看到上交大他们联合抛的这个问题，挺想聊两句。AI生图现在画面质量是真上去了，但它是不是真明白因果关系，还是纯粹在概率上把常见的搭配拼出来，这两回事。
比如你让它画一杯打翻的水，桌上该有的水渍、湿掉的纸、滚落的杯子，这一串前因后果它能不能自洽地全带上，还是只画个漂亮的杯子倒在那就完事。我平时用下来的感觉是，越是需要多步推理的场景越容易露馅，单帧好看不代表它理解发生了什么。
这个问题往深了想其实关系到模型能不能用在更严肃的地方。你们觉得现在的生图模型是真有因果概念，还是背下来的相关性？
相关性居多吧，反事实一测就崩，让它画不合常理的组合基本抓瞎
训练数据里没见过的因果链它就编，本质还是补全
镜子倒影和影子方向这种物理约束经常错，说明没真懂
求教程
倒影那个我专门测过，让它画镜子里反着的字基本没成过，纯拼常见搭配。