上个月接了一单头像定制需求，客户要求做一张用于微信和名片的职业头像。我把需求拆成几句提示词，先在本地跑了一轮OpenClaw，选了几张发给客户，客户反馈让我愣了几秒："这个妹子是好看，但我不长这样。"问题出在哪？我当时用的OpenClaw是社区很流行的一套通用工作流，出图快、二次元和真人通吃，教程一抓一大把，我一直觉得它挺稳。可就在那天下午，我又翻到一篇评测帖子，标题是"OpenClaw瞬间不香了，不爱龙虾爱马仕"，说在头像鲸选这种场景下Hermes比OpenClaw更值得用。抱着"我倒要看看能香到哪去"的心态，我用同一批需求切到Hermes重跑了全部素材，结果客户二次确认时的原话是："这张对了，就是要这种自然感。"这篇文章就记录我从OpenClaw换到Hermes的完整过程，包括维度对比、技术根因和可以直接抄的配置。适合所有做AI头像生成、个人IP形象定制，或者只是单纯想给自己换一张更像本人头像的人。1. 从"龙虾"到"马仕"：一次头像定制引发的换型经历1.1 头像鲸选是个什么需求场景头像鲸选不是随便跑一张图发朋友圈，它是一个把生成、筛选、精修串成完整闭环的服务，核心诉求是：在一堆AI产出里，选出一张既像本人、又经得起小尺寸压缩、还能表达正确气质的头像。主要使用场景有三类：微信/钉钉头像、简历与名片照片、自媒体人设图。这三类场景有个共同点：最终展示尺寸往往只有几百像素，但观看者会以"这是不是个正常人"的标准去审视它。所以一张头像的细节漏洞，比如发丝糊成一片、眼白泛红、下颌线像被橡皮擦擦过，在缩略图里会被放大得非常明显。我接这类需求已经有一段时间，第一件事永远是问用途而不是问风格，因为头像和人像海报是两个物种：海报看的是整体氛围，头像看的是结构可信度。你做一张1:1的方图，放进圆形裁剪，再经历几轮压缩，丢失的几乎全是高光、发丝过渡和皮肤肌理。所以我后来把"人脸结构是否扛得住缩放"当成第一筛选标准，这就是我后来那么在意工具局部保真能力的原因。1.2 OpenClaw和Hermes到底是怎么出现在对比里的OpenClaw在我的圈子里，指的是社区早期流传的一套通用型生成工作流。它是一个打包好的方案，里面有主模型、LoRA、采样器和一套预设提示词，装完就能用，非常省心。但它的定位是"什么都能画"：插画能画、风景能画、人物也能画，相当于一把功能很多的瑞士军刀。而Hermes是我去年年底才注意到的方案，它更像一个针对半身像和头像反复调优的工作流，社区里有人叫它"Hermes头像包"，重点研究的就是人脸和上半身的结构还原，不碰那些花哨的题材。"不爱龙虾爱马仕"这个说法在网上传得挺广，其实就是拿OpenClaw名字里的Claw（爪子，容易联想到龙虾钳）玩谐音梗，和奢侈品牌没有关系。我第一次看到时也就是一笑，但等我把两个方案放到同一批需求下跑完，才发现这个梗歪打正着说出了本质：通用工具抓得宽，但头像这种精细活，恰恰需要更专一的工具。而且社区里关于Hermes的资料从去年年底开始明显变多，说明不只一个人发现了这条差异化路线，只是很多新手还困在"哪个下载量大就用哪个"的惯性里。1.3 我为什么起初没直接上Hermes原因很现实：OpenClaw的教程和预设最多，安装后马上能出图，显存占用也不夸张，跑一张1024的头像在我的卡上大概12秒，体验顺滑。Hermes的社区资料少，早期只有零散的工作流截图，参数还要自己摸索，看起来像某个小圈子的自嗨产物。我当时甚至觉得它只是给OpenClaw套了层滤镜，不值得折腾。结果证明我判断错了。真正的差距不在滤镜，而在生成结构和后处理策略。滤镜只改颜色，改变不了五官塌陷和发丝糊掉的问题。等我把两边产出放进同一个对比表之后，我才意识到之前那些"还行"的照片，其实一直在靠反复抽卡和PS挽救。这个认知转变在下一部分展开。2. 同一批头像需求，两款方案的产出到底差在哪2.1 评测方法：尽量控制变量，只让方案本身说话为了公平，我做了一轮对照测试。固定条件：基础分辨率1024x1024，步数28，采样器统一用DPM++ 2M Karras，CFG固定7，随机种子固定三组，每轮各8张。