AI 画的手指为什么总多一根?56 维评测,这项它只得 20.9 分

我在多个略带调侃的讨论群里面，看到越来越多的 AI 生成的六指图片之后，就不禁对这个问题产生了深深的好奇。我一直想找机会搞明白这背后的原因究竟是什么。

毕竟真实世界的数据集里面，六指的比例还是很少的，上次印象深刻的还是 90 年代林青霞主演的老电影六指琴魔。

甚至于早期AI生成的那些图里，手指数量三根、四根、六根、七根都出现过，就是很少见到正好五根。模型能把光影、材质、皮肤纹理都画对，偏偏栽在「数」上。

为什么它连「人一只手五根手指」这种常识都学不会？

画错的那只手，损失更低

我一开始一直以为是他没有从训练人员给他提供的数据里面学会，人类正常只有 5 根手指头这件事，后来仔细一想才发现，它的训练目标里面，就没有一般人认为的常识这两个字，一切还得回到数学上来。

生成模型的训练目标，说到底就是逐像素比差距：把加噪的图还原回原图，每个像素差多少就罚多少，这套算法叫均方误差。

而均方误差的最优解只有一个，叫条件均值。

翻译一下：当模型不确定该画哪一只手指时，它不会挑一个，而是把所有可能答案平均一遍。

我把这件事做成了一个能看的小实验。同一只手，两种都合理的手指布局，第二种整体右移半个指距（10.56 个像素），各占一半。用均方误差训练一个小模型，再看它在「一半一半」的地方输出什么。

结果它输出的就是两者的平均，与解析平均的差异只有 0.0005。在这个平均解上数手指状条纹，数出 9 条——正常手是 5 条，多出来的 4 条是鬼影。

更关键的是损失：这个平均解的损失，只有「永远画其中一只」的一半（50.0%）。

换句话说，画错的那只手，在损失函数里更划算。所以模型不是学不会数手指，它压根没在数。多出来的手指，是平均出来的“鬼影”。

一根指缝的预算

我之前还只是认为，分辨率仅仅会影响到细节是否足够清晰，真没有想到，它甚至可以决定细节上的第六根指头是否会单独被画出来。

第二笔账是像素预算。手要画对，先得让指缝活到模型能看见它的那一刻。

W 是图宽， 是手占画面的比例， 是指缝占手宽的比例， 是 VAE 的压缩倍数——生成模型不会逐像素作画，它先把图压进一个很小的 latent 空间，画完再解码回像素。

代进数字：512 分辨率、手占画面 25%、指缝占手宽 3.5%、压缩 8 倍，指缝在 latent 里只剩 0.56 个像素。

我在合成的「手」上量了这件事（用块平均加双线性上采样模拟压缩与解码）。指缝在 latent 里不足 0.3 个像素时，重建后的指缝深度只剩 0% 到 2%，100% 的样本缝被填平。

0.54 个像素时深度是 36% 到 41%，92% 的样本被填平。要涨到 1.1 个像素，缝才保住 67% 到 73%。

2026 年的最新情况也在这里。

注意到分辨率从 512 涨到 2048，翻了 4 倍；VAE 压缩从 8 倍提到 16 倍，砍掉一半，净效果是手部的 latent 像素也翻了一倍。

特写里手占画面 25%，指缝有 1.12 个 latent 像素，缝还在。但远景、合影里手只占 12%，指缝只剩 0.54 个像素，92% 的样本缝被填平。六指在特写里少了，在远景里还在。

一打分就现原形

那 2026 年的模型到底怎么样了？

今年 5 月，阿里的 Qwen 团队放出一份面向创作者的生图评测 Qwen-Image-Bench：1000 条提示词、23 个二级能力、56 个可核查维度，由专业标注员训练的打分模型逐项打分。

结果里最扎眼的是，56 个维度里最低的一项叫解剖保真度——最好的模型也只有 20.9 分（满分 100）。

同批崩塌的还有物理逻辑 31.9、物体 41.9、动物 42.6、接触交互 43.3。而总分第一的 GPT Image 2（OpenAI 的生图模型）是 64.7。

论文自己给的结论是：模型擅长复制表面的纹理，却在需要结构、生物、物理这些看不见的内隐知识的地方集体崩塌。

更能说明问题的是厂商自己。

Qwen-Image-2.1（阿里 9 月 20 日刚开源的生图模型）、Seedream 5.0（字节）、GPT-Image 2.5（OpenAI 9 月 8 日发布）是 2026 年三家旗舰，官方能力清单里没有一家强调可以画好「手」。

手部专项评测 HandEval 到 2025 年 10 月才出现，且只覆盖了 10 个 2025 年的模型。至今没有任何一手评测，给过 2026 年旗舰的手部准确率。

经过很多新闻媒体的屡次三番嘲弄，我本来以为做图像生成的模型厂商从正面解决了这个问题。

但是这组数字让我意识到，其实还没有人正儿八经的把它加入到打分体系里面去，也许是这样违背常识的地方太多了点，导致没法加？还是说这个问题本身就没那么容易解决？

行业的答案：给手单独修、单独评

既然通用模型没解决，行业的做法是把手拆出来单独处理。

HandRefiner（2023 年 11 月）是一个专门修手的模型。它把手部区域的 FID 从 158.34 压到 147.52，检测置信度从 0.934 提到 0.944。FID 衡量的是生成图和真实图的分布差距，越低越好。

100 张修补图里 97 张拓扑正确——拓扑对，意思是手指该连的连、该分的分，根数不再错乱。

用户调研里，70/100 更偏好修补版。论文里点题的一句是：没经过手部数据微调的模型，生成的手会多出手指。

RHanDS（2024 年 4 月）走得更远：手部区域的 FID 从 33.84 降到 22.18，关节位置误差从 12.02 降到 9.86，单次修手大约 3 秒、4 GB 显存。

HandEval（2025 年 10 月）则是第一个专门给手打分的评测。

它用了 24,066 对样本，六类缺陷里第二类就是结构冗余，也就是多指。有意思的是，它构造坏样本的办法，是用 HandRefiner 反向退化。

所以答案很清楚：不是通用模型学会了画手，而是行业把「手」拆成了一个专门的子问题，单独修、单独评。

写在最后

下次看到 AI 生成的不符合生活常识的图片，先不要急着用人类的朴素直觉来指责。

因为它根本就不是靠人类的理解来生成图片的。

一句话总结：AI 画错手指，不是它不会数数。训练目标在算平均，像素预算又不够，而它到今天还没被认真打过分。

你最近一次生成的人像，手部出的是什么错？有没有感觉这方面视觉模型有进步了？

觉得这篇把「六指」这笔账算清楚了，点个赞 👍、收藏 ⭐ 备用。关注「数解AI」，AI 的原理慢慢拆解。