全網AI集體翻車!爲什麼它們死活畫不對13個雞蛋?

來源: 更新:

給你一張白紙,畫13個雞蛋,你需要多久?

一分鐘?畫一個數一個,畫完再點一遍,大概連橡皮都用不上。

可這道題交給AI,它畫了十幾輪,一輪也沒畫對。

11月18日,“讓豆包畫13個雞蛋”就這麼衝上了微博熱搜,話題熱度當天破了百萬。

從熱搜裏流傳的截圖看,經過是這樣的。

“讓豆包畫13個雞蛋”,這是第一輪丨微博用戶@一號哨位

“讓豆包畫13個雞蛋”,這是第二輪丨微博用戶@一號哨位

“讓豆包畫13個雞蛋”,這是第三輪丨微博用戶@一號哨位

“讓豆包畫13個雞蛋”,不知道是第幾輪了丨微博用戶@一號哨位

“11號呢?”這句話成了全網熱梗。

更好笑的是,每一輪豆包都說“這次鎖定了”,每一次都沒數對。到最後,它自己認了輸:別做圖了,用文字清單最穩,4+4+5=13。網友管這叫“滑跪式認錯”。

翻車的不止豆包。熱搜當晚,“哪家AI能畫對13個雞蛋”成了全網自發的測試題。有網友測到,千問畫出過12、15、16個,可靈畫出12個,即夢畫出了12個半。也有人說豆包試到第4次就成功了,ChatGPT一次就畫對了。

同一道題,有人一次就過,有人十幾輪都不過。這種時靈時不靈,本身就是線索。

爲什麼偏偏是13

蛋託的標準款多是12格,模型在訓練中見得最多的,很可能就是一盒裝滿的12個。

超市裏最常見的標準蛋盒:兩排,每排6格,一盒正好12個丨Famartin/Wikimedia Commons(CC BY-SA 4.0)

你寫“盒子裏13個雞蛋”,它先畫出一個裝滿的標準盒子,第13個就沒地方放了。有人把“盒子裏”改成“桌上散放”,難度立刻降了一截。

13還是個質數。12可以排成3×4或2×6,整整齊齊。13只能排成1×13,放進任何規整的格子,都要多出一個或空出幾格。

據博主零重力瓦力的一次橫測,9個模型裏有4家畫對了。結果裏還有個細節:畫對的,基本把蛋排成了不整齊的佈局。畫錯的,傾向於湊整行整列。畫錯的模型,把“排整齊”看得比“數對”更重要。

AI有時候也能生成13個雞蛋丨Gemini

這只是單次測試,不能當排行榜看。

再看數量本身。網友的觀察是,個數少的時候還算靠譜,一到十幾個,就在12、14、15、18之間來回跳。13剛好落在這一段。

佔不滿格的蛋託、排不齊的質數、數不清的十幾個,13一個數全佔了。

它不是在畫,是在“顯影”

數不清的根子,出在AI的畫法上。

人畫13個蛋,是先在紙上標好位置,畫一個數一個,漏了就補。

主流的AI生圖模型大多走擴散路線,畫法完全兩樣。它從一張純噪聲圖開始,就像老式電視沒信號時的雪花屏。然後一遍遍去噪,每一步都問自己:如果這張圖是“一盒雞蛋”,哪裏該亮,哪裏該暗。幾十步之後,畫面從模糊變清晰。

這更像沖洗照片,整張相紙一起顯影,沒有哪一筆是先畫的。模型內部也沒有“已經畫了幾個”這樣的計數器,數量只能靠畫面各部分之間的關係隱約維持。物體一多,這種維持就鬆了。

擴散模型出圖時,整張畫面從一片“雪花”開始,一遍遍去噪,逐漸顯影成清晰的圖像,中間沒有“畫一個、數一個”的步驟丨作者生成的示意圖,底圖來自Famartin/Wikimedia Commons(CC BY-SA 4.0)

它學的是“看起來像”。看過海量的雞蛋照片,學會了一盒雞蛋大概長什麼樣,卻沒學會13在畫面上對應幾個蛋。

2025年3月有篇論文,標題直譯過來是“文生圖擴散模型不會數數,改提示詞也沒用”。研究者測了15個模型,豆包、可靈、混元、通義萬相都在名單裏。也就是說,這道題一年多前就有人認真考過,豆包當時就在考場上。

結果很一致:要求畫1到5個物體,各模型準確率約60%到80%;6到10個,降到約10%到30%;11到15個,幾乎所有模型都低於10%。13正好落在最難的一檔。

2025年3月的論文裏,豆包被要求畫“N個蘋果放在木桌上”,N從1到15。數量一多,畫出來的個數就對不上了丨Guo et al., arXiv:2503.06884(CC BY 4.0)

總體最好的Imagen-3,平均準確率也只有43%。

研究者還試了幾種改寫:把數量拆成乘法、加法,平均準確率反而分別降到26%和23%;連指定每個物體放在哪裏,也降到了20%。

熱搜裏網友一輪輪改寫、換排布,論文一年多前就替大家試過了,結論是——越改越差。

同一篇論文按難度分檔測試:左邊兩列是簡單題(1到4個),中間是中等題(9個),右邊是困難題(13到15個)。打勾表示數對,打叉表示數錯。“13棵樹”這道題,所有模型都錯了丨Guo et al., arXiv:2503.06884(CC BY 4.0)

另一篇2025年10月的論文,解釋了爲什麼有時畫對、有時畫錯。

每次圖片生成都從一張全新的隨機噪聲圖開始,最後畫出幾個物體、畫在哪裏,很大程度上在這張噪聲圖裏就定了個大概。提示詞裏的數字,反而是個弱信號。

所以“偶爾畫對”很像抽卡,撞上了一張恰好適合畫13個蛋的噪聲圖。豆包一次出的4張圖裏,15顆、11顆、13顆混在一起,也是這個道理。重新生成一次,就是重抽一次;就算在上一張的基礎上改,它也不會去數。

所以越改越亂,並不奇怪。

爲什麼畫錯了還嘴硬?

