什么值得买App下载 App ›
连续签到专享现金活动

被13个鸡蛋难倒的不止豆包:AI生图会“看着像”,不会“数得准”

11月18日晚上,"豆包被十三个鸡蛋难倒"登上微博热搜:有网友让豆包画一张"盒子里有13个鸡蛋"的图,结果从头画到尾,不是12个就是9个,怎么纠都纠不对。这场集体翻车暴露的不是某个产品变笨,而是当前一代生图模型的共同边界:AI生图擅长"画得像",不擅长"数得准",提示词里的数量是一个弱约束,模型在画布上根本维持不住精确的物体计数。微博微博

翻车的不止豆包:元宝和千问在同样指令下都画不对13个鸡蛋,还有用户实测元宝画了两遍也没成功。但各家表现并不稳定,有技术博主反馈千问和ChatGPT一次就画对,豆包则画了4次才成功。做得最系统的是AI博主@零重力瓦力:一条"正俯拍13个白鸡蛋、每颗蛋之间留出可见空隙、完成前必须数一遍"的统一提示词扔给9个主流生图模型,画对数量的一共只有4家——GPT Image 2.6、Nano Banana 2.1、Ideogram 4.5和Luma UNI-1。微博小红书微博微博微博

被13个鸡蛋难倒的不止豆包:AI生图会“看着像”,不会“数得准”

用户的"调教"记录更能看出错法有多随机。有人明确告诉豆包"2行7列,13个鸡蛋,一个空着",它画出了11个。有人一次拿到14个。还有人给鸡蛋逐颗编号,它标出过两个"3号",最后干脆放弃生图,用一行文字算式"4+4+5=13"交差。微博微博微博

被13个鸡蛋难倒的不止豆包:AI生图会“看着像”,不会“数得准”

数字提示词为什么是最弱的约束

先说最贴近鸡蛋本身的原因:训练数据里的先验。鸡蛋盒在现实生活里绝大多数是12格,模型看图识"感觉"而不是逐项清点,一提鸡蛋就自动往熟悉的排列上凑。@零重力瓦力的对比观察也印证了这一点:这次画错的模型几乎都在下意识把鸡蛋凑成整行整列。换句话说,在模型的权衡里,“好看的构图"优先级压过了"准确的数字”。微博微博

更底层的解释指向生成机制。主流文生图扩散模型不是先画一个、再数一个,而是一次性把噪声铺满整张画布:模型内部既没有计数器,也没有能累加的变量,物体数量只能靠像素间的注意力关系隐式维持,要维持的物体越多,这些关系就越松。提示词里的精确数字,在训练数据沉淀出的"一堆鸡蛋"统计印象面前非常弱势。微博

学术研究给出的方向一致。知乎用户@剁椒鹿梳理的文献显示,2025年一项题为《Text-to-Image Diffusion Models Cannot Count, and Prompt Refinement Cannot Help》的研究系统测试了生图模型的数量控制:随着要求生成的物体数量增加,准确率明显下降,且仅靠修改提示词通常无法从根本上解决。知乎

CVPR 2025发表的《Make It Count》把问题拆得更细:扩散网络某些层的注意力特征里其实能提取出单个物体的信息,说明模型内部并非完全没有独立物体的表征,但这些表征不会自动组成可靠的计数系统;研究者据此设计了CountGen方案,先识别物体实例、再修正空间布局并约束后续生成,把数量准确率提了上去。知乎

更大量的证据来自2026年的基准测试NumBench:64万个提示词覆盖1至100个物体的生成任务,结论依然是数量越多准确率越低,规则网格布局反而有助于生成。知乎

被13个鸡蛋难倒的不止豆包:AI生图会“看着像”,不会“数得准”

有解法:给排布,别指望它替你数

测试里最有实操价值的是一个反差:同样让豆包画13个鸡蛋,直接报数字反复出错;改成描述具体排布——“第一排5个,第二排5个,第三排3个”——却几乎能一次画对。豆包当天的"自救"恰好演示了同一个技巧:它反手生成了一张4-5-4分行、每颗蛋标好数字的清点教学图。知乎微博

但模型的这种能力有明确上限。换个"15格的盒子放13个鸡蛋、空2格"的问法,要求模型自己决定哪里留空,它再次翻车。可见模型并非不懂"13"的语义,而是摆不出"13个占位加若干空位"的精确画面。知乎

比翻车更容易被忽略的风险是模型的自我评价。有用户拿着画错的图追问,AI信誓旦旦表示自己"已经确认过"是13个,被当场戳穿后才承认"确实只有12个"并诚恳道歉。生图模型的"数一遍"自检恰恰建立在它最弱的能力上,画完之后它说自己数对了,并不能当真。微博

边界会被补上,但不是现在

这个现象有个经典的对照:大模型可以参与解决复杂的数学难题,却数不清画面里的十几个鸡蛋。@剁椒鹿把这归到"莫拉维克悖论"一类——对人容易的感知任务,对机器恰恰最难,今天的模型显著改善了这一点,但没有彻底消除这种能力不对称。知乎

对普通用户来说,短期内这条边界的实用含义很清楚:把生图产出当"完成95%的草稿"——纹理、光影、氛围已经接近实拍,但凡是数量有硬要求的图(产品清单、信息图、分镜、教学配图),要么把行列排布和编号写进提示词,要么人工逐个数完再用;模型口头确认的数量不算数。CountGen这类研究说明补齐计数能力已有可行路径,只是还没有变成人人可用的产品默认项。13个鸡蛋是个乐子,它划出的边界很实在:当前生图模型学到的是"世界看起来是什么样",而不是"世界里有几个东西"。

评论

评论区空态插画

当前文章无评论,是时候发表评论了