看视点 · 知天下

13个鸡蛋难倒AI:它懂数字,却不会摆数字

来源:视点网综合 阅读:2.32万

一道幼儿园水平的题目,把主流AI绘图模型集体难住了。11月18日,“让豆包画一张盒子里有13个鸡蛋的图”冲上微博热搜:第一版画了12个,指出后它说已补到13个,再数还是12个;换成编号,图里出现两个“3号”,“11号”不见了;改用红点标记,数下来只剩9个。

鸡蛋托盘资料图

最出圈的一幕出现在十几轮之后。豆包放弃画图,交上一份文字清单:第一排4个、第二排4个、第三排5个,4加4加5等于13。网友要求按清单画出来,图里第三排写的是9、10、12、13。于是全网都在问同一句话——11号呢?

这事之所以引发共鸣,是因为反差太强。一个能写长文、生成复杂场景、对答如流的模型,偏偏栽在数数上。更耐人寻味的是,单独问任何一个大模型“13个鸡蛋是多少”,几乎都不会答错。问题出在把数字变成画面的那一步:理解数量、画出数量、核对数量,本来就是三件事。

为什么数不清,问题出在哪一步

技术上的解释来自扩散模型的工作原理。主流文生图模型从一团随机噪声出发,一边去噪一边让整幅画面并行显影,中间没有“先摆一个、再摆一个、数到13停手”的环节。模型从海量图片中学到的是像素通常怎么挨着,这套统计规律里没有“总数”这一项。它画的是“像一盒鸡蛋”的样子,“恰好13个”这道工序并不存在。

12还是个强模板。生活里最常见的鸡蛋盒就是12枚标准装,训练数据中这类图铺天盖地,模型一接到“一盒鸡蛋”的指令,就往12格上凑,第13枚反倒无处安放。物体一多,重叠、遮挡、粘连也会跟着来:挨着的两个椭圆算一颗还是两颗,被遮住的半截算不算,身份都分不清,总数自然数不准。

学术早已关注,这是共性短板

计算机代码屏幕资料图

学术研究早把它当成专门课题。有研究指出,在多模态扩散架构里,在网络深层,文本分支中的词级信息逐渐变得不可恢复,数量词是最先被“忘”掉的。一个实验把目标数字以噪声网格形式写进初始隐空间,人工核对能数对的比例从纯文字提示的约4%提升到约59%。研究还发现一条“性能悬崖”:物体超过十个左右,多数模型基本不再跟随提示词里的数字。

这不是某一家的偶发故障。CVPR 2025收录的论文《Make It Count》就用“一盒鸡蛋”举例,提示要5个,普通模型画出6个;专门评测数量能力的T2ICountBench覆盖1到15个物体,没有一个被测模型的平均准确率超过50%,表现最好的也只有43%。网友跨模型实测中,千问先画15个,被告知可以有空位后又变成16个;也有模型一次画对,但更像这次采样抽中了,而非能力稳定。

普通用户怎么办

对普通用户来说,实用结论有三条:构图和质感交给AI,确切的数量、文字和位置自己核;提示词尽量写清布局,比如俯视、不重叠、分几排;真要一张恰好13颗的图,更稳的路子是生成一个再手动复制,或者让模型写几行按坐标画圆的脚本,代码不会数错。AI翻车的从来不是智力,而是把“精确”当成一个必须被满足的条件的能力。

(责任编辑:张婷)
版权声明:来源为“视点网”均为本站原创内容,转载请注明!部分内容来自网络,版权归原作者所有,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责;如作品内容有误,或对版权等其它有异议,请联系我们更正或删除!

相关阅读Related