AI理解绘画吗？我把提示词拆开重排了三十次的发现
我的判断是：AI对绘画的理解，更像条件反射，不是懂画。证据是我做的三十次对照实验——语序随便调，画面几乎不动；核心词删一个，画面塌一半；近义词一换，风格悄悄偏航。想用它，先按它的记性来，别按人的逻辑来。
AI理解绘画吗？这个问题我问过自己很多次，直到上周做了个小实验才有底气回答。固定种子、固定参数，只动提示词的一个变量，跑三十次。结果比想象中干净：它对语序近乎无感，对名词却斤斤计较。说白了，它不是在读句子，是在认词。
实验对象是一句很普通的描述：红色雨伞下的白猫，坐在雨后的人行道上。模型用的还是我常用的那套，种子固定在12345，重绘幅度0.2，保证其他条件全部锁死。动什么、记录什么，都提前列好表。
记录办法很土：每张出图按编号存档，旁边一行小字标注改动点。三十张图、三十行备注，做完回头看，规律自己浮出来了。比凭印象靠谱——记忆会骗人，文件夹不会。
调语序：画面几乎不动
把提示词的成分打乱重排，固定种子下画面的构图和元素几乎没有变化，模型对语序不敏感。它逐个认词再合成画面，而不是像人一样顺着句子读出场景。
我把「红色雨伞下的白猫」重排了十种语序，从「白猫在红色雨伞下」到「雨伞、红色、下面、白猫」这种接近乱码的排法。十次出图，构图差异小到截图放一起像连拍。只有一种极端情况除外——把否定词挪到句尾，「白猫，不是黑猫」，它就真的给你一只黑猫，仿佛后半句没发生过。
这个结果挺颠覆直觉的。人写句子讲逻辑，先主后谓，谁修饰谁都有讲究。模型不吃这套。你按中文语法精心调整的「正确语序」，在它那里基本是白费功夫。时间省下来，去抠词更划算。
顺手还验了英文。同一句话翻成英文再调两次语序，结论一致。所以网上那种「英文提示词必须按某模板排列」的说法，至少在固定种子下没撑住。模板有用的地方在于防漏词，不在于排列本身。
删一个词：塌得比你想象快
删掉一个核心名词，画面元素直接消失；删掉颜色词，默认色系立刻接管，改变幅度远超预期。提示词里每个实词都在工作，虚词才是可省略的部分。
删「红色」，伞还在，变成一把灰伞，整张图的情绪跟着冷下来。删「白色」，猫从白猫变橘猫，这正常。真正让我愣住的是删「雨后」：地面上的积水反光没了，整张图从「氛围片」退化成「证件照」，好感和前一张差着一个档位。
倒是修饰性的词删了无所谓。「慢慢地」「静静地」「悄悄地」这类副词，删前删后我盯着看了半天，没看出区别。这一轮下来我心里有了杆秤：名词和颜色是承重墙，副词是贴纸。
颜色词的替换也顺手试了两组。「红色」换成「绯红」，伞色变得偏紫，整张图往阴郁走了半步；换成「亮红」，伞像刚出厂，连带着猫的毛都蓬松了一些。一个颜色词的语气，能牵动整张图的温度，这是我没料到的杠杆。
换近义词：风格悄悄偏航
近义词替换会带出风格漂移：把「白色」换成「洁白」，出图曝光升高；把「人行道」换成「街道」，构图自动拉远。每个词背后连着一团训练数据，同义不同画。
这轮最有意思。「白色」换成「洁白」，猫变亮了，背景跟着过曝，像是模型把「洁白」和「高调摄影」那批图绑在了一起。「人行道」换成「街道」，镜头自动拉远，猫变小了，多了汽车和店铺——一个词的改动，等于换了个摄影师。
还有一组意外的：「雨伞下」改成「雨伞旁」，猫挪到了伞外，淋着雨。这属于情理之中。但「坐在」改成「蹲在」，猫的姿态对了，伞却歪了，三次里两次伞柄断裂。词与词之间的组合效应，比单独看某个词要复杂得多，改一处，别处会跟着抖。
三轮做完，三十张图摆在一起，我的结论是：它认词、认词的搭配惯性，但不理解「一句话想表达什么」。所谓AI理解绘画，更像是几亿张图的记忆在条件反射。理解它这个记法，比骂它笨有用。
补了一组小测试作收尾：给「红色雨伞」加权重，写成强调语法的版本。这一下它响应了，伞的颜色立刻压过整张图。你看，语法它不懂，权重它门儿清。这大概就是和它沟通的正确姿势——不写漂亮的句子，写分量分明的词。
实验之后我改了自己的写作习惯：写提示词不再打腹稿，改成填清单——主体、颜色、位置、光线、氛围，一格一格填进去。语序顺口就行，副词能删就删。那张伞下白猫的最后版本，就是清单写法出的，一次过。
常见问题
固定种子重跑，画面也会完全一样吗？
本地模型和多数线上工具在完全相同参数下能复现，个别平台服务端有随机因素，会有细微差别。实验前建议先空跑两次，确认复现性再开始动变量，不然数据会被污染。
这个实验对写提示词有什么实际帮助？
最大的帮助是省时间：不纠结语序，把预算花在名词和颜色词上；想换风格时优先换有画面联想的词，而不是加形容词。我现在的提示词比以前短了三分之一，出图反而更稳。
否定词为什么经常不生效？
多数绘画模型对自然语言否定处理很弱，「不是黑猫」里的「黑猫」反而会被当成重点词。想排除元素，应该用专门的负面提示词栏，而不是写在正面描述里。
长提示词比短提示词效果好吗？
不是越长越好。词多到一定程度会互相稀释，重点不突出。我的习惯是控制在能一句话读完的长度，每个词都有明确岗位，多余的全删。