动态模糊不是后期滤镜，是模型对时间维度的理解

标准的扩散模型默认生成的是单帧静止图像，并不具备“曝光时间”的概念。当输入“a red car speeding”时，模型只能依赖训练数据中与“speeding”相关的静态特征（如车身倾斜角度、旗帜飘动方向）来推测速度，结果往往出现肢体僵硬、轮胎静止、背景缺乏拖影等问题。而加入“motion blur”或“streaked motion blur”等关键词，相当于为模型注入了时间维度锚点：模型会调用训练过程中学习到的大量高速摄影样本，在去噪阶段主动衰减运动方向上的高频细节，使像素沿运动轨迹延展。此时，车轮边缘不再是简单的模糊，而是被重构为旋转动态轨迹；发丝不再是杂乱毛刺，而是按照空气阻力方向拉长的流畅线条。

操作上其实非常简单，直接将“motion blur”附加在提示词末尾即可。但务必紧贴主体动作描述，不能孤立使用。举例来说，“a red car speeding → motion blur”是推荐写法；而“a red car, motion blur, speeding”则容易让模型将模糊视为独立的修饰元素，导致整体泛糊或运动方向紊乱。

运动轨迹描述越具象，模糊越有方向性

仅凭“motion blur”一词可以触发基础的拖影效果，但要精确控制模糊的区域、方向与长度，则需要借助环境反馈与方向动词的组合。具体应该如何操作呢？

方法一：利用主体与背景的相对位移锁定运动方向。
例如“race car blasting forward on wet asphalt, rear tires throwing up spray, streetlights streaking backward into long glowing lines”——其中“streaking backward”明确指示后方拖影，“long glowing lines”限定了拖影长度，“throwing up spray”则提供了运动加速的视觉证据。三者协同作用，精准锚定了运动模糊的轴线。

方法二：借助物理现象增强运动可信度。
例如“sword slashing left to right, blade edge dissolving into silver motion trail, sparks flying along arc path, wind rippling sleeve fabric”——此处的“dissolving into silver motion trail”比泛泛的“motion blur”更为具象，“sparks flying along arc path”提供了运动轨迹的曲率信息，“wind rippling sleeve fabric”则验证了空气动力学效应。模型据此生成的将是带有弧度的定向模糊，而非生硬的直线拖影。

另外需要留意：避免混用相互矛盾的方向性词汇。例如“streaking backward”与“rushing forward”同时出现，会导致模型无法判断拖影的准确方向。

负向提示词要精准剔除静止陷阱

第一步：在负向提示词中纳入“static pose, frozen motion, sharp still image, no motion trail, crisp edges”等指令。
第二步：排除“photorealistic”这类泛化词汇——它倾向于激活高清静物摄影的先验知识，反而会抑制运动表现力。
第三步：避免使用“high resolution”，因为超高分辨率会强化边缘清晰度，与动态模糊的物理逻辑形成直接冲突，模型可能在去噪后期强行修复那些“不该存在的清晰边界”。

完成这三步后，模型将不再把“奔跑”理解为静态摆拍姿势，而是真正进入运动状态建模。腿部肌肉的拉伸幅度、衣料褶皱的流动方向、地面反光的形变程度，全部会按照统一的速度矢量重新分布像素。

工具层验证：Z-Image-Turbo的CFG与步数协同机制

① 将CFG值设定在7～9区间。过低（<5）会导致模型忽略提示词中的运动指令；过高（>12）则会过度强调轮廓锐度，抑制拖影效果生成。
② 采样步数控制在20～30步之间。Z-Image-Turbo的DiffSynth架构在中期去噪阶段对运动语义的注入最为敏感，步数过少（<15）无法充分展开运动轨迹，步数过多（>40）则容易回归静态细节收敛。
③ 务必启用“dynamic motion guidance”开关（WebUI中默认关闭）。该模块会实时监控潜空间中像素位移的梯度变化，当检测到“streaked”“blurred”等激活词时，自动增强对应区域的去噪路径偏移量。

如果忽略这三步配置，即使提示词写得再精确，模型也很可能在最后几步将拖影效果“修复”得一干二净。