11月18日,“豆包被十三个鸡蛋难倒"冲上热搜:有网友让豆包画一张"盒子里有13个鸡蛋"的图,改了好几轮,画出来的鸡蛋忽多忽少——12个、11个、9个、14个都出现过,每一轮模型都自信地表示"这次锁定了”,每一次都没数对。最扎心的一击来自它自己给出的排布方案:第一排4个、第二排4个、第三排5个,4+4+5确实等于13,可图里第三排的编号写成了"9、10、12、13"——那句"11号呢"被全网追问。知乎微博
这道题的笑点不在豆包不认识数字13。单独问任何主流大模型"13个鸡蛋是多少",它几乎不会答错;翻车的是把数字变成画面那一步。理解数量、画出数量、核对数量是三件不同的事,而文生图模型压根没有"数数"这个动作。知乎微博
改了八轮,每一轮都"对了"
把翻车过程拆开看,会发现纠错手段全用上了,也全没用。一开始只写"盒子里13个鸡蛋",模型自动补满一盒12个;要求补上,它回复"已补到13个",再数还是12个;换成从1编号到13来锁定,图里出现了两个"3号";改成红点阵,一数剩9个——加数字编号时AI经常画错编号、多画物体,编号和实物对不上。中间有人试用"在现有图上加1个鸡蛋"这种局部修改指令,风险反而更高——局部重绘不是定点添加,模型改一小块时容易顺带改动周边,要么多画要么悄悄删掉,越修越乱。有博主晒出对话记录,改到第七轮才算对。也有人实测豆包一次性生成的四张图,每张数量都不一样,15颗、11颗、13颗混在一起,像全靠蒙。知乎微博知乎微博微博

为什么它数不了数
主流文生图模型走的是扩散路线:从一团随机噪声出发,边去噪边让画面越来越接近描述,整幅图是并行"显影"出来的,中间没有"先摆一个、再摆一个、最后点一遍数"的环节。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——所以"13个"在生图模型那里更接近"一堆、大概十几个"的概数,而不是严格等于13。知乎

蛋盒模板先验还在帮倒忙:日常生活里最常见的鸡蛋盒是12枚标准装,AI见过最多的就是装满的蛋盒,它的惯性倾向是把格子填满,第13枚反而无处安放。有博主援引复旦大学与上海创智学院等机构发表在ICML 2026的研究指出: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。同一研究还发现一条"性能悬崖":物体超过约十个后,多数模型就基本不再跟随提示词里的数字——这和被吐槽多年的"AI画不对手指"是同一种病:一堆长得像、挨得近的重复结构,多一个少一个,它自己也不知道。知乎知乎
不只是豆包一家
网友把同一道题发给了更多AI,豆包、Kimi、DeepSeek、千问,总结是几乎全军覆没。千问先画了15个,被告知"可以有空的栏位"后反而变成16个,Kimi则被有的博主记录为一次就画对了13个,和另一份"只画出11颗"的实测互相打架。DeepSeek能答对数量,但生成的不是图片。早在10月初,同一道题就有人拿去问ChatGPT、Gemini和Grok,结论高度一致。需要说明,这些都是用户一次性的个人实测,不是系统评测,但方向足够清楚:精确数量控制是当前主流文生图模型的共性短板,不是某一家产品的偶发bug。微博知乎

怎么用它才不翻车
承认它不会数,不是否定它,而是把它用在对的位置上。第一,把"精确"和"氛围"分开:构图、光影、质感、情绪交给它,数量、位置、文字拼写自己做或交给确定性工具。第二,需要精确数量的图别让它"画",让它"复制":生成一个鸡蛋,再在画布上复制13份,比反复改提示词稳得多。第三,别信"已生成"三个字——"已补到13个"和"真的画了13个"是两回事,凡是要精确的地方,先核验再采信。知乎
那盒鸡蛋最后也没数对。真正解决"11号在哪"的,不是模型,是那个较真数了一遍的人。AI能替你干完八成的活,但剩下两成里那些"简单到不用检查"的部分,仍然需要有人愿意数一遍。知乎
当前文章无评论,是时候发表评论了