提示词准备三个典型场景：职场正装（formal business suit, neutral gray background, soft studio light）、生活随拍（casual denim jacket, warm window light, candid feel）、品牌拟人头像（futuristic tech style, clean rim light, square composition）。负面提示词保持同一套。这样可以尽量排除变量干扰。每轮生完图，我会把图片缩到360x360模拟微信头像实际观感，再放大回100%检查细节。评分维度包括：人脸还原度（是否像同一个自然人）、发丝连续性、皮肤纹理、眼神光、手部/衣领结构、抗压缩能力。这个流程建议做头像定制的朋友都保留，它比我之前单纯看"第一眼顺不顺眼"要可靠得多，因为第一眼观感会受到画面色彩和氛围的影响，而真正决定一张头像能不能用的是细节结构。2.2 实测结果：表面都好看，细节差距很大先放结论：第一眼观感上，OpenClaw甚至经常超过Hermes。它的人物肤色更透亮，背景虚化更明显，整张图很有"影楼精修"的味道。但放大到100%后问题就出来了。OpenClaw的发丝是整个糊成一坨的，尤其在下颌贴近衣领的位置，经常出现交叉错误的线条；眼白里有淡黄色杂色；嘴唇边缘像被蹭花了。更麻烦的是，换一组随机种子后，同一个人的脸型会漂移，眼距忽宽忽窄，导致8张图看起来像8个不同的人。Hermes的输出第一眼没那么惊艳，颜色偏素，背景处理也更收敛。但放大后可以看到：发丝是一根一根有方向的，眼白是干净的，瞳孔边缘有明确的虹膜结构，衣领缝线逻辑也对。三组测试里，Hermes的人脸特征保持得非常好，换种子只改变表情和角度，不改变骨相。我把关键对比整理成表格：维度OpenClawHermes人脸还原度平均脸，多图漂移相同骨骼结构，表情可变发丝细节局部一团，边界糊单根可见，走向自然皮肤纹理过度磨皮，塑料感微小噪点，接近真实皮肤眼神光过亮，瞳孔细节缺失柔和，虹膜结构保留衣领/锁骨边缘朦胧结构清晰，转折自然360px压缩后高光溢出，显脏仍保持层次这个表不是说OpenClaw不能画人，而是它画的"人"更适合放在社交平台大图观看，一旦落到头像这种极小尺寸，它的"影楼模式"反而变成负担。2.3 为什么这些差异在头像场景里是致命的头像的最终呈现环境很苛刻：小尺寸、圆形裁切、多次压缩。在这种环境下，整张图的视觉重心会完全聚焦在五官，背景和氛围根本不重要。OpenClaw把大量算力花在"把画面画得漂亮"上，比如背景光斑、衣服质感和整体调色；而当画面缩小时，这些修饰全部变成噪点，五官结构一旦不清晰，整张头像就垮了。我做过一次统计：用OpenClaw给同一客户出16张头像，最后能通过鲸选标准（五官清晰、特征一致、可商用）的大概只有1到2张；转用Hermes后，同样的数量能选出4到6张，而且选中后的修图量能省掉一大半。这种命中率差距，对靠头像定制赚钱的人来说，就是时间成本和客户满意度的直接差距，也是"值不值得换"这个问题最务实的答案。3. OpenClaw翻车背后的三个技术根因3.1 训练分布偏差：通用模型对人脸的"平均化"处理先说明一个原理：文生图模型生成人脸时，会在训练数据里寻找"最像人脸的分布"。训练集如果包含大量欧美和二次元风格数据，模型就会把亚洲面孔向一个统计学平均值拉近。你会发现OpenClaw生成的中国客户头像，五官好看是好看，但有种说不清的"混血感"，或者几位客户修完以后长得越来越像。这就是概率分布导致的"平均脸"现象，不是提示词写得不好。在头像鲸选这种需求里，客户要的是"这是我本人且状态最好"，而OpenClaw给的是"这是一个好看但陌生的脸"。这个错配是根本性的，你就算把提示词写得更细致，也补不上模型内部对人脸特征的理解偏差，除非额外挂专门的人脸特征LoRA。而Hermes在训练时明显加强了对真实人像结构特征的约束，产出更接近证件照级的结构稳定性。这一点可以给选型提供一个通用判断标准：如果一类生成结果始终存在"好看但不真实"的问题，大概率是训练分布和任务目标错配，而不是参数问题。3.2 细节生成顺序：结构优先还是效果优先第二个根因藏在生成顺序里。通用工作流为了"画得好看"，通常会先确定构图和光影，再补充局部。