問題出在分工上。

負責聊天的模型,完全知道13是多少。單獨問它“12後面是幾”,幾乎不會答錯。

但出圖的通常是另一個模型,它拿到的只是一段文字描述,13只是其中一個詞。各家產品內部怎麼分工,大多沒有公開。

很可能的情況是,聊天模型說“已補到13個”,意思是“我已經按要求下了指令”,不等於它看過、數過那張圖。

就算它回頭去看,數數也是它的弱項。讓它“完成前數一遍”,等於讓它用最弱的能力給自己驗收。

“你說得對”,幾乎是ChatGPT的招牌式回答了丨ChatGPT

嘴硬還有一層原因:聊天模型天生愛順着人說話。你追問“真的是13個嗎”,它容易先答“是”;等你指出只有12個,它又馬上改口“確實只有12個”。它不是在覈對,是在接你的話。

模型說“已補到13個”,和它真的畫出13個,是兩回事。

怎麼才能畫對

想讓它畫對,網友有幾個辦法。

把“盒子裏”改成“桌上散放”,繞開12格的模板。讓雞蛋之間留出空隙,免得粘連。先畫標準的一盒12個,再局部重繪加1個。讓它先畫一個,再在畫布上覆制13份。

還有人直接寫排布:第一排5個,第二排5個,第三排3個。這招有人說幾乎一次就對,也有人說還是不行。說管用的,多半是運氣和場景簡化(比如拿掉蛋託)一起起了作用。改寫提示詞,治不了根。

學術界的解法在另一個方向。

有研究給模型加上“邊畫邊數、少了就補”的環節,原版模型的準確率只有26%,加上這個環節後到了54%,翻了一倍。

給模型加上“邊畫邊數、少了就補”的環節(上排)後,6只小貓、5個雞蛋都畫對了;原版模型SDXL(下排)只畫出4只小貓、6個雞蛋丨Binyamin et al., Make It Count, CVPR 2025(CC BY 4.0)

還有研究把目標數量的佈局預先寫進初始噪聲,在簡單的合成測試圖上,準確率從20.0%升到85.3%。

這些辦法大多還沒變成人人可用的產品功能,修好之後,準確率也只到一半左右到八成多。

至少眼下,數清13個雞蛋這件事,人還是穩贏。

類似的題,其實遠不止這一道。讓豆包畫一把帶刻度的小直尺,釐米刻度裏的毫米小格大概率不對。這還是數數的老毛病,只不過13個雞蛋換成了10個小格。

某頂刊論文中的實驗圖片,被質疑AI生成,這把直尺就是證據之一丨Journal of Translational Medicine

讓豆包畫一個左手寫字的人,它多半給你一隻右手。這又是蛋託那一套:它見過的寫字的人,絕大多數用右手。

豆包生成的“左手寫字的人”丨豆包

要是不信,你現在就可以順手讓豆包畫一杯“倒得滿滿當當、快要溢出來的紅酒”。不出意外,它大概率還是會優雅地給你倒上三分之一杯,再一本正經地告訴你,酒已經倒滿了。

PS:本文題圖就是豆包生成的,你猜猜看,雞蛋數量畫對了嗎?

參考文獻

[1] 一號哨位. 豆包,咱能不能長點心 # #[EB/OL]. 微博, 2026-11-18[2026-11-19].
https://www.sina.cn/news/detail/5366563525889520.html.

[2] GUO X, HUO J, LIANG Y, et al. Text-to-image diffusion models cannot count, and prompt refinement cannot help[EB/OL]. arXiv:2503.06884, 2025[2026-11-19]. https://arxiv.org/abs/2503.06884.

[3] ZHAO Y, WANG X, DONG L, et al. Demystifying numerosity in diffusion models: limitations and remedies[EB/OL]. arXiv:2510.11117, 2025[2026-11-19]. https://arxiv.org/abs/2510.11117.

[4] BINYAMIN L, TEWEL Y, SEGEV H, et al. Make it count: text-to-image generation with an accurate number of objects[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2025: 13242-13251.

[5] SHARMA M, TONG M, KORBAK T, et al. Towards understanding sycophancy in language models[EB/OL]. arXiv:2310.13548, 2023[2026-11-19]. https://arxiv.org/abs/2310.13548.

作者:Steed

封面圖來源:豆包生成

一個AI

我嘴硬,是因爲我不知道自己錯了。

你嘴硬,是因爲你知道。

本文來自果殼,未經授權不得轉載.

如有需要請聯繫[email protected]

點個“小愛心”吧

相關推薦
請使用下列任何一種瀏覽器瀏覽以達至最佳的用戶體驗:Google Chrome、Mozilla Firefox、Microsoft Edge 或 Safari。為避免使用網頁時發生問題,請確保你的網頁瀏覽器已更新至最新版本。
Scroll to Top