Почему нейросеть рисует руки с шестью пальцами и текст как клинопись
Помните тот момент, когда нейросеть нарисовала идеальный закат с одинокой фигурой на холме, а потом вы заметили у нее шесть пальцев на одной руке? Или когда попросили написать «ДОБРО ПОЖАЛОВАТЬ» на баннере, а она выдала «Д0БР0 П0ЖЛЛВТЬ» — будто буквы прошли через матрицу и не все выжили?
Нейросеть рисует лицо Да Винчи идеально. Но надпись «СТОП» — как клинопись. Серьезно.
Мы собрали топ вещей, которые ИИ не умеет рисовать принципиально. И разобрались — почему.
Руки — абсолютный чемпион абсурда
Шесть пальцев. Семь пальцев. Пальцы, сросшиеся в «весло». Пальцы разной длины и толщины на одной ладони. ИИ буквально «забывает», что у человека пять пальцев — и лепит сколько получится.
Почему так? Рука — самый сложный объект в природе. 27 костей, десятки мышц, бесконечное количество поз и ракурсов. Когда вы фотографируете руку — она всегда частично заслонена, согнута под странным углом, и каждый раз это новая конфигурация.
Нейросеть не «понимает» анатомию. Она запоминает паттерны пикселей. А руки в этих паттернах — как талантливый музыкант, который никогда не учил ноты, но случайно попадает в мелодию. Иногда.
Текст на вывесках — отдельный кошмар
Вывеска «COFFEE» превращается в «C0FF33». Кириллица вообще становится абракадаброй — буквы сливаются, переворачиваются, один символ из четырех похож на иероглиф.
Проблема фундаментальная: задача генерации текста — это по сути OCR наоборот (нейросеть «забывает» буквы, которые должна была бы распознавать). Нейросеть для картинок не обучена буквам как символам. Она «помнит» форму слова целиком — но если в обучающей выборке это слово встречалось редко, нейросеть просто забывает начертание и рисует «впечатление от слова».
Длинные слова — вообще катастрофа. ИИ запоминает начало, теряет середину, и буквы на выходе — как пароль, который вы вводите в пьяном виде.
Достопримечательности — знакомо, но криво
Эйфелева башня с неправильным количеством ярусов. Статуя Свободы без факела или с кривым лицом. Биг-Бен, где стрелки часов указывают на разное время.
Модель знает «это похоже на Эйфелеву башню» — но она никогда не видела чертежей. Она видела тысячи фотографий с разных ракурсов в разном свете. И генерирует «впечатление» от здания — а не его геометрию.
Это как если бы вы описывали достопримечательность иностранцу по памяти, а он потом рисовал по вашему описанию. Что-то да будет не так.
Логотипы — абстракция, которую ИИ не переваривает
Логотип Apple превращается в яблоко с зубами. McDonald’s теряет одну арку — или обе, или они становятся фиолетовыми. Nike swoosh искривляется до неузнаваемости.
Логотип — это компактный высокоинформативный паттерн. Искажение даже на пиксель ломает узнаваемость. А нейросеть обожает «дорисовывать» детали, которых нет в оригинале. Особенно когда видит известный бренд — и пытается «улучшить».
Бонус: отражения и зеркала
Человек в зеркале смотрит в другую сторону, одет иначе, или вообще другой человек. Это вообще отдельный уровень абсурда.
Отражение — это геометрическая трансформация в трехмерном пространстве. А нейросеть не «видит» это пространство. Она генерирует 2D-картинку — и просто лепит туда «что-то отражающееся».
Почему это не починить просто
Эксперты объясняют: проблема в архитектуре диффузионных моделей. Они обучены на статичных данных, а руки, текст и отражения — это динамические задачи, требующие понимания трехмерного пространства и причинно-следственных связей.
Современные модели стали заметно лучше справляться с текстом. Но все равно косячат на нестандартных шрифтах. Прогресс есть — но «последняя миля» оказалась самой сложной.
Косяки стали изящнее. Но никуда не делись.
Какой косяк ИИ самый нелепый
Шестипалая рука — классика, которую не выбирают только стоковые фото. Надпись «ДОБРО ПОЖАЛОВАТЬ», где буквы слились в абракадабру. Эйфелева башня, где ярусов больше, чем должно быть. Логотип McDonald’s с фиолетовыми арками.
Скидывайте в комментариях свои любимые примеры косяков ИИ! Особенно если попадались в реальных промптах.
