知识卡片：同样的布局，不同的数量：文本到图像模型中十以上的数词起什么作用

一句话结论

在五个开源文本到图像模型中，数词对“小群体”计数有效，但超过约十个后多数模型不再稳定遵循；以 SD3.5-Medium 为例，在同一初始噪声下把“十二个”改成“二十五个”，画面布局不变，数量变化幅度与换随机种子相当且无一致方向。

事件概述或研究问题

论文研究问题：当请求物体数量超过约十个时，数词在文本到图像模型中究竟起什么作用。作者在五个开源模型上做受控实验：固定物体与初始噪声，一次只改一个变量；由未看到请求文本的标注者清点 3,088 张图像中的物体数量。

方法/产品要点

• 受控变量：固定物体与起始噪声，单独改变数词或噪声成分。
• 人类计数评估：标注者不知道提示词，对 3,088 张图计数。
• “reach（有效范围）”概念：模型能遵循数词的上限。SD3.5-M 与 FLUX.1-dev 在刚过十后即停止遵循；FLUX.2 [klein] 与 Qwen-Image 可 loosely 跟到二十五（原文为五个模型，其余模型细节待核实）。
• 噪声分层干预：在 SD3.5-M 的 reach 之外，粗粒度起始噪声固定画面构图但不决定物体数量；仅重绘比八分之一图像更细的噪声，既保持布局，又能把数量移动约三分之二的程度。
• 数词通路检查：数词仍能进入去噪器并在最初几步起作用，但作者尝试的方法均未给出明确方向性。
• 替代呈现方式：把数量以带噪网格形式放入起始 latent 时，人类在 59% 图像中找到该数量；仅用文本告知时为 4%。
• 评估指标分析：超过十后，exact-match 分数几乎无法区分“松散遵循”与“完全忽略”的模型；relative-error 分数甚至可能偏好常数猜测十六。作者提出“同噪声测试”（每个物体少量请求）来区分二者。

主要结果或产业意义

• 计数能力存在明显的“有效范围”上限，且不同模型差异较大（SD3.5-M/FLUX.1-dev 约十，FLUX.2 [klein]/Qwen-Image 可到二十五但仅为松散遵循）。
• 超过有效范围后，数量主要由起始噪声的细粒度成分而非数词决定；数词信号虽进入网络早期步骤，但缺乏清晰方向。
• 常用计数评估指标在大数量区间区分力不足，可能误判模型能力；同噪声测试是更有效的诊断手段。
• 产业意义：依赖文本精确控制大数量（如批量产品图、 crowd 场景）的应用需谨慎；可通过在起始 latent 中显式编码数量结构提升可控性（原文仅报告人类可读性提升，生成质量影响待核实）。

为什么重要

• 揭示了文本到图像模型在“数量”这一基础属性上的系统性短板，且短板出现在并不极端的数量级（刚过十）。
• 对评估方法提出警告：常用 exact-match / relative-error 指标在大数量区间可能给出误导性结论。
• 为“文本控制 vs 噪声控制”的机制分析提供了可复用的受控实验范式（固定噪声、单变量、人类计数）。
• 与既有卡片的关系：不同于关注身份一致性或稠密预测的工作，本卡片聚焦数词在生成早期的作用边界与评估陷阱，属于基础模型可控性脉络下的增量发现。

局限与不确定性

• 原文摘要仅明确提及 SD3.5-M、FLUX.1-dev、FLUX.2 [klein]、Qwen-Image 四个模型名，第五个模型名称待核实。
• “reach”的具体测量方式与阈值定义待核实。
• 数词“进入去噪器并作用于最初几步”的验证方法（如注意力/激活分析）细节待核实。
• 替代呈现方式（带噪网格）对图像质量与多样性的影响待核实。
• 同噪声测试的具体统计设计待核实。

可用于图书/PPT/简报的角度

• “十以上的数量，模型其实在掷骰子”：用同噪声对照实验直观展示数词失效。
• “评估指标的盲区”：exact-match 与 relative-error 在大数量区间为何失灵，以及同噪声测试的补救。
• “文本控制 vs 噪声控制”：起始噪声的粗细分层如何分别决定构图与数量。
• “把数量画进 latent”：59% vs 4% 的对比可作为“结构化条件注入”的案例。

原始材料

• 标题：Same Layout, Different Count: What Number Words Do Past Ten in Text-to-Image Models
• 作者：Liang Yue, Eric A. Vance
• arXiv ID：2611.06840v1
• 发布/更新：2026-11-04T17:57:53Z
• 主分类：cs.CV；交叉分类：cs.LG
• Abstract URL：https://arxiv.org/abs/2611.06840v1
• PDF URL：https://arxiv.org/pdf/2611.06840v1
• 关键词：text-to-image；counting；number words；starting noise；denoiser；evaluation metrics