什么值得买App下载 App ›
连续签到专享现金活动

AI画不对13个鸡蛋,是技术差还是提示词没用对?

AI画不对13个鸡蛋,是技术差还是提示词没用对?

11月18日,#豆包被十三个鸡蛋难倒#登上微博热搜,#主流AI画不对13个鸡蛋#、#所有的AI都不识数#等词条接连上榜。先说结论:这主要不是提示词没用对,也不是豆包一家的技术差——精确数量控制是当前主流文生图模型的共性架构短板。模型理解"13"这个数,但它的生成过程里没有"一个一个数"的环节,数字是在生成中途被"忘掉"的。提示词写得再细,只能有限改善,难以根治。知乎微博知乎小红书

回看整场"翻车":一位用户让豆包画一张俯视角、数量可辨的盒装13个鸡蛋图,第一版出来就是12个;要求补齐,它回复"已补到13个",数一数还是12个;换成从1编号到13来锁定,图里出现了两个"3号";改用红点逐一点数,一数又只剩9个。多轮纠错无果后,豆包自己认输,建议别做图了,用文字清单最稳——“4+4+5=13"这行字本身是对的,可它交出的图里第三排写着"9、10、12、13”,于是有了被全网追问的那句"11号呢?"微博

AI画不对13个鸡蛋,是技术差还是提示词没用对?

有意思的细节是:单独问任何一家的大模型"13个鸡蛋是多少",几乎不会有人答错。理解数量、画出数量、核对数量,是三件不同的事,当前模型基本只在第一件上及格。豆包在回复里强调"这次确认是13个",但并没有对图片做实际的核对。恰恰暴露了它的生成链路里没有"清点"这一步——说出那句话靠的是语言模型,画那幅图的却是另一套机制。知乎

为什么画不出来?主流文生图走的是扩散路线:整幅画面从一团噪声里并行"显影",不存在先摆一颗、再摆一颗、最后点一遍数的过程。它从海量图片里学到的是"像素通常怎么挨着",这套统计规律里压根没有"总数"这一项。鸡蛋盒还额外踩中了模板先验——模型画"一盒鸡蛋"时,会优先调取训练数据里最熟悉的12枚标准装布局,第13枚无处安放。微博

更关键的解释来自一项已发表于ICML 2026的研究:复旦大学、上海创智学院等机构把它定义为"Prompt Forgetting"(提示词遗忘)。在SD3、FLUX这类多模态扩散Transformer里,文本与图像在同一套网络里逐层共同演化,而文本分支缺乏直接监督——随着网络层数加深,文本分支中原本可恢复的词级信息逐渐变得不可恢复,数量、属性、空间关系这类细粒度语义最先被稀释。这就回答了标题里的"提示词没用对":多数情况下提示词并没有写错,数字被完整接收了,但不保证能活着走到最后一层去噪。机器之心

AI画不对13个鸡蛋,是技术差还是提示词没用对?

不过,"所有的AI都不识数"也说过头了。网友实测里,千问先画了15个,被告知"可以有空的栏位"后反而变成16个,而Kimi一次就画对了13个。这些是零散的个人测试而非系统评测,不能据此给各家排名,但方向高度一致:数量越小越可靠,超过约十个物体,多数模型就不再忠实跟随提示词里的数字——CVPR数量基准上,要求从1—5个增加到11—15个时,数量正确率明显下降。这也是"AI画不对手指"被吐槽多年的同一个病根:一堆长得像、挨得近的重复个体,多一个少一个,它自己并不知道。知乎微博知乎

好消息是,这道题在研究侧已有明确的补法。《Make It Count》提出的CountGen方法,会利用模型内部的特征定位不同物体,检查生成得过多还是过少,再修正物体的布局,用修正后的布局指导最终生成。论文里的示例恰好就是一盒鸡蛋:提示"5个"时普通模型画出6个,加了数量控制的才画对。另一条路线更轻:Prompt Reinjection无需重新训练,推理时把浅层文本特征重新注入深层网络,缓解提示词信息的逐层衰减。也就是说,缺的不是更好的措辞,是给图像配一个"计数员"。知乎机器之心

AI画不对13个鸡蛋,是技术差还是提示词没用对?

对普通用户,眼下真正实用的是把"精确"和"氛围"分开:构图、光影、质感交给AI,数量和文字自己核对。需要精确数量时,别让它"画",让它"复制"——先生成一颗鸡蛋,再在画布上排满13份;或者干脆用垫图思路,先让编程工具做出带编号的布局图,再让生图模型照着描。最底线的一条:它说"已补到13个",和它真的画了13个,是两回事,凡是要精确的地方,先数一遍再采信。小红书

"11号"丢在哪里,现在有了答案:不在提示词里,在缺少清点环节的生成架构里。在模型长出"计数器"之前,最便宜的保险,仍然是用AI的那个人愿意亲手数一遍。

评论

评论区空态插画

当前文章无评论,是时候发表评论了