同一段描述,上午能出下午就崩:生成的稳定性从哪来
上午用一段描述出了很满意的一条,下午原封不动再跑一次,结果完全不是一个东西:构图散了,人物表情变了,镜头运动也不对。这时很容易怀疑服务在变差,或者自己在记忆里美化了过去的结果。
生成模型不是确定性程序,同样的输入本来就不保证同样的输出。理解随机性从哪来、哪些变量其实一直在变、以及怎么把它控制到可用范围,比反复重试更有意义。
生成的本质是抽样
模型输出的不是“唯一正确答案”,而是按概率逐段选择的结果。每一步都有多个合理候选,选哪一个取决于采样策略。
这就意味着一件事:同一段描述,本质上对应的是一个结果分布,而不是一张固定的图。你能做的是提高落在这个分布“好的一侧”的概率,而不是命令它每次都给出同一个结果。
理解这一点之后,“上午能出下午崩”就不再奇怪——它不是故障,是分布本身的宽度。
一直在变,但你不知道的三个变量
多数人以为只有描述是变量,实际上至少有三处在悄悄变化。
第一是随机种子。种子决定抽样路径,不固定种子,每次跑都是新的随机序列。这是最直接影响结果的因素,也是最容易被忽略的。
第二是服务端的模型版本。同一个接口背后可能已经换了更新的模型,或调整了默认参数。这种变化不会通知,但会改变输出的整体倾向。
第三是描述本身的歧义度。描述越含糊,分布越宽,结果波动越大;描述越具体,分布越窄,可复现性越强。
描述越短,波动越大
这是经验规律:短描述给出的是方向,长描述给出的是约束。
一句“一个人在办公室工作”,模型可以自由决定光线、机位、人物姿势、桌面物品、时间感,结果自然千差万别。加上“靠窗、午后侧光、中景、人物侧脸、桌面只有一台笔记本”,可选项急剧减少,波动随之收敛。
所以当结果不稳定时,第一步不是重试,是回看描述里有多少处可以自由发挥。通常会发现,不稳定正是自己留下的空白造成的。
固定变量的正确做法
控制波动的方法不复杂,关键在于一次只固定一个变量。
种子固定之后,先看描述改动带来的差异;描述定型之后,再考虑参数微调。多变量同时变化,会让你无法判断是哪一个在起作用。
批量生成时,用同一段描述配不同种子,跑十条以上再挑。这个方法的有效性远高于反复修改描述——因为你要找的是“这段描述最好能到什么程度”,而不是“这次运气好不好”。
记录同样重要。每次满意的结果,把描述、种子、时间、参数一起存下来。没有记录的复现,只能靠记忆,而记忆是不可靠的。
换版本之后要不要重做
服务端模型更新后,原有描述的表现通常会变,方向不定:可能更好,也可能在某个细节上退化。
应对方式是维护一个小型回归集。挑十到二十条过去稳定可用的描述,固定种子,定期跑一遍,看输出是否仍符合预期。一旦发现退化,就能及时定位到是哪类描述受影响,而不是等到项目中途才发现。
这个做法成本不高,但能避免一种很被动的情况:交付前一天,发现一直好用的那套描述突然不灵了。
把稳定性变成流程
稳定性不是靠运气堆出来的,而是靠几个固定动作累积起来的。
描述写到能约束住主要变量,不留给模型太多自由;种子与参数随结果一起归档;批量取样代替单次碰运气;换版本前后做一次对照。
做到这几件事之后,你会发现“上午能出下午崩”的频率明显下降。剩下的波动属于模型本身的特性,接受它,用筛选来消化,而不是试图彻底消除。
| 现象 | 真正的原因 | 应对动作 |
|---|---|---|
| 同一描述结果差异大 | 种子未固定 | 固定种子后再比较 |
| 某天开始整体变差 | 模型版本更新 | 建立回归集对照 |
| 怎么改都忽好忽坏 | 描述歧义太多 | 补足机位与光线约束 |
| 好的结果找不回来 | 未记录参数 | 满意即归档 |