AI绘画推理能力实测：画个冰淇淋上煎蛋，翻车翻出规律
先说结论：AI绘画的"推理"更像联想，不是逻辑推演。我用冰淇淋上煎蛋、鲨鱼织毛衣这类组合题喂了三个模型共九十张图，单概念全对，两个概念凑一起只剩四成能看，三个概念直接散架。想让AI画出没见过的组合，先学会把长句拆开喂。
AI绘画推理这个话题，是被朋友一句"AI能画出它没见过的东西吗"问出来的。他想要一张图：一支甜筒冰淇淋，顶上卧着个单面煎蛋，蛋黄要流心。我当时拍胸脯说这不简单吗。结果打脸打得很快。
我拿手头常用的两个国产模型加一个海外模型，各跑十轮。三十张里，煎蛋出现了二十二张，冰淇淋出现了二十八张，可两个东西同时待在正确位置上的，只有六张。剩下的要么蛋掉在桌上，要么冰淇淋底下垫了块铁板——模型大概觉得，煎蛋嘛，就该在铁板上待着。
三档难度，翻车率完全不是一个量级
同一个模型，单个概念几乎全对，两个概念的组合只剩四成能看，三个概念以上基本散架。AI绘画推理靠的是联想拼贴，不是逻辑推演，概念一多它就开始各画各的。
我把测试题分了三档。第一档是单概念，比如"流心煎蛋""草莓甜筒"，九十张里对了八十一张，闭着眼都行。第二档是两概念组合，像"穿羽绒服的企鹅""戴草帽的猫"，能挑出能看的不到四成——企鹅往往对，羽绒服也有，但羽绒服经常披在旁边一只海豹身上。
第三档最狠。三个概念往一句里塞，"倒挂在树枝上啃西瓜的熊猫"，跑了三十张，只有两张勉强及格，其中一张熊猫倒是倒挂了，西瓜变成了一个红色保龄球。你说它不认识西瓜吧，单独让它画西瓜画得可好了。概念一凑一起，脑子里就打架。
为什么组合一多，画面就散架？
文生图模型先把你的词翻译成一堆视觉概念，再把它们往一张图上凑。凑不动的部分，它就用训练数据里长得最像的画面糊弄过去，糊弄不了就干脆扔掉一半。
你可以把这事想成请一个只会照菜谱做菜的师傅现场发明新菜。他会做的每样食材都认识，可你让他"把麻婆豆腐包进汉堡坯里"，他的手就开始凭肌肉记忆乱动——最后端上来的，多半是个撒了花椒的普通汉堡。
最离谱的一次是"戴老花镜织毛衣的鲨鱼"。十张里九张把眼镜画在了嘴上，还有一张干脆给毛线针长在了背鳍上。想想也合理，训练数据里戴眼镜的，八成是人脸，模型把"眼镜"这个概念往它认为最像脸的地方安。鲨鱼嘴，在它眼里约等于脸。
对了，位置关系词也别太信任。"骑在马上倒举雨伞"，伞基本都在正常位置——模型对"举"的理解牢牢焊在训练数据里，你想让它在细节处翻新，它比你固执。
组合题想出图，我摸索出三条喂法
把长句拆成主体、动作、道具三段分开写，动作词紧挨主体，位置关系单独一句强调。整句甩给模型，等于把难题原样退回给它。
回到那个煎蛋冰淇淋。我最后能看的成品，是这么改出来的：先把"一份融化的冰淇淋甜筒"单独一句，再加"甜筒顶端放着一颗流心煎蛋"，最后补一句"没有盘子，没有铁板"。负面提示词里塞进煎锅、汉堡、餐具。前八轮的图，蛋全都自动滑到旁边的盘子里去了，把退路堵死之后，第九张才老实。
第二条是降低概念密度。真想画"倒挂啃西瓜的熊猫"，就分两步：先出一张倒挂熊猫，挑构图最好的，再用局部重绘把西瓜补进它的爪子。一次只解决一个问题，成功率从我那惨淡的一成半拉到过半。
第三条算认怂——实在不行的题，换成隐喻画面。画不出"时间是小偷"这个概念，就画一只手从怀表上抽走齿轮。模型对隐喻的宽容度高得惊人，因为抽象画面在训练数据里本来就没有标准答案，它反而敢放开画。
这三条试下来，我那批组合题的整体出图率从不到三成爬到了七成上下。不算神迹，但够用了。
那张煎蛋冰淇淋最终发给了朋友。他回了个"好耶"，配了三个感叹号。九张废图他没看见，我也没提。AI绘画推理眼下就是这个水平——你把它当联想游戏玩，处处有惊喜；当逻辑引擎用，回回要还债。
常见问题
提示词写多长算合适？
组合题控制在两到三个视觉概念以内，超过四个概念，翻车率会陡增。描述细节可以长，但核心组合关系要短促明确，别用从句套从句。
为什么同一条提示词两次出图完全不一样？
出图带随机性，起点噪声不同，结果就不同。部分工具允许固定种子值，种子一样、参数一样，画面才可复现。想对比测试，先把种子锁住。
换更新的模型，组合翻车会消失吗？
会缓解，但不会消失。新版本对常见组合的理解确实更稳，可越冷门的组合，训练数据越稀疏，翻车概率依旧高。拿到新模型，老规矩还是先跑几组怪题试试水深。
不懂技术也能做这种小测试吗？
能。准备十道题、一个记次数的备忘录就够了，我全程用的就是手机备忘录加表格，一轮十分钟，重在记录，不在设备。