最近知乎上有个问题挺火:网友让豆包生成一张「盒子里有13个鸡蛋」的图片,结果豆包连续十几次纠错,还是数不清。评论区一片欢乐,有人说“AI连数数都不会”,也有人怀疑是不是模型太笨。我看了下原帖的截图,确实挺有意思——要么鸡蛋数量对不上,要么盒子结构变形,改到后面模型干脆摆烂,画出来的东西越来越抽象。这个 Zhihu Hot topic 表面是个段子,背后其实藏着一个挺硬核的技术问题:为什么AI画图,偏偏在“数量”这件事上反复翻车?
为什么豆包生成「盒子里有13个鸡蛋」总数不对
先说结论:这不是豆包一家的问题,而是当前主流文生图模型的通病。你让Midjourney、DALL·E画“13个鸡蛋”,大概率也数不准。核心原因在于,文生图模型的工作方式和人脑完全不一样。
人画画是先构思再落笔,画几个鸡蛋心里有数。但扩散模型是从一团噪声里逐步“去噪”出图像,它没有“计数”这个动作。它学到的是“鸡蛋通常长什么样”“盒子里装鸡蛋大概是什么构图”,至于具体几个,它靠的是训练数据里的统计规律,而不是逐个摆放。数量越多、越密集,越容易糊成一团。
另一个容易被忽略的点是:“13”这个数字本身就很尴尬。如果是“一打12个”,模型见得多,反而容易画对;13个既不是常见包装规格,又超出了模型对“少量物体”的稳定把控区间。我观察下来,模型对1到5个物体的还原相对靠谱,超过10个就开始靠猜,13个正好踩在它的模糊地带。
连续纠错十几次为什么越改越乱
原帖里有个细节值得说:网友不是一次失败就放弃,而是反复让豆包“改一下,还是13个”。结果越改越离谱。这其实暴露了多轮对话改图的一个坑——每次纠错都在给模型叠加新的约束,但模型并不真正理解“保留哪些、改哪些”。
你第一轮说“盒子里13个鸡蛋”,它画了10个;你说“不对,是13个”,它可能把盒子换了、鸡蛋位置重排,数量还是不对;再来几轮,提示词里堆了一堆“13个、准确、不要多不要少”,模型反而被这些强调词干扰,画面越来越僵硬。这就像你跟一个不懂中文的人反复强调“十三”,他只会越听越懵。
实操上更有效的做法是:别在数量上死磕,换思路。比如把“13个鸡蛋”拆成“一盒鸡蛋,摆满两层,上层6个下层7个”,用空间结构替代纯数字;或者干脆先生成“一盒鸡蛋”,再手动补。这不是妥协,而是顺着模型的能力边界走。
想让AI画对数量,这几个思路更实际
如果你平时也用AI做图,遇到需要精确数量的场景,可以试试这几条:
- 优先用“排列方式”代替数字:说“三排四列”比说“12个”更容易被模型理解,网格、矩阵这类词它见得多了。
- 数量控制在个位数:超过10个的精确计数,目前别指望一次到位,做好后期调整的准备。
- 少用“必须”“准确”这类强调词:它们不会提升计数准确率,反而可能让画面变形。
- 多轮改图时,每轮只改一个点:一次改数量、一次改构图,混在一起模型会顾此失彼。
回到这个 Zhihu Hot topic,网友让豆包生成「盒子里有13个鸡蛋」的图片反复失败,本质上不是豆包“笨”,而是我们对文生图模型的能力预期需要校准。它能画出很漂亮的鸡蛋,但“数清楚”这件事,暂时还不在它的技能树里。理解这一点,用起来会顺手很多。
你平时用AI画图,有没有遇到过类似的“数量翻车”现场?欢迎在评论区聊聊,说不定能凑出一份避坑指南。
微信扫码查看