对于拥有128GB统一内存的Dell Pro Max搭载GB10而言，它真正展示出的并不只是大模型推理能力，而是本地AI生态正在从单模型运行向多模型协同生产演进。而当Dell Pro Max搭载GB10与Dell Pro Precision 5 16移动工作站这样的生产节点结合起来，漫画工作室最终获得的，也不只是几台更快的电脑，它更像是一套可以不断扩展的本地AI内容生产基础设施。
AI漫画如何解决一致性难题？给它装上质检的“眼睛”
接触过AI绘图的用户应该知道，在连续工作负载中，单独生成一张人物图片并不难。难的是每次输入，生成的人物是否一致，这直接决定着漫画剧情的连续性。以这篇都市异能漫画为例，生成的图片中，第一格的林墨和第二十四格的林墨，还是不是同一个人？这一点要远比单张图片的画质更重要。
AI漫画工作流工程文件夹示意
为此，我们将整个工程文件夹分为brief、story、characters、storyboard、generated、review、final等几个环节。在story和characters里，我们首先建立了固定的角色资产CHAR_001。也就是角色信息：林墨，18岁男性高中生、黑色短发、深灰色眼睛、黑色高中制服…，这些信息完整描述了角色信息。
且这些信息不再只存在于人的脑子里，而是作为角色资产进入整个AI生产流程。在随后的不同场景、不同景别和不同情绪下的画面生成工作流里，有助于保持角色的一致性，尽量避免出现前后角色不一致的情况。当角色设定成为标准数据之后，后续即使加入LoRA、IP-Adapter等更高级的角色一致性技术，也只是对现有体系的进一步增强，而不是从零开始，这样有助于提升流程效率。
当然，图像生成完成并不意味着生产完成，审阅检查是非常必要的环节。但如果大量图片由人工逐张审阅，那么效率会大打折扣。
Qwen3-VL模型进行不同场景生成结果的一致性评分
因此这里我们又引入了一个新的多模态视觉评估模型Qwen3-VL，它可以直接读取生成后的漫画图片，对人物数量、外貌、动作、手部、人体比例、背景和构图进行检查，并输出量化评分，满足评分才能交付，否则返回修改建议。
多个模型之间通过Open WebUI进行管理和切换
通过对不同端口的分配，我们可以在统一的Open WebUI前端页面里进行统一管理，在Qwen3‑30B模型的剧本创作和Qwen3-VL模型的内容审查之间方便切换。
通过对连续多张不同场景漫画的人物一致性、画面质量、剧情连续性等多个维度的判定，就很容易形成一个质量控制的机制，确保我们后续的图片满足这个交付标准。
不过要注意的是，如果一次性提交过多图片进行检查时，Qwen3-VL会因为图片Token和历史对话共同占用上下文而出现超限，因此我们最终采用了3～4张一批、新建会话进行质检的策略，此时系统内存占用大概90GB左右，并不会完全占满内存，为其它程序的运行预留了部分空间。
网友评论