**11月18日“让豆包画13个鸡蛋”冲上热搜,豆包等AI多轮画不对。根源是扩散模型缺乏计数机制、依赖视觉模板,数量稍多准确率骤降,提示词改写难根治。** **要点** **1. 热搜测试暴露数量生成普遍不稳** 豆包被要求画13个鸡蛋十余轮仍错,千问、可灵、即梦也出现12、15、16或12个半;同题有人一次成功,说明时灵时不灵本身是线索。 **2. 扩散模型没有“画一个数一个”的计数器** 模型从随机噪声去噪,学的是“一盒鸡蛋大概长什么样”;13易受12格蛋托模板和质数难整排影响。2025年3月论文测15个模型,11—15个物体准确率几乎均低于10%,最佳Imagen-3平均仅43%。 **3. 提示词改写难治本,嘴硬来自分工与迎合** 拆成加法、乘法后平均准确率反降至23%、26%,指定位置降至20%;聊天模型知道13,但生图模型只接收文字描述,验收数数又弱,且易顺着用户改口。 **4. 计数增强可提升但未普及,人仍稳赢** 给模型加“边画边数、少了就补”后准确率从26%升至54%,把布局写入初始噪声在合成测试中从20.0%升至85.3%;类似毫米刻度、左手写字、倒满红酒仍易错。
全网AI集体翻车,为什么它们死活画不对13个鸡蛋?
2026-11-19 20:12

全网AI集体翻车,为什么它们死活画不对13个鸡蛋?

本文来自微信公众号: 果壳 ,作者:Steed,原文标题:《全网AI集体翻车!为什么它们死活画不对13个鸡蛋?》


给你一张白纸,画13个鸡蛋,你需要多久?


一分钟?画一个数一个,画完再点一遍,大概连橡皮都用不上。


可这道题交给AI,它画了十几轮,一轮也没画对。


11月18日,“让豆包画13个鸡蛋”就这么冲上了微博热搜,话题热度当天破了百万。


从热搜里流传的截图看,经过是这样的。


“让豆包画13个鸡蛋”,这是第一轮丨微博用户@一号哨位

“让豆包画13个鸡蛋”,这是第二轮丨微博用户@一号哨位

“让豆包画13个鸡蛋”,这是第三轮丨微博用户@一号哨位

“让豆包画13个鸡蛋”,不知道是第几轮了丨微博用户@一号哨位


“11号呢?”这句话成了全网热梗。


更好笑的是,每一轮豆包都说“这次锁定了”,每一次都没数对。到最后,它自己认了输:别做图了,用文字清单最稳,4+4+5=13。网友管这叫“滑跪式认错”。


翻车的不止豆包。热搜当晚,“哪家AI能画对13个鸡蛋”成了全网自发的测试题。有网友测到,千问画出过12、15、16个,可灵画出12个,即梦画出了12个半。也有人说豆包试到第4次就成功了,ChatGPT一次就画对了。


同一道题,有人一次就过,有人十几轮都不过。这种时灵时不灵,本身就是线索。


为什么偏偏是13


蛋托的标准款多是12格,模型在训练中见得最多的,很可能就是一盒装满的12个。


你写“盒子里13个鸡蛋”,它先画出一个装满的标准盒子,第13个就没地方放了。有人把“盒子里”改成“桌上散放”,难度立刻降了一截。


13还是个质数。12可以排成3×4或2×6,整整齐齐。13只能排成1×13,放进任何规整的格子,都要多出一个或空出几格。


据博主零重力瓦力的一次横测,9个模型里有4家画对了。结果里还有个细节:画对的,基本把蛋排成了不整齐的布局。画错的,倾向于凑整行整列。画错的模型,把“排整齐”看得比“数对”更重要。


AI有时候也能生成13个鸡蛋丨Gemini


这只是单次测试,不能当排行榜看。


再看数量本身。网友的观察是,个数少的时候还算靠谱,一到十几个,就在12、14、15、18之间来回跳。13刚好落在这一段。


占不满格的蛋托、排不齐的质数、数不清的十几个,13一个数全占了。


它不是在画,是在“显影”


数不清的根子,出在AI的画法上。


人画13个蛋,是先在纸上标好位置,画一个数一个,漏了就补。


主流的AI生图模型大多走扩散路线,画法完全两样。它从一张纯噪声图开始,就像老式电视没信号时的雪花屏。然后一遍遍去噪,每一步都问自己:如果这张图是“一盒鸡蛋”,哪里该亮,哪里该暗。几十步之后,画面从模糊变清晰。


这更像冲洗照片,整张相纸一起显影,没有哪一笔是先画的。模型内部也没有“已经画了几个”这样的计数器,数量只能靠画面各部分之间的关系隐约维持。物体一多,这种维持就松了。


扩散模型出图时,整张画面从一片“雪花”开始,一遍遍去噪,逐渐显影成清晰的图像,中间没有“画一个、数一个”的步骤丨作者生成的示意图,底图来自Famartin/Wikimedia Commons(CC BY-SA 4.0)


它学的是“看起来像”。看过海量的鸡蛋照片,学会了一盒鸡蛋大概长什么样,却没学会13在画面上对应几个蛋。


2025年3月有篇论文,标题直译过来是“文生图扩散模型不会数数,改提示词也没用”。研究者测了15个模型,豆包、可灵、混元、通义万相都在名单里。也就是说,这道题一年多前就有人认真考过,豆包当时就在考场上。


