「要一个古风的感觉，疏影横斜那种。」这句话丢进 AI 绘画工具，出来的可能是几枝梅花配一行书法，也可能是一片糊掉的水墨色块。同一句中文，不同模型的反应差得很远，差别不在画质，在它怎么读这句话。要看出这点差别，常规的画面描述测不出来，得用中文里那些没有现成视觉模板的词去试。
中文提示词的难点在关系，不在词汇量
模型处理提示词时，先把它切成片段，再把片段和训练时见过的图像特征对上。中文的麻烦在于切分粒度不稳定：一个四字成语可能被切成两块，也可能被整体当成一个词；「穿红衣的女子」里的「红衣」和「女子」是不是绑在一起，取决于它有没有学到这层修饰关系。
词都认识、关系没接上，画面就散了。所以测中文理解，不能只测它认不认识某个词，要测它能不能把词与词之间的关系还原出来。多模态模型把文字和图像映射到同一个向量空间，词向量的远近决定了它们会不会被画到同一处，这也解释了为什么近义词互换有时会大幅改变构图。
四类测试项与各自的失败形态
| 测试项 | 怎么试 | 常见失败 |
|---|---|---|
| 成语与四字词 | 「人山人海」「门可罗雀」「疏影横斜」各出一张，看画的是场景还是字面物件 | 逐字直译：人山人海变成一堆人站在海边 |
| 多主体与修饰 | 一句话里放两个主体、三个属性：穿红衣的女子牵着戴灰帽的男孩 | 属性错配：帽子戴到女子头上，颜色互换 |
| 画面文字与排版 | 要求招牌、对联、书脊上的字，看笔画是否成形 | 汉字糊成笔画团，或写出看着像字的伪汉字 |
| 文化符号与形制 | 指定交领右衽、宋制、窗棂格心，看是否混入日式或西式元素 | 元素混搭，朝代与地域错乱 |
前两项考语义解析，后两项考先验知识：一个考它能不能把句子结构还原，一个考它知不知道汉服长什么样、汉字怎么写。失败原因不同，补救手段也不同，混在一起测只会得到「它中文不行」这种没用的结论。
偏差分三种，改法各不相同
字面化：抽象词被当成具体物件。「人山人海」画成一堆人站在海边，「门可罗雀」画出门口一只鸟。这类偏差说明模型没有对应的抽象概念，手里只有字面组合。
漏修饰：属性绑错了对象。「穿红衣的女子牵着戴灰帽的男孩」，红色跑到男孩身上，帽子戴到女子头上。句子越长、主体越多，错配概率越高。
错组合：元素都在，位置关系乱了。要求「窗内的人望向窗外」，出来的是两个人在窗两边各看各的。
判断是理解问题还是采样波动，有个简单办法：同一提示词连跑四张。错误每次出现在同一个位置，是理解问题；四张错得各不相同，是随机性，换种子就行。
抽象词换成可画的具体物
发现偏差后，第一反应常是加词，加「高清」「精致」「大师作品」。这类词只影响质感，不解决语义。有效的改法是换结构：把抽象词拆成能画出来的具体物，把修饰关系写成短句，一个主体一句，主体和背景分开说。
「古风」换成「宋代文人画，绢本设色，淡墨，画面留白占三分之一」；「氛围感」换成「逆光，空气里有浮尘，远处虚焦」。改完再对比一次，画面跟着变了，说明之前是描述的问题；怎么改都不动，那是模型没有这个概念。
什么题材值得为这一项花时间
做产品图、人像、通用风景，中文理解的差别影响不大，这些题材的视觉模板在各家训练数据里都很充足。做国风、文化类、需要画面内文字的内容，这一项权重很高，值得专门花半天测。
一句话就能判断：你的图里有没有必须准确的语义细节。有——服饰形制、器物年代、招牌上的字——就认真测；没有，就把时间花在构图上。
参考图和局部重绘能补一部分
首帧参考、风格参考、局部重绘能救回外观，救不回语义。参考图解决的是「长什么样」，不解决「这句话什么意思」。顺序应该是先用纯文字测理解，再用参考图锁外观；反过来做，你会以为是模型不行，其实是你没给它文字上的机会。
画面里的文字是另一条独立的能力线，多数模型在这条线上都很弱，写得对是例外。需要准确文字时，现实做法是留白后期加，而不是反复抽卡。
速查：中文理解怎么测
- 用成语、多主体、画面文字、文化形制四类题，别用「一只猫在桌上」
- 同一提示词跑四张，错误重复出现才算理解问题
- 偏差分字面化、漏修饰、错组合三类，对应不同改法
- 改结构不改形容词，把抽象词换成可画的实物
- 画面文字另算一条能力线，别指望抽卡抽准
