能力边界与模型地图——先搞清楚"生成"到底能干什么

本课导读

这个 Track 教的不是"怎么让 AI 画一张好看的图"——那件事现在随便一个模型都能做到。它教的是把生成式图像模型当成一套视觉生产系统来用：需求怎么定义、结果怎么控制、系列怎么保持一致、产出怎么批量化、成品谁来负责。第一课先把地基打好：市面上的模型分几类、各自擅长什么、文生图/图生图/图像编辑有什么本质区别、以及最重要的——出了问题怎么归因。预计 45 分钟。

你其实已经懂一半了

你在 AI 主线里已经学过大语言模型：它按概率一个 token 一个 token 地续写文本。图像模型是另一条技术路线，但使用侧的心智模型几乎可以平移：

	大语言模型（你已学）	图像生成模型（本课开始）
输入	提示词（文本）	提示词 + 可选的图像条件（参考图/蒙版/线稿…）
生成方式	自回归：逐 token 续写	扩散/流匹配：从一张纯噪声图逐步"去噪"成图像
随机性来源	采样温度	随机种子（seed）+ 采样器
幻觉的表现	一本正经地编事实	六根手指、错误文字、不存在的物理结构
控制手段	提示工程、few-shot、工具调用	提示工程、参考图、结构控制、LoRA、工作流

关于"扩散模型怎么从噪声里长出图像"的原理，主线的数学直觉单元里有铺垫，这里只需要记住一个使用侧结论：生成是"采样"而不是"检索"——同一个提示词每次出图都不一样，模型不是从素材库里找图，而是每次从随机噪声出发现场"长"一张。这决定了本 Track 后面所有关于"可复现性"（固定种子、记录参数）的纪律。

模型地图：五个能力层级

具体产品名每几个月就换一轮，但能力层级是稳定的。选型时先问"我需要哪一层"，再问"这一层当前谁最强"：

能力层级	典型用途	关键特征
对话式生成与编辑	多轮改图、复杂指令、图文排版、信息图	挂在大语言模型上，能"听懂人话"，改图不用重写提示词
高审美快速生成	概念探索、插画、风格开发	默认输出就好看，但精确控制较弱
高质量文生图	商业视觉、摄影感、广告、含文字的设计	提示遵循度高、文字渲染强、企业授权清晰
开放模型与可控生成	本地部署、结构控制、定制工作流	权重可下载，能接 ControlNet/LoRA，隐私可控
节点式工作流	批量处理、多步骤管线、API 自动化	不是模型，是把上面各层组装成生产线的工具

另一条重要的分界线是封闭 vs 开放：

• 封闭模型（网页/API 使用）：效果通常更强、上手零成本，但参数不透明、隐私出域、按量付费、平台说改就改。
• 开放模型（权重可下载）：可本地跑、可深度控制、可微调出"专属模型"，但需要显卡和折腾精神。

个人学习期的合理策略：用封闭模型学方法，用开放模型学原理。本单元前四课全部可以只用封闭模型完成。

四种任务形态，别混着用

"AI 画图"其实是四件不同的事，输入输出和适用场景都不同：

1. 文生图（text-to-image）：纯文字 → 图像。从零开始探索创意时用。
2. 图生图（image-to-image）：图像 + 文字 → 新图像。保留原图构图/风格做变体时用。
3. 图像编辑（editing / inpainting）：图像 + 指令（+ 蒙版）→ 局部修改后的图像。"就改这一处，别的都别动"时用。
4. 视觉理解（image-to-text）：图像 → 文字描述/分析。反推参考图的风格关键词、做质检时用——这一步经常被忽略，但它是第 4 课"参考图工作流"的地基。

新手最常见的浪费是拿文生图硬做编辑的活：想改人物的衣服颜色，却重写整段提示词重新抽卡，结果构图全变了。任务形态选对，一半的问题消失。

"画面漂亮"不等于"设计有效"