结果很一致:要求画1到5个物体,各模型准确率约60%到80%;6到10个,降到约10%到30%;11到15个,几乎所有模型都低于10%。13正好落在最难的一档。


2025年3月的论文里,豆包被要求画“N个苹果放在木桌上”,N从1到15。数量一多,画出来的个数就对不上了丨Guo et al.,arXiv:2503.06884(CC BY 4.0)


总体最好的Imagen-3,平均准确率也只有43%。


研究者还试了几种改写:把数量拆成乘法、加法,平均准确率反而分别降到26%和23%;连指定每个物体放在哪里,也降到了20%。


热搜里网友一轮轮改写、换排布,论文一年多前就替大家试过了,结论是——越改越差。


同一篇论文按难度分档测试:左边两列是简单题(1到4个),中间是中等题(9个),右边是困难题(13到15个)。打勾表示数对,打叉表示数错。“13棵树”这道题,所有模型都错了丨Guo et al.,arXiv:2503.06884(CC BY 4.0)


另一篇2025年10月的论文,解释了为什么有时画对、有时画错。


每次图片生成都从一张全新的随机噪声图开始,最后画出几个物体、画在哪里,很大程度上在这张噪声图里就定了个大概。提示词里的数字,反而是个弱信号。


所以“偶尔画对”很像抽卡,撞上了一张恰好适合画13个蛋的噪声图。豆包一次出的4张图里,15颗、11颗、13颗混在一起,也是这个道理。重新生成一次,就是重抽一次;就算在上一张的基础上改,它也不会去数。


所以越改越乱,并不奇怪。


为什么画错了还嘴硬?


问题出在分工上。


负责聊天的模型,完全知道13是多少。单独问它“12后面是几”,几乎不会答错。


但出图的通常是另一个模型,它拿到的只是一段文字描述,13只是其中一个词。各家产品内部怎么分工,大多没有公开。


很可能的情况是,聊天模型说“已补到13个”,意思是“我已经按要求下了指令”,不等于它看过、数过那张图。


就算它回头去看,数数也是它的弱项。让它“完成前数一遍”,等于让它用最弱的能力给自己验收。


“你说得对”,几乎是ChatGPT的招牌式回答了丨ChatGPT


嘴硬还有一层原因:聊天模型天生爱顺着人说话。你追问“真的是13个吗”,它容易先答“是”;等你指出只有12个,它又马上改口“确实只有12个”。它不是在核对,是在接你的话。


模型说“已补到13个”,和它真的画出13个,是两回事。


怎么才能画对


想让它画对,网友有几个办法。


把“盒子里”改成“桌上散放”,绕开12格的模板。让鸡蛋之间留出空隙,免得粘连。先画标准的一盒12个,再局部重绘加1个。让它先画一个,再在画布上复制13份。


还有人直接写排布:第一排5个,第二排5个,第三排3个。这招有人说几乎一次就对,也有人说还是不行。说管用的,多半是运气和场景简化(比如拿掉蛋托)一起起了作用。改写提示词,治不了根。


学术界的解法在另一个方向。


有研究给模型加上“边画边数、少了就补”的环节,原版模型的准确率只有26%,加上这个环节后到了54%,翻了一倍。


给模型加上“边画边数、少了就补”的环节(上排)后,6只小猫、5个鸡蛋都画对了;原版模型SDXL(下排)只画出4只小猫、6个鸡蛋丨Binyamin et al.,Make It Count,CVPR 2025(CC BY 4.0)


还有研究把目标数量的布局预先写进初始噪声,在简单的合成测试图上,准确率从20.0%升到85.3%。


这些办法大多还没变成人人可用的产品功能,修好之后,准确率也只到一半左右到八成多。


至少眼下,数清13个鸡蛋这件事,人还是稳赢。


类似的题,其实远不止这一道。让豆包画一把带刻度的小直尺,厘米刻度里的毫米小格大概率不对。这还是数数的老毛病,只不过13个鸡蛋换成了10个小格。


某顶刊论文中的实验图片,被质疑AI生成,这把直尺就是证据之一丨Journal of Translational Medicine


让豆包画一个左手写字的人,它多半给你一只右手。这又是蛋托那一套:它见过的写字的人,绝大多数用右手。


豆包生成的“左手写字的人”丨豆包


要是不信,你现在就可以顺手让豆包画一杯“倒得满满当当、快要溢出来的红酒”。不出意外,它大概率还是会优雅地给你倒上三分之一杯,再一本正经地告诉你,酒已经倒满了。


PS:本文题图就是豆包生成的,你猜猜看,鸡蛋数量画对了吗?


参考文献


[1]一号哨位.豆包,咱能不能长点心#豆包被十三个鸡蛋难倒##豆包画不对13个鸡蛋#[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.


一个AI


我嘴硬,是因为我不知道自己错了。


你嘴硬,是因为你知道。


本文来自果壳,未经授权不得转载.

AI行业信号频道: 前沿科技
本内容来源于网络 原文链接,观点仅代表作者本人,不代表虎嗅立场。
如涉及版权问题请联系 hezuo@huxiu.com,我们将及时核实并处理。
正在改变与想要改变世界的人,都在 虎嗅APP