「在潜空间里漫游」这个说法流传得太广了，广到很多人真以为模型心里有个梦境。潜空间的本质是模型把图像压到低维后的连续表示：猫和狗离得近，狗和狼离得近，你在两点之间插值，中间帧看着也还连贯——就这些。它不是物理空间，也不是梦，是一堆相关性摊平后的坐标系。
还有一点常被忽略：这张地图的结构不是天生的，是训练数据给的。换一批数据，猫和狗的距离就变了。所以「猫+梵高=梵高风格的猫」这种向量加法能成立，不是因为模型理解梵高，是因为数据里这两团东西恰好可以线性地拼一下，拼不动的时候就出鬼图。
你也不是在漫游，你是在发坐标。模型收到坐标，吐出预测。承认这一点不会让出图变难看，反而能让你更清楚为什么某些概念死活组合不到一起。想验证很简单：固定种子，只改 prompt 里一个词，看图往哪个方向挪。