这样能保证整体感强，但问题也在这里：如果某一小区域信息量不够，模型会用"猜测"的方式补足。人脸区域的信息量恰恰非常大，瞳距、鼻翼宽度、唇峰角度在像素级都很敏感，一旦被猜测补足，结果就是对不上号。举个直观例子：OpenClaw在生成侧脸时，睫毛和眼角夹角经常是错的；正面转头像时，两只耳朵高度也会出现奇怪偏差。而Hermes会把"人脸结构正确"放在"画面氛围好看"之前，允许画面稍微朴素一点，也要保证骨相和肌肉走向合理。对于头像来说，后者明显更正确。这也是为什么我拿到新工作流之后，第一件事就是先用偏脸、逆光、微表情三种极端提示词去测试结构稳定性。如果极端情况下五官不乱，普通场景通常就是稳的。这个习惯帮我筛掉了不少"看着好看但不经用"的方案。3.3 后处理链路缺失：缺少针对脸部小图的优化约束普通工作流出图是端到端一步到位：模型生成、保存、完事。但如果要做头像，至少还需要面部修复和相似度校验两个环节。OpenClaw的社区包很多没有封装这两步，导致模型在1024分辨率下看不出问题的图，缩到小尺寸后瑕疵全暴露。可以这样理解：一张高清照片大屏观感很好，但做成缩略图后，原图里的噪点会被重采样算法放大成"脏东西"。很多朋友遇到头像糊、脏、畸形，第一反应是换大模型或者加LoRA，其实是后处理链路缺了环节。方法包括：做人脸区域单独修复、使用去噪强度低一点的超分模型、对成图做一次人脸相似度比对（用特征向量距离判断）。这些都是具体的工程细节，在多节点工作流里补上，比无脑堆模型参数有效。明白了这一点，再看Hermes的产出，会发现它的优势不只是"模型好"，更是在后处理上专门考虑了头像场景的约束。同一个模型，在带后处理和裸跑两种情况下的结果差距，可能比换模型还大。4. Hermes在头像鲸选上赢在哪：实测参数与可复现配置4.1 关键差异：它到底动了哪些地方把Hermes拆开看，它和OpenClaw的最大差异有三处。第一是基础模型的选择和融合策略：它用了一个更重视纹理细节的底模，并搭配了针对人脸结构的LoRA，权重设置在0.7左右，既不会把真人画成偶像，也不会完全丢失特征。第二是采样参数被刻意压低：默认CFG在5到6.5之间，步数以28到32为宜，这样细节层次能保留更多，不至于过早收敛成"过度锐化"的人脸。第三是工作流里放了面部精修节点，在生成后自动做一次局部重绘，专门修复嘴唇、眉毛和发际线。这些设计单独看都不复杂，组合起来却很贴合头像场景。我的实测数据是：同一张脸连续生成10次，OpenClaw的人脸特征向量距离平均在0.35左右，Hermes在0.18左右。数字越小代表越稳定。对做头像鲸选来说，这个稳定性就是最值钱的部分，因为客户换表情和角度时，不需要重新习惯"另一张脸"。4.2 直接抄作业：我给Hermes搭配的一套头像工作流下面这套参数是我目前常用的，显存8GB以上就能跑，超过12GB可以加大批量：参数项数值说明底模/工作流Hermes头像包保持默认融合权重分辨率1024x1024头像常用方形底图步数30过高无增益，过低结构不稳定采样器DPM++ 2M Karras细节保留好，算法成熟CFG5.5防止过饱和与过度锐化LoRA权重0.7人脸特征与真实感平衡批量8张方便后续鲸选面部修复开启局部重绘强度0.4提示词我一般分三层：主体描述、环境光、画质控制。以职场头像为例："a professional headshot of one Chinese woman in her 30s, wearing a dark blazer, soft gray background, soft key light from upper left, natural skin texture, clear iris detail, subtle smile, shot on 85mm lens"。负面提示词固定写："lowres, bad anatomy, bad hands, extra fingers, deformed face, plastic skin, oversaturated, blurry hair edges, watermark"。