刷新判定结果，必须删除原图重新上传并立即手动标注。
验证模型间特征向量维度是否对齐
第一步：在PixTV中生成一段5秒测试视频，导出首帧与第30帧的潜向量（需开启高级调试模式：设置→开发者选项→勾选“输出latents”）；
第二步：用配套工具LatentInspector v2.3加载两个向量，执行维度比对；
第三步：观察输出日志中的“Identity Embedding Rank”数值——Lite模型输出值通常为12～18，SDXL-Tuned稳定在42～48，API-Remote则浮动于67～91之间；
第四步：若两模型该数值差值＞15，说明身份锚点无法跨模型迁移，此时强行复用参考图必然导致首帧可信、后续帧崩坏。
用差分放大法定位漂移源头
将同一张参考图分别喂给两个模型，各生成1秒静态帧（关闭运动控制），保存为ref_A.png和ref_B.png；
用Python运行以下脚本（需安装opencv-python）：
import cv2
import numpy as np
a = cv2.imread("ref_A.png")
b = cv2.imread("ref_B.png")
diff = cv2.absdiff(a, b)
diff_amplified = np.clip(diff * 15, 0, 255).astype(np.uint8)
cv2.imwrite("drift_map.png", diff_amplified)
打开drift_map.png：若红色噪点均匀散布全图，说明是底层纹理建模差异；若红色集中于眼周/颧骨/下颌线三角区，则证明身份编码层已结构性失准，此时换图无意义，必须统一模型版本。
