几十到几百个服装 SKU 批量换模特，效率的关键不在生成速度，而在分组、命名和抽检这三件事。做法是：按人种与性别分组 → 每组先跑一个样本确认 → 整组提交 → 按 20% 抽检 → 只返工不合格的那几个。用 PixGT 流光AI 的模特替换功能，单张流光 G2 为 10 点、2K 为 15 点，批量的成本是线性的，所以浪费的每一张都是实打实的钱。
一、先分组，再生成
不要按 SKU 顺序跑，按目标市场 × 性别 × 年龄段分组。亚马逊服装卖家常见的分法：
| 组别 | 人种档 | 性别 | 年龄段 | 典型 SKU |
|---|---|---|---|---|
| A | 欧美 | 女 | 25-35 | 通勤连衣裙、西装外套 |
| B | 欧美 | 女 | 18-25 | 休闲卫衣、牛仔 |
| C | 欧美 | 男 | 25-40 | 男装衬衫、夹克 |
| D | 东亚 | 女 | 25-35 | 日韩站点同款 |
同组的参数完全一样，提交时不用反复改设置，出错率也低。组内不要用「随机」人种档——随机会让同一组图的面孔跳来跳去，整个 listing 的视觉一致性就没了。
二、命名规范
批量做最容易丢的是对应关系。建议从输入文件就定死命名：
<ASIN>_<颜色>_<组别>_<序号>.jpg
B0XXXXXXX_beige_A_01.jpg
出图后按同名回填，避免几百张图混在一起分不清哪张属于哪个 SKU。文件名只用英文、数字和下划线，中文名在跨系统同步时容易乱码。
三、分批提交的节奏
每组按 20~30 张一批提交，不要一次几百张：
- 组内先跑 1 张样本，验收通过再提交整组；
- 整组提交后并行出图，不要一张一张点；
- 一批出完先验收再提交下一批——发现系统性问题（比如整组人种选错）时，损失只有一批。
分辨率上，亚马逊主图建议 2K（15 点/张），因为主图会被买家用放大镜功能放大；副图用默认档（10 点/张）可以省约三分之一成本。
四、抽检比例与检查项
服装鞋包的抽检建议：每批 20% 抽检，不合格率超过 15% 就整批复核。
每张看四处：
- 服装本身有没有被改动——版型、印花位置、颜色。这是换模特唯一不该变的东西，变了直接废；
- 手部——手指数量与姿态，AI 最不稳的部位；
- 脖颈与领口接缝——有没有生硬过渡；
- 肤色与原图打光是否匹配。
服装鞋包还有一条专属检查：扣子、口袋、鞋带孔这类能数出来的细节，换模特时偶尔会被重绘。这类要放大数一遍，不要照着原图想当然。
五、返工怎么控
三条原则：
- 只返工不合格的单张，不要整批重跑。单张 10~15 点，整批重跑是几百点；
- 同一张连续失败两次就换输入图。绝大多数失败来自输入图本身——背对镜头、脸被遮挡、商品占比过小；
- 记录失败原因。同一组连续多张出问题，往往是这一组的输入图来自同一场拍摄，问题在源头。
六、一份可直接照抄的排产表
以 120 个 SKU、每 SKU 出 2 张（主图 2K + 副图默认）为例：
| 环节 | 数量 | 点数 |
|---|---|---|
| 分组样本确认 | 4 张 | 60 |
| 主图 2K | 120 张 | 1800 |
| 副图默认档 | 120 张 | 1200 |
| 返工预留（按 12%） | 约 29 张 | 约 400 |
| 合计 | — | 约 3460 |
返工预留按 10%~15% 计，实际低于这个数说明输入图质量好。
想先跑通单张流程，看 TikTok 换模特怎么做。
FAQ
Q：能一次提交几百张吗？ 技术上可以，但不建议。按 20~30 张一批提交，出问题时损失可控。
Q：批量时人种档能选随机吗？ 不要。随机会让同组图的面孔不一致，整个 listing 的视觉就散了。
Q：抽检抽多少合适？ 每批 20%。不合格率超过 15% 就整批复核。
Q：一个 SKU 两张图大概多少点？ 主图 2K 15 点 + 副图默认档 10 点 = 25 点，另按 10%~15% 预留返工。
Q：同一张反复失败怎么办？ 连续两次失败就换输入图，不要继续重跑。问题通常在输入图，不在模型。