第二种叫做"细节不一致"。以一罐果酱为例，瓶身上印有特定的营养成分表和品牌标识。AI生成的结果中，这些文字和标识变得模糊不清，甚至出现了乱码和变形，完全看不出原始信息。这就像你让AI帮你复印一份合同，结果复印出来的版本里很多字都印错了。

这项由香港理工大学视觉计算实验室与OPPO研究院联合完成的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.16767。感兴趣的读者可以通过这个编号在arXiv平台上找到完整的论文内容。 **你有没有遇到过这样的尴尬时刻？** ...

他们选择了后者，理由很实际：现有的大型图片编辑模型（如Qwen-Image-Edit和FLUX.1 Kontext）已经花费了大量资源训练出了很强的语义理解能力，要让它们具备空间控制能力，最高效的方式是添加一个专门负责空间理解的"插件"，而不是推翻重来。