#豆包被十三个鸡蛋难倒# 豆包被“13个鸡蛋”难倒,关键不在语言大模型,而在绘图模型的数字盲。
语言模型能正确理解13个鸡蛋这个指令,问题出在负责画图的扩散模型上。它生成图像靠的是“感觉”和概率,而不是精确计数。让它在画面里准确摆放13个独立物体,相当于要求它同时满足十几个精确的位置约束,这超出了它的能力。研究表明,多数文生图模型在物体数量超过8个时,准确率就会急剧下降。
它懂你要13个,但画不出正好13个。这是当前生成模型在精确数量控制上的共性短板,豆包只是撞在了枪口上。
发布于 山西
