Yearly Pay yearly and get 2 months free on every paid plan. See plans
登录 免费开始

当一张图片里有文字

有人附上一张图片——一张带俄语文字的卡片——并用俄语要求生成同一张土耳其语版本的卡片。返回的是两张图片,都被计费,背景不同,上面的字母在任何语言里都不是单词。回复用土耳其语把它们描述为「来自下方链接」。 一次投诉,三个独立故障。任何一个单独出现都不会造成这样的结果。 低成本通道不会拼写 图像工具默认要求「中等」质量,一个没有质量偏好的中等请求会落入路由器按成本排序的分支,最终选中最便宜的活跃图像模型。那个模型是一个扩散模型。扩散模型在图…

有人附上一张图片——一张带俄语文字的卡片——并用俄语要求生成同一张土耳其语版本的卡片。返回的是两张图片,都被计费,背景不同,上面的字母在任何语言里都不是单词。回复用土耳其语把它们描述为「来自下方链接」。

一次投诉,三个独立故障。任何一个单独出现都不会造成这样的结果。

低成本通道不会拼写

图像工具默认要求「中等」质量,一个没有质量偏好的中等请求会落入路由器按成本排序的分支,最终选中最便宜的活跃图像模型。那个模型是一个扩散模型。扩散模型在图像方面非常出色,但在文字方面出了名地差——拉丁字母以外的文字更是雪上加霜。

这对于「森林里的一只狐狸」来说是个不错的默认设置,但对于海报、请柬、菜单或卡片来说很糟糕,因为在这些场景中文字本身就是交付成果。此类请求现在会离开低成本通道。系统会读取提示词,寻找这类迹象——带引号的措辞、全大写的行、项目符号列表、一份针对以文字为主内容的有限词表,涵盖多种字母系统——同时该工具也有一个模型知道时可以显式设置的标志位。否定词会先被剥离,这样「不要文字」就不会误触发。这两个信号中的任何一个都会把调用发送到质量层级。你最终获得哪个图像层级仍由你决定;这只决定哪个模型有资格尝试。

一个看不到图片的模型

第二个故障更糟,因为正是它产生了乱码,而不只是平庸的文字。识别「给我做一张图」和「改一下这张图」的检测器是为英语和土耳其语写的。一句俄语两者都不匹配,因此这一轮从未被标记为需要视觉能力,结果被交给了一个没有视觉能力的文本模型。那个模型带着这句话作为提示词调用了图像工具,凭空绘制了一个它从未看到过的东西。

为两者都添加了俄语模式。更重要的是,为引发这一切的那句话添加了防护:「一样的」「aynısını」「такую же」「像我发的那张」。当一个请求指向已附上的图片时,强行触发一次全新生成不是一个小疏漏。这是错误的,而且会被计费。

工具对自己的描述是错的

第三个故障以最简单的方式令人尴尬。图像工具的描述仍然写着编辑工具「尚未接入」,结果会以链接形式返回。这两点其实早已不再属实。于是模型回避了本该使用的编辑工具,转而把一张内嵌图片描述为一个链接。

描述已被重写——每个工具真正的作用是什么、「同一张卡片换种语言」是一次编辑、结果是一张图片而绝不是链接、模型无法看到它,以及描述应使用用户的语言。现在每个图像结果都带有关于如何谈论它的提示。

这三处修复都由测试固定下来,这些测试逐字重放了最初的对话,包括那些必须继续走低成本通道的临界情况。

分享 LinkedIn X 电子邮件
用你自己的工作试试每条回复都会显示它的费用。从免费方案开始。 免费开始
Get product updates, not noise New models, features, and changelog highlights - a short email when something actually ships.
订阅即表示你同意接收 ToRun 的产品更新邮件。你可以随时退订。 隐私政策