这是本 Track 反复出现的一条纪律。模型的默认输出是"讨好眼球的平均审美"——光线华丽、细节丰富、构图安全。但设计是为目标服务的：

• 一张电商主图的目标是看清产品——华丽的逆光氛围反而是失败；
• 一张信息图的目标是准确传达——字体再漂亮，数据错了就是废图；
• 一张品牌海报的目标是符合品牌——模型不知道你的品牌色和调性，它只会给"好看"。

所以评价生成结果永远问两个问题：这张图好看吗？这张图有效吗？后者才是你作为使用者的核心价值——模型负责好看，你负责有效。

出了问题怎么归因：四层诊断

生成结果不对，先别急着改提示词。错误可能来自四层，对策完全不同：

错误来源	典型症状	对策
提示问题	模型"没听懂"：要素缺失、理解偏差、顾此失彼	改写提示（第 2 课的主战场）
模型能力边界	换十种说法都不行：中文文字乱码、手部畸形、精确计数失败	换模型，或换任务形态（如文字后期加）
训练数据偏见	不提国籍默认某类长相、某职业默认某性别	显式指定被默认掉的属性
工作流问题	参数不当：过度锐化、分辨率不足、种子没固定导致无法复现	调参数、补流程，跟提示词无关

判断方法很朴素：单变量实验。固定其他条件只改一个变量（同提示换模型 → 归因模型；同模型换表述 → 归因提示）。这个方法贯穿全 Track，也是你在主线学过的调试思维在视觉领域的直接复用。

动手任务：建立你的第一份模型能力对照表

选一个你真实感兴趣的创意主题（比如"一只在雨夜便利店门口躲雨的橘猫，电影感"），完成：

基础路线（约 40 分钟）：

1. 挑至少 3 个不同层级的模型（例如一个对话式 + 一个高审美 + 一个高质量文生图，免费额度够用）；
2. 用完全相同的提示词各生成 4 张；
3. 按下面的维度打分（1–5 分），填成对照表：

模型能力对照表 —— 主题：＿＿＿＿＿＿
日期：＿＿＿＿  提示词版本：v1（原文粘贴在表下）

维度            模型A    模型B    模型C
提示遵循度      ＿       ＿       ＿
画面审美        ＿       ＿       ＿
细节质量(手/字) ＿       ＿       ＿
风格倾向        (各写一句话描述)
生成速度        ＿       ＿       ＿
单张成本        ＿       ＿       ＿

4. 写 200 字结论：这个主题下你会选哪个模型，为什么？

进阶路线（可选）：把同一提示词丢给一个开放模型（本地或云端推理平台），感受"默认参数下开放模型 vs 封闭产品"的差距——这个差距正是第 7、8 课要用工作流补回来的空间。

随堂测验

随堂测验0 / 4 题正确

1. 同一个提示词，昨天生成的图今天再也出不来了。从「生成是采样」的原理看，最直接的原因是？

A模型偷偷更新了B提示词太短，信息不足C账号的生成额度影响了画质D每次生成都从不同的随机噪声出发，没固定种子和参数就无法复现

2. 你想把一张已生成的人像图里的红色外套改成蓝色，构图和人物都不能变。最合适的任务形态是？

A图像编辑（inpainting）：框选外套区域，指令只改颜色B文生图：把原提示词里的「红色」改成「蓝色」重新生成C图生图：把原图垫进去，提示词写「蓝色外套」D视觉理解：让模型描述这张图

3. 生成「程序员在办公室工作」的图，十次里九次是男性。这属于哪一层问题，对策是什么？

A提示问题——把提示词写得更长更详细就能解决B训练数据偏见——显式指定被模型默认掉的属性（如「一位女性程序员」）C工作流问题——换一个采样器D模型能力边界——任何模型都画不出女性程序员

4. 「这张图很好看，但作为电商主图它失败了」——这句话背后的评价框架是？

A审美是主观的，无法评价生成图像B模型的审美不够好，应该换更贵的模型C「好看」和「有效」是两个独立维度：模型负责前者，使用者要对后者负责D电商主图不适合用 AI 生成