这条在：GEO 图书馆 · 被呈现：AI 怎么说你、怎么画你
AI 生图为什么把 logo 画歪、把中文字写错？
截至 2026 年 10 月 1 日，母本读到的论文和官方文档里，字写错和 logo 画歪是两件事。
字写错，2022 到 2024 年的几篇论文说是当时生图模型的文本编码器常拿不到单个字符，汉字笔画结构复杂、常用字有几千个，更难；logo 画歪，母本这次查到的官方文档没有一份直接解释原因。这几篇论文只管它们当时研究的模型，哪家工具中文错得少，母本也没找到用同一套中文题横向比过的公开测试。
今年 9 月 22 日，X 上有人发了条帖子：「I use AI for everything, but it's still never nailed a logo for me.」什么都交给 AI 了，logo 却一次也没做对，发帖的人顺手还在帖子里招起了 logo 设计师。底下有个平面设计师回（简介里是这么写的）：AI 做 logo 老实说还挺糙，得有人眼把关。设计师这么说对自己揽活有利，听一半就行。
不过「logo 画歪」和「字写错」其实得分开说。字写错不新鲜，研究界至少从 2022 年 12 月就在写；logo 画歪是另一回事，研究和官方文档给的说法也不一样。
字为什么会写错
OpenAI 自己在 DALL·E 3 的技术报告里写过：模型能按提示在图里出字，但并不可靠，词会少字母，也会多字母。他们怀疑问题出在所用的 T5 文本编码器上：它读到提示里的文字，看到的其实是代表整个词的 token，还得再把它对应成图里的一个个字母。原文用的是「suspect」，是怀疑，没下定论；紧接着的一句，是说以后想试试字符级的语言模型。
Liu 等人 2023 年在 ACL 上发的那篇讲得更细。他们说当时用得最多的语言模型大多是「字符盲」的，靠 BPE 这类分词法，把常见的字母串压成一块一块拆不开的词块，只有少见的串才退回到单个字母。这种编码器靠海量网页倒也能自己学到一些拼写，可在他们的实验里，英语拼写准确率要过 99%，得到 1000 亿参数以上的规模，出了英语就更不稳。论文接着说，当时生图实际用的那种规模的编码器，缺的正是这点拼写知识。当然，他们测的是这些编码器和自己训的生图模型，不是今天的即梦、可灵或 gpt-image。
AnyText 那篇（ICLR 2024）说的是当时的开源扩散模型，一共数了三条：像 LAION-5B 这样的大规模图文数据，图里写的是什么字，缺人工或 OCR 标注；CLIP 那种按词表分词的编码器接触不到单个字符，对单字不够敏感；多数模型的损失函数是为了把整张图的画质做好，文字那一块没有专门监督。
说到这儿，有个流行说法可以改一改。中文网上常见一种解释，说 AI 不是在写字，是在画一些看起来像字的像素。方向不算错，可论文说的是另一层：当时那些模型的文本编码器常常拿不到单个字符，要把整词再对成一串字形，也就更难画准。有意思的是，AnyText 自己的修法，恰恰是先把正确的字渲染成字形图，再拿 PP-OCRv3 的识别模型去读笔画，作者写明文字嵌入「不是一个字一个字学出来的」。也就是说，字形图在这里是用来把字写对的办法。
中文为什么更难
GlyphDraw 那篇预印本 2023 年 5 月写过：汉字是二维结构，由八种基本笔画组成，常用字多达几千个，所以要生成又准又多样的汉字更难，还是个没解决的研究问题。这是那时候的判断。
AnyText 测过的几个模型在中文上是什么水平，它的表能看出来。它从悟空数据里抽了 1000 张图做中文测试，把指定位置的那一行字裁出来做 OCR，跟原文一字不差才算对。同一张表上，ControlNet 是 0.3620，TextDiffuser 是 0.0605，GlyphControl 两档是 0.0327 和 0.0454，AnyText v1.1 是 0.6923。作者写，TextDiffuser 和 GlyphControl 在中文里只能冒出一些拉丁字母、标点和数字。再去翻 TextDiffuser 自己的论文，它的字符表一共 95 个：大小写字母各 26 个、10 个数字、32 个标点，外加一个空格，一个汉字都没有。
