总是 10:10：参考图像打破了仅提示凹痕的偏见

文本到图像模型似乎重现了他们从照片中学到的习惯。模拟时钟是一个极端的例子：在广告中，手表几乎总是显示 10:10，即使请求另一个时间，生成的时钟也会返回到 10:10。我们测量了这种偏差，并在 Magnific 平台上的 52 个模型上测试了克服这种偏差的三种方法，并在 Higgsfield 上进行了复制。每个图像显示三个相同的时钟，必须显示 2:35、6:50 和 11:20。对象的描述是固定的，只有关于时间的请求发生变化：没有时间（A），以数字表示的时间（B），通过相对于表盘数字的结构描述的指针位置（C），或相同的描述加上绘制的参考表盘（D）。两名 AI 阅读器从编码副本中盲读全部 1,799 张图像，第三名阅读器和作者解决分歧（表盘级别一致性 96.0% 和 97.3%）。在没有时间要求的情况下，67% 的图像的所有三个时钟均为 10:10。在 20 个当前型号中，所有三个时钟在包含数字的图像中的正确率为 34%，在用文字描述的指针图像中为 30%，在用文字描述的图像中为 75%。 参考刻度盘（D-B：+37 点，95% CI +28 至 +45）；我们没有发现任何证据表明用文字描述手比用数字描述手（C-B：-4分，CI -10到+1）。两个平台共享的 12 个模型的复制给出了相同的情况（B 54%、C 50%、D 81%）。写入时间可以减少偏差，但 20 个当前模型的三分之二的图像至少有一个错误的时钟；添加绘制参考可将完全准确度提高到四分之三，并且几乎完全消除 10:10 处的图像。我们发布所有图像、提示、原始读数以及重新计算每个结果的脚本。