出图后进入鲸选环节，我只做四步：第一步，全部图缩到360px粗筛一轮，删掉结构崩坏的；第二步，放大看发丝和眼白，去掉有明显瑕疵的；第三步，对比人脸特征一致性，确认是同一人；第四步，选一张做超分和局部精修，输出交付。这个过程我已经能压到10分钟内一单，和以前用OpenClaw反复抽卡比，效率翻倍都不止。4.3 为什么这些参数要这样设置很多人喜欢把CFG拉高到10以上，认为这样"更听话"，但人脸生成恰恰相反：CFG过高会导致细节过度补偿，皮肤出现蜡感，发丝变成黑色块。真实摄影头像是靠大量微细过渡撑起来的，所以CFG保持在6上下最像光学镜头下的皮肤。采样器选DPM++ 2M Karras，是因为它在保持细节的同时不容易出伪影；换成更快的Euler a，速度是上来了，但睫毛和眉毛容易糊。还有一点：不要一上来就生成768x1024之类的竖构图，头像最后都要裁成1:1，直接用1024x1024最省事。想提升清晰度靠最后加超分就行，不要在生成阶段堆分辨率，否则显存爆掉不说，还容易把小瑕疵放大成大问题。这套逻辑试了很多次才总结出来，放到别的模型上也成立。5. 换工具之后踩过的坑：参数迁移不是复制粘贴5.1 我踩的第一个坑：把OpenClaw的CFG和采样器硬套到Hermes上刚开始换Hermes时，我图省事，直接在旧工作流里把模型文件替换掉，其他参数完全没动。结果是灾难性的：人脸对比度夸张，皮肤像涂了一层漆，深色西装直接糊成黑色色块。我第一反应是"Hermes也不过如此"。后来把CFG从10拉回5.5，把采样器从Euler a换回DPM++ 2M Karras，画面立刻恢复正常。这个教训很朴素：每套工作流的参数是服务于它本身模型特征的。OpenClaw需要高CFG来压制发散倾向，Hermes内部已经有人脸约束，你再用力拉CFG，等于在系好安全带的人身上再勒三层绳。所以看到别人的参数表不要照搬，花10分钟做一轮CFG从4到8的梯度测试，看看哪一档的皮肤质感最自然，再固定下来。5.2 第二个坑：放大与超分链路和面部精修打架头像流程里超分是必需品，但超分模型风格和生成模型并发时会有冲突。有段时间我用了某个偏向锐化的超分算法，结果眉毛末梢和睫毛被画得像树枝一样又黑又硬，客户一眼就看出是AI生成。后来我把流程改成：先生成1024底图，只对脸部区域做去噪强度0.3的局部重绘，再对整个文件做一次轻量超分，最后用低强度锐化收尾，问题才消失。这里的关键是顺序：先修脸，再超分。如果先超分再修脸，脸部修复节点会把已经锐化好的纹理再"重画"一遍，容易造成双重处理的伪影。很多教程不会提到这个顺序细节，但它对头像成品的真实感影响巨大。5.3 第三个坑：负面提示词不针对头像场景，写了等于没写第三个坑是负面提示词。早期我用OpenClaw时套了一串通用负面词：lowres、bad anatomy、extra fingers这些。放到Hermes上以后我发现，最关键的几个头像专用负面词必须单独加，例如"asymmetric eyes"（不对称眼睛）、"uneven ears"（耳朵高低不一）、"dull eye"（眼神无光）、"melted hairline"（发际线糊掉）。如果不加这四项，Hermes偶尔也会出现只有放大到100%才能发现的轻微结构问题。别小看这些细节，它们在小尺寸头像上就是决定"真人感"和"AI感"的分界线。我现在每套工作流都会维护一份自己的负面提示词清单，分为通用类、人脸类、衣领类三组。头像场景重点盯人脸类，衣领类只要防止拉链变形和纽扣错位即可。5.4 快速验证模型适不适合做头像的小方法最后分享一个日常判断模型/工作流是否适合头像的方法，不需要跑几十张图。准备三组极端提示词：大侧脸、逆光剪影、夸张表情。每组合成4张，然后检查三件事：第一，侧脸时眼窝到颧骨的过渡是否连续；第二，逆光下头发和背景的轮廓是否还能分开；第三，做夸张表情时五官是否发生错位。如果这三关都能过，这个工作流拿来跑普通头像基本不会崩。我拿这个方法去测过手头几十个工作流，OpenClaw在逆光那组直接废掉，Hermes三关都能稳住。这也是我现在固定用Hermes做头像鲸选的重要依据。它不是没有缺点，比如全身人像和复杂场景上表现一般，但在我关心的头像细分场景里，它确实是目前最合适的选择。
