11月18日,一道「让AI画盒子里13个鸡蛋」的测试题冲上微博热搜。热搜讨论里,另一个词条#所有的AI都不识数#也在同步刷屏。而话题里的豆包被用户抓着连续纠错,却始终数不对。知乎微博微博知乎
第一版只画了12个;改成1到13编号,图里又出现两个「3号」。换成红点阵,一数只剩9个;最后按它自己提出的4+4+5方案分三排摆,第三排编号却写成「9、10、12、13」——「11号呢」就此成了全网热梗。微博知乎

结论其实一句话能说清:模型不是「算错了13」,而是文生图里根本不存在「数数」这个动作——它没有内置计算器,不会像人一样先预留13个位置、放一个记一个。主流文生图走的是扩散路线:从一团随机噪声出发逐步去噪,整幅画面是并行「显影」出来的。它画出的是「一堆鸡蛋看起来的样子」,不是「一个一个摆到第十三个就停手」。知乎知乎
单独问任何大模型「12后面是几」,它几乎不会答错——语言这一侧它懂13。但提示词里的数字落到画面端,会被理解成「大概十几个」的模糊概数。5、10以内的场景还应付得来,一到十几就在12、14、15之间来回漂移。理解数量、画出数量、核对数量是三件不同的事,模型只在第一件上及格。知乎知乎
训练数据里的熟悉模板还在帮倒忙:平时见得最多的鸡蛋盒是12枚标准装,模型画「一盒鸡蛋」时优先调取这个装满的模板,第13枚天然无处安放。纠错因此容易越修越乱——局部重绘不是精准的「定点添加」,模型改一小块区域时会顺带改动周边,要么新增不止一个,要么悄悄删掉别的。给它编号又撞上文字绘制与标签对位的老毛病。这和AI画不对手指是同一个病根:在一堆长得相似、挨得紧密的重复结构里,多一个少一个,模型自己都察觉不到。微博知乎

这不是豆包一家的问题。热搜之后大量网友转测:豆包一次生成3张图,其中一张恰好是13个,千问却画了15个。被要求改正、允许留空格后,千问反而画成了16个,Kimi则有一次就画对的实测。这道题其实早在10月中旬就在社区小范围流传。11月18日,它才借热搜出圈。这些都是零散的个人测试、不是系统评测,但方向一致:精确数量控制是当前主流文生图模型的共性短板。微博知乎小红书

研究侧也有过解释:复旦大学与上海创智学院等机构发表在ICML 2026的一项研究指出,在多模态扩散架构里,随着网络层数加深,文本分支中原本可恢复的词级信息会逐渐变得不可恢复,数量词恰恰是最容易先被「忘」掉的那类;厂商并未披露豆包的具体机制,这属于研究侧的解读。知乎
同一研究里还有个实验很能说明问题:把目标数字以噪声网格的形式写进初始隐空间,人工核对时能数对的比例,从纯文字提示的约4%升到了约59%;它还观察到一条「性能悬崖」——物体超过约十个,多数模型基本不再跟随提示词里的数字。知乎
对用户来说,这件事的实用价值是把「氛围」和「精确」分开。构图、光影、质感、情绪交给模型;必须分毫不差的数量、编号、文字拼写,换确定性手段:最稳的不是让它「画」13个鸡蛋,而是生成一个,再在画布上复制13份。非要用提示词,可以把要求写成它能「看见」的结构——15格蛋托、13格有蛋、2格空置、逐个可数。但实测里这一招同样会翻车,只能缓解。知乎知乎
最后一条最重要: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。那盒鸡蛋最后也没数对,真正解决「11号去哪了」的,不是模型,是那个较真又数了一遍的人。知乎
当前文章无评论,是时候发表评论了