就算是 AnyText，按整行一字不差来算也只到六七成。而且这是作者自己的测试集、2024 年的研究模型，不是今天哪个 App 的水平。
到了 2025 年 8 月，阿里 Qwen 团队的 Qwen-Image 技术报告还说，按他们的评测，连 GPT Image 1 和 Seedream 3.0 这样的商用模型，碰上多行文字，或者中文这类非字母文字，也照样吃力。这是在推自家模型时对别家的评价，报告同时说自己的中文进步很大，两边的话都得打个折扣。
logo 为什么会歪
logo 是另一回事。母本这次查到的官方文档，没有一份直接解释它为什么会歪，能找到的只是参考图怎么用、品牌元素能不能保持一致这类说明。我们推断，你没给原图的时候，它手里只有你那一句描述，画出来的是个「像 logo」的图形，并没有打开你电脑里那份矢量文件。
那给了参考图呢？Midjourney 的文档写得很直白：上传的图是拿来当灵感、生成一张新图的，「not to copy them exactly」，不是精确复制；要精确改动，它把人指到编辑器那边。OpenAI 的图像生成文档里也有一条相近的限制：同一个角色或品牌元素，跨多张图的时候偶尔可能保持不了一致。
国内这边，可灵图片 3.0 的使用指南把「保持logo不变生成一个印有logo的马克杯和包装盒」写成了参考图的示例。指南说最多可以用 10 张参考图，还说能「精准锁定」主体轮廓、核心元素和色调。这是它自己的说法，没给成功率，也没说 logo 上的字会不会走样。
logo 里要是带字，那几个字也得过写字这一关。Midjourney 文字页的反例里正好有一条「a logo with the company name Boing」，错在公司名没放进英文双引号，并不是说 logo 一带字就一定会错。
至于 AI 会不会记住某些大品牌的 logo、没点名也画得出来，那又是一件事，我们在《AI 生图为什么会画出别人家的品牌？》里写过。
换哪个工具能好一点
这个问题我们给不出一个名字。我们没找到哪一份公开测试，把即梦、可灵、通义万相、Midjourney、gpt-image 放在同一张表里、用同一套中文题比错字率。能找到的，是各家自己怎么说：
- OpenAI：文字渲染「significantly improved」，明显改进了，但要把字放准、写清楚，仍可能失手。
- Midjourney：6 版以后，把要出现在画面里的词放进英文双引号；标准拉丁字母、短词短句更有机会写对；写不准可以试 Raw、调低 Stylize，小毛病用编辑器修。它没提中文。
- 字节的 Seedream：火山方舟的提示词指南对 Seedream 5.0 lite、4.5、4.0 建议把要生成的文字放进双引号，用来提高准确度，不加引号被列为应该避免的写法，但没说加了就一定对。Seed 团队的博客则说 Seedream 4.0 在文字上「突破了以往生成模型的瓶颈」，还能「一定程度上」处理公式、表格这类复杂排版，博客里写的是它目前已在即梦、豆包、火山方舟上线。
- 可灵：就是上面那个参考图示例，没给成功率。
- 阿里的通义万相：文生图的提示词指南，我们在那一页找「文字」「引号」「logo」，只找到一句说提示词支持中英文，没讲画面里的字。万相视频的提示词指南倒是写明了，画面上的字只会大概渲染出来，具体的词不会精确。不过那说的是视频。
这几家的话其实凑不成一套办法：短词短句、Raw、Stylize 是 Midjourney 一家说的，双引号是它和火山方舟各自说的，参考图是可灵的示例，而 Midjourney 自己说参考图不是精确复制。没有一家承诺一字不差。所以品牌名、电话、日期这种一个字都不能错的地方，我们建议出图以后自己排上去。这只是建议，母本没做过对比实测。
「新模型已经能把中文写对了」？
网上不少文章说某个新模型「终结了中文乱码」，那些文章我们没去核。能核的是厂商自己的说法：Qwen 团队说自家中文进步很大；字节说 Seedream 4.0 突破了文字瓶颈，OpenAI 说文字渲染明显改进，这两家说的是文字整体，没单独提中文。反过来，拿 2023 年研究表里那些接近零的数去说今天的产品，也说不过去，那些是当时的研究模型。