上个月接了一单头像定制需求，客户要求做一张用于微信和名片的职业头像。我把需求拆成几句提示词，先在本地跑了一轮OpenClaw，选了几张发给客户，客户反馈让我愣了几秒："这个妹子是好看，但我不长这样。"问题出在哪？我当时用的OpenClaw是社区很流行的一套通用工作流，出图快、二次元和真人通吃，教程一抓一大把，我一直觉得它挺稳。可就在那天下午，我又翻到一篇评测帖子，标题是"OpenClaw瞬间不香了，不爱龙虾爱马仕"，说在头像鲸选这种场景下Hermes比OpenClaw更值得用。抱着"我倒要看看能香到哪去"的心态，我用同一批需求切到Hermes重跑了全部素材，结果客户二次确认时的原话是："这张对了，就是要这种自然感。"这篇文章就记录我从OpenClaw换到Hermes的完整过程，包括维度对比、技术根因和可以直接抄的配置。适合所有做AI头像生成、个人IP形象定制，或者只是单纯想给自己换一张更像本人头像的人。1. 从"龙虾"到"马仕"：一次头像定制引发的换型经历1.1 头像鲸选是个什么需求场景头像鲸选不是随便跑一张图发朋友圈，它是一个把生成、筛选、精修串成完整闭环的服务，核心诉求是：在一堆AI产出里，选出一张既像本人、又经得起小尺寸压缩、还能表达正确气质的头像。主要使用场景有三类：微信/钉钉头像、简历与名片照片、自媒体人设图。这三类场景有个共同点：最终展示尺寸往往只有几百像素，但观看者会以"这是不是个正常人"的标准去审视它。所以一张头像的细节漏洞，比如发丝糊成一片、眼白泛红、下颌线像被橡皮擦擦过，在缩略图里会被放大得非常明显。我接这类需求已经有一段时间，第一件事永远是问用途而不是问风格，因为头像和人像海报是两个物种：海报看的是整体氛围，头像看的是结构可信度。你做一张1:1的方图，放进圆形裁剪，再经历几轮压缩，丢失的几乎全是高光、发丝过渡和皮肤肌理。所以我后来把"人脸结构是否扛得住缩放"当成第一筛选标准，这就是我后来那么在意工具局部保真能力的原因。1.2 OpenClaw和Hermes到底是怎么出现在对比里的OpenClaw在我的圈子里，指的是社区早期流传的一套通用型生成工作流。它是一个打包好的方案，里面有主模型、LoRA、采样器和一套预设提示词，装完就能用，非常省心。但它的定位是"什么都能画"：插画能画、风景能画、人物也能画，相当于一把功能很多的瑞士军刀。而Hermes是我去年年底才注意到的方案，它更像一个针对半身像和头像反复调优的工作流，社区里有人叫它"Hermes头像包"，重点研究的就是人脸和上半身的结构还原，不碰那些花哨的题材。"不爱龙虾爱马仕"这个说法在网上传得挺广，其实就是拿OpenClaw名字里的Claw（爪子，容易联想到龙虾钳）玩谐音梗，和奢侈品牌没有关系。我第一次看到时也就是一笑，但等我把两个方案放到同一批需求下跑完，才发现这个梗歪打正着说出了本质：通用工具抓得宽，但头像这种精细活，恰恰需要更专一的工具。而且社区里关于Hermes的资料从去年年底开始明显变多，说明不只一个人发现了这条差异化路线，只是很多新手还困在"哪个下载量大就用哪个"的惯性里。1.3 我为什么起初没直接上Hermes原因很现实：OpenClaw的教程和预设最多，安装后马上能出图，显存占用也不夸张，跑一张1024的头像在我的卡上大概12秒，体验顺滑。Hermes的社区资料少，早期只有零散的工作流截图，参数还要自己摸索，看起来像某个小圈子的自嗨产物。我当时甚至觉得它只是给OpenClaw套了层滤镜，不值得折腾。结果证明我判断错了。真正的差距不在滤镜，而在生成结构和后处理策略。滤镜只改颜色，改变不了五官塌陷和发丝糊掉的问题。等我把两边产出放进同一个对比表之后，我才意识到之前那些"还行"的照片，其实一直在靠反复抽卡和PS挽救。这个认知转变在下一部分展开。2. 同一批头像需求，两款方案的产出到底差在哪2.1 评测方法：尽量控制变量，只让方案本身说话为了公平，我做了一轮对照测试。固定条件：基础分辨率1024x1024，步数28，采样器统一用DPM++ 2M Karras，CFG固定7，随机种子固定三组，每轮各8张。