夜雨聆风最近使用比较多的文生图模型，和文生视频模型，以及看短视频的时候，发现一个问题，对于图片中带有中文描述的产物，或者视频里面带有中文的，比如手机，电脑里面的文字。中文的文字字体会发虚，而且很多的中文字是错误的，写得很挤，挤在一起，看起来一眼就是假的。不管是nano banana还是sd 2.0好像都有这种问题。
比如下面的图片，这里的"图"字就看着很别扭：
于是，我就问了下AI，记录一下答案：
一、它在“临摹纹理”，而非“理解语言”
比喻：不懂中文的外国画家在复刻残卷
目前的文生图模型（如 Stable Diffusion）底层是扩散模型。它的逻辑是：从一片噪声中，通过去噪逐渐“抠”出图像。简单说，就是一点一点画出来的，但是不理解文字，可能它知道怎么画字，但是不知道字的意思，也不知道怎么写字。
非逻辑性建模： AI 并不把文字当成符号，而是当成一种“视觉纹理（Texture）”。
只求“神似”： 在 AI 眼里，汉字和一朵云、一簇草没区别。它知道某块区域应该出现一些“方块状的墨迹”，但它不知道这是“银行”还是“行李”。因为它不识字，所以它根本不在乎字与字之间是否需要留白，最终导致笔画粘连，像被雨淋透的春联。
二、“组合式”与“整体式”的错位：中英文难度天差地别
比喻：拼积木 vs 搭榫卯
为什么英文就画得好？这涉及到了核心的编码逻辑。
英文是“线性组合”： 只有 26 个字母，结构极其简单且规范。即便 AI 把 a 画得像个圆圈，你根据前后的单词语境也能瞬间“脑补”成功。这叫高容错率。
中文是“整体式编码”： 汉字是复杂的二维结构，几千个常用字，每个字都是一套严丝合缝的“精密榫卯”。差一撇一捺就完全不可读。AI 这种“走一步看一步”的生成方式，只要一处榫卯没对齐，视觉上瞬间崩塌。
三、“局部优化”导致“全局崩坏”
比喻：走一步看一步的“盲人摸象”
扩散模型不是一笔一画写字的，它是在每一步去噪中优化局部像素的一致性。
缺乏全局约束： AI 在画左边偏旁时觉得挺好，画右边时逻辑断了，于是强行缝合。
结果： 导致你看到的文字局部看起来对，整体全是错。这种“局部合理、全局混乱”的矛盾感，正是中文“一眼假”的元凶。
英文更“标准”： 训练集里的英文大多是标准的 Logo、UI 或海报字体，间距规范，且被明确标注。AI 学习起来像是在看课本。
中文太“多变”： 训练集里的中文涵盖了黑体、宋体、手写草书甚至是变体的艺术字，排版还有横有竖。对于 AI 来说，它学到的是一堆不断变化的、不可捉摸的纹理，很难形成稳定的视觉记忆。
比喻：南辕北辙的“翻译官”
文生图的第一步是文本编码（CLIP/T5）。
理解断层： 英文的 Token 粒度通常很合理（单词或子词）；而中文在切分时，有时候按字，有时候乱切。
视觉对齐失败： “文本理解层”和“图像生成层”之间存在严重错位。当指令传到画笔上时，已经变成了模糊的形状暗示，而非精确的字符指令。
目前，纯扩散模型（Pure Diffusion）已经快触及天花板了。要解决中文“鬼画符”，商业工具通常采用以下“外挂”：
显式建模： 给 AI 植入“字形库”（Glyph-aware）。
两阶段生成： 先画图，再单独用排版引擎“渲染”文字。
文字控制层： 类似 ControlNet，强行给 AI 规定字长在哪里、长什么样。