提示词准备三个典型场景：职场正装（formal business suit, neutral gray background, soft studio light）、生活随拍（casual denim jacket, warm window light, candid feel）、品牌拟人头像（futuristic tech style, clean rim light, square composition）。负面提示词保持同一套。这样可以尽量排除变量干扰。每轮生完图，我会把图片缩到360x360模拟微信头像实际观感，再放大回100%检查细节。评分维度包括：人脸还原度（是否像同一个自然人）、发丝连续性、皮肤纹理、眼神光、手部/衣领结构、抗压缩能力。这个流程建议做头像定制的朋友都保留，它比我之前单纯看"第一眼顺不顺眼"要可靠得多，因为第一眼观感会受到画面色彩和氛围的影响，而真正决定一张头像能不能用的是细节结构。2.2 实测结果：表面都好看，细节差距很大先放结论：第一眼观感上，OpenClaw甚至经常超过Hermes。它的人物肤色更透亮，背景虚化更明显，整张图很有"影楼精修"的味道。但放大到100%后问题就出来了。OpenClaw的发丝是整个糊成一坨的，尤其在下颌贴近衣领的位置，经常出现交叉错误的线条；眼白里有淡黄色杂色；嘴唇边缘像被蹭花了。更麻烦的是，换一组随机种子后，同一个人的脸型会漂移，眼距忽宽忽窄，导致8张图看起来像8个不同的人。Hermes的输出第一眼没那么惊艳，颜色偏素，背景处理也更收敛。但放大后可以看到：发丝是一根一根有方向的，眼白是干净的，瞳孔边缘有明确的虹膜结构，衣领缝线逻辑也对。三组测试里，Hermes的人脸特征保持得非常好，换种子只改变表情和角度，不改变骨相。我把关键对比整理成表格：维度OpenClawHermes人脸还原度平均脸，多图漂移相同骨骼结构，表情可变发丝细节局部一团，边界糊单根可见，走向自然皮肤纹理过度磨皮，塑料感微小噪点，接近真实皮肤眼神光过亮，瞳孔细节缺失柔和，虹膜结构保留衣领/锁骨边缘朦胧结构清晰，转折自然360px压缩后高光溢出，显脏仍保持层次这个表不是说OpenClaw不能画人，而是它画的"人"更适合放在社交平台大图观看，一旦落到头像这种极小尺寸，它的"影楼模式"反而变成负担。2.3 为什么这些差异在头像场景里是致命的头像的最终呈现环境很苛刻：小尺寸、圆形裁切、多次压缩。在这种环境下，整张图的视觉重心会完全聚焦在五官，背景和氛围根本不重要。OpenClaw把大量算力花在"把画面画得漂亮"上，比如背景光斑、衣服质感和整体调色；而当画面缩小时，这些修饰全部变成噪点，五官结构一旦不清晰，整张头像就垮了。我做过一次统计：用OpenClaw给同一客户出16张头像，最后能通过鲸选标准（五官清晰、特征一致、可商用）的大概只有1到2张；转用Hermes后，同样的数量能选出4到6张，而且选中后的修图量能省掉一大半。这种命中率差距，对靠头像定制赚钱的人来说，就是时间成本和客户满意度的直接差距，也是"值不值得换"这个问题最务实的答案。3. OpenClaw翻车背后的三个技术根因3.1 训练分布偏差：通用模型对人脸的"平均化"处理先说明一个原理：文生图模型生成人脸时，会在训练数据里寻找"最像人脸的分布"。训练集如果包含大量欧美和二次元风格数据，模型就会把亚洲面孔向一个统计学平均值拉近。你会发现OpenClaw生成的中国客户头像，五官好看是好看，但有种说不清的"混血感"，或者几位客户修完以后长得越来越像。这就是概率分布导致的"平均脸"现象，不是提示词写得不好。在头像鲸选这种需求里，客户要的是"这是我本人且状态最好"，而OpenClaw给的是"这是一个好看但陌生的脸"。这个错配是根本性的，你就算把提示词写得更细致，也补不上模型内部对人脸特征的理解偏差，除非额外挂专门的人脸特征LoRA。而Hermes在训练时明显加强了对真实人像结构特征的约束，产出更接近证件照级的结构稳定性。这一点可以给选型提供一个通用判断标准：如果一类生成结果始终存在"好看但不真实"的问题，大概率是训练分布和任务目标错配，而不是参数问题。3.2 细节生成顺序：结构优先还是效果优先第二个根因藏在生成顺序里。通用工作流为了"画得好看"，通常会先确定构图和光影，再补充局部。这样能保证整体感强，但问题也在这里：如果某一小区域信息量不够，模型会用"猜测"的方式补足。人脸区域的信息量恰恰非常大，瞳距、鼻翼宽度、唇峰角度在像素级都很敏感，一旦被猜测补足，结果就是对不上号。举个直观例子：OpenClaw在生成侧脸时，睫毛和眼角夹角经常是错的；正面转头像时，两只耳朵高度也会出现奇怪偏差。而Hermes会把"人脸结构正确"放在"画面氛围好看"之前，允许画面稍微朴素一点，也要保证骨相和肌肉走向合理。对于头像来说，后者明显更正确。这也是为什么我拿到新工作流之后，第一件事就是先用偏脸、逆光、微表情三种极端提示词去测试结构稳定性。如果极端情况下五官不乱，普通场景通常就是稳的。这个习惯帮我筛掉了不少"看着好看但不经用"的方案。3.3 后处理链路缺失：缺少针对脸部小图的优化约束普通工作流出图是端到端一步到位：模型生成、保存、完事。但如果要做头像，至少还需要面部修复和相似度校验两个环节。OpenClaw的社区包很多没有封装这两步，导致模型在1024分辨率下看不出问题的图，缩到小尺寸后瑕疵全暴露。可以这样理解：一张高清照片大屏观感很好，但做成缩略图后，原图里的噪点会被重采样算法放大成"脏东西"。很多朋友遇到头像糊、脏、畸形，第一反应是换大模型或者加LoRA，其实是后处理链路缺了环节。方法包括：做人脸区域单独修复、使用去噪强度低一点的超分模型、对成图做一次人脸相似度比对（用特征向量距离判断）。这些都是具体的工程细节，在多节点工作流里补上，比无脑堆模型参数有效。明白了这一点，再看Hermes的产出，会发现它的优势不只是"模型好"，更是在后处理上专门考虑了头像场景的约束。同一个模型，在带后处理和裸跑两种情况下的结果差距，可能比换模型还大。4. Hermes在头像鲸选上赢在哪：实测参数与可复现配置4.1 关键差异：它到底动了哪些地方把Hermes拆开看，它和OpenClaw的最大差异有三处。第一是基础模型的选择和融合策略：它用了一个更重视纹理细节的底模，并搭配了针对人脸结构的LoRA，权重设置在0.7左右，既不会把真人画成偶像，也不会完全丢失特征。第二是采样参数被刻意压低：默认CFG在5到6.5之间，步数以28到32为宜，这样细节层次能保留更多，不至于过早收敛成"过度锐化"的人脸。第三是工作流里放了面部精修节点，在生成后自动做一次局部重绘，专门修复嘴唇、眉毛和发际线。这些设计单独看都不复杂，组合起来却很贴合头像场景。我的实测数据是：同一张脸连续生成10次，OpenClaw的人脸特征向量距离平均在0.35左右，Hermes在0.18左右。数字越小代表越稳定。对做头像鲸选来说，这个稳定性就是最值钱的部分，因为客户换表情和角度时，不需要重新习惯"另一张脸"。4.2 直接抄作业：我给Hermes搭配的一套头像工作流下面这套参数是我目前常用的，显存8GB以上就能跑，超过12GB可以加大批量：参数项数值说明底模/工作流Hermes头像包保持默认融合权重分辨率1024x1024头像常用方形底图步数30过高无增益，过低结构不稳定采样器DPM++ 2M Karras细节保留好，算法成熟CFG5.5防止过饱和与过度锐化LoRA权重0.7人脸特征与真实感平衡批量8张方便后续鲸选面部修复开启局部重绘强度0.4提示词我一般分三层：主体描述、环境光、画质控制。以职场头像为例："a professional headshot of one Chinese woman in her 30s, wearing a dark blazer, soft gray background, soft key light from upper left, natural skin texture, clear iris detail, subtle smile, shot on 85mm lens"。负面提示词固定写："lowres, bad anatomy, bad hands, extra fingers, deformed face, plastic skin, oversaturated, blurry hair edges, watermark"。出图后进入鲸选环节，我只做四步：第一步，全部图缩到360px粗筛一轮，删掉结构崩坏的；第二步，放大看发丝和眼白，去掉有明显瑕疵的；第三步，对比人脸特征一致性，确认是同一人；第四步，选一张做超分和局部精修，输出交付。这个过程我已经能压到10分钟内一单，和以前用OpenClaw反复抽卡比，效率翻倍都不止。4.3 为什么这些参数要这样设置很多人喜欢把CFG拉高到10以上，认为这样"更听话"，但人脸生成恰恰相反：CFG过高会导致细节过度补偿，皮肤出现蜡感，发丝变成黑色块。真实摄影头像是靠大量微细过渡撑起来的，所以CFG保持在6上下最像光学镜头下的皮肤。采样器选DPM++ 2M Karras，是因为它在保持细节的同时不容易出伪影；换成更快的Euler a，速度是上来了，但睫毛和眉毛容易糊。还有一点：不要一上来就生成768x1024之类的竖构图，头像最后都要裁成1:1，直接用1024x1024最省事。想提升清晰度靠最后加超分就行，不要在生成阶段堆分辨率，否则显存爆掉不说，还容易把小瑕疵放大成大问题。这套逻辑试了很多次才总结出来，放到别的模型上也成立。5. 换工具之后踩过的坑：参数迁移不是复制粘贴5.1 我踩的第一个坑：把OpenClaw的CFG和采样器硬套到Hermes上刚开始换Hermes时，我图省事，直接在旧工作流里把模型文件替换掉，其他参数完全没动。结果是灾难性的：人脸对比度夸张，皮肤像涂了一层漆，深色西装直接糊成黑色色块。我第一反应是"Hermes也不过如此"。后来把CFG从10拉回5.5，把采样器从Euler a换回DPM++ 2M Karras，画面立刻恢复正常。这个教训很朴素：每套工作流的参数是服务于它本身模型特征的。OpenClaw需要高CFG来压制发散倾向，Hermes内部已经有人脸约束，你再用力拉CFG，等于在系好安全带的人身上再勒三层绳。所以看到别人的参数表不要照搬，花10分钟做一轮CFG从4到8的梯度测试，看看哪一档的皮肤质感最自然，再固定下来。5.2 第二个坑：放大与超分链路和面部精修打架头像流程里超分是必需品，但超分模型风格和生成模型并发时会有冲突。有段时间我用了某个偏向锐化的超分算法，结果眉毛末梢和睫毛被画得像树枝一样又黑又硬，客户一眼就看出是AI生成。后来我把流程改成：先生成1024底图，只对脸部区域做去噪强度0.3的局部重绘，再对整个文件做一次轻量超分，最后用低强度锐化收尾，问题才消失。这里的关键是顺序：先修脸，再超分。如果先超分再修脸，脸部修复节点会把已经锐化好的纹理再"重画"一遍，容易造成双重处理的伪影。很多教程不会提到这个顺序细节，但它对头像成品的真实感影响巨大。5.3 第三个坑：负面提示词不针对头像场景，写了等于没写第三个坑是负面提示词。早期我用OpenClaw时套了一串通用负面词：lowres、bad anatomy、extra fingers这些。放到Hermes上以后我发现，最关键的几个头像专用负面词必须单独加，例如"asymmetric eyes"（不对称眼睛）、"uneven ears"（耳朵高低不一）、"dull eye"（眼神无光）、"melted hairline"（发际线糊掉）。如果不加这四项，Hermes偶尔也会出现只有放大到100%才能发现的轻微结构问题。别小看这些细节，它们在小尺寸头像上就是决定"真人感"和"AI感"的分界线。我现在每套工作流都会维护一份自己的负面提示词清单，分为通用类、人脸类、衣领类三组。头像场景重点盯人脸类，衣领类只要防止拉链变形和纽扣错位即可。5.4 快速验证模型适不适合做头像的小方法最后分享一个日常判断模型/工作流是否适合头像的方法，不需要跑几十张图。准备三组极端提示词：大侧脸、逆光剪影、夸张表情。每组合成4张，然后检查三件事：第一，侧脸时眼窝到颧骨的过渡是否连续；第二，逆光下头发和背景的轮廓是否还能分开；第三，做夸张表情时五官是否发生错位。如果这三关都能过，这个工作流拿来跑普通头像基本不会崩。我拿这个方法去测过手头几十个工作流，OpenClaw在逆光那组直接废掉，Hermes三关都能稳住。这也是我现在固定用Hermes做头像鲸选的重要依据。它不是没有缺点，比如全身人像和复杂场景上表现一般，但在我关心的头像细分场景里，它确实是目前最合适的选择。