可这些都是卖模型的人在说自家的模型。OpenAI 那句「明显改进」的后半截，就是仍可能失手；Qwen 报告点名吃力的竞品是 GPT Image 1 和 Seedream 3.0，这是他们自己的评测。我们也没找到第三方拿同一套中文题、同一个 OCR 把这几家横着测一遍。所以「现在每家中文都还不行」说不得，「已经没问题了」也说不得。
这些结论别往外推
- 解释字为什么写错的几篇论文，说的是它们研究的那些模型：DALL·E 3 用的 T5，当时开源扩散模型用的 CLIP。DALL·E 3 报告对原因只是怀疑。今天各家产品具体怎么处理文字，母本没看到公开说明，这些论文不能直接套到今天的产品上。
- 0.3620、0.0605、0.6923 这些数，是 AnyText 在自己那 1000 张中文测试图上、按整行一字不差测的，测的是 2023、2024 年的研究模型。这些数不是「每 100 个字错几个」，也不是任何 2026 年产品的成绩。
- 各家文档只管自家产品和写明的版本。Midjourney 说拉丁字母效果最好，没说中文一定不行；万相视频指南那句「具体的词不会精确」只管视频。
- 「一个字都不能错的地方出图后自己排」是母本的建议，没有实测支撑。
- 「没找到横向对比」只是说母本没找到，不代表几家水平一样，也不代表没人测过。
- 开头那条 X 帖子是一个人的经历，发帖人没说用的哪家工具、试了几次、错在字上还是图形上。
核对记录
- Liu 等《Character-Aware Models Improve Visual Text Rendering》，出处包原先把预印本 B 级和 ACL 2023 A 级两说并列。2026 年 10 月 1 日再开 ACL Anthology 会议页核过：收在 ACL 第 61 届年会论文集第 1 卷（长文）里，2023 年 7 月，页 16270–16297，按同行评审论文记 A，出处包已同步。同日重开 arXiv v2，补核了「sizes used in practice for image generation are lacking core spelling knowledge」这句；又核了第 1 节原句，1000 亿参数说的是英语拼写准确率超过 99% 的规模，不是学会拼写的门槛，正文和出处已补上这个限定。
- DALL·E 3 技术报告那条，出处包里的作者、类型和引文错接成了 TextDiffuser 的，A 级也是 TextDiffuser 的。现已在出处包里拆成两条：DALL·E 3 报告是 OpenAI 自家技术报告、没有会议收录，记 B；TextDiffuser 摘要仍记 A。报告 PDF 10 月 1 日取文工具打不开（文件过大），第 5.2 节引文沿用 9 月 30 日逐字读到的版本。
- AnyText 第 1 节和表 2、Midjourney 文字页，10 月 1 日重开核过：LAION-5B、「多数」模型、ControlNet 0.3620、「minor glitches」都是原文。
出处 16 条，A 级 11 条、B 级 4 条、C 级 1 条 · 展开全部
X 用户 @HJindi，2026-09-22：「I use AI for everything, but it's still never nailed a logo for me. What an I doing wrong? Also, in search of a new logo designer.」同帖回复，@Annalance01（简介写 graphic designer）：「AI's still pretty rough for logos honestly, needs a human eye for that.」发帖人没说用的哪一家、试了几次、错在字还是图形。 原文
OpenAI《Improving Image Generation with Better Captions》（DALL·E 3 技术报告）第 5.2 节 Text rendering：「During testing, we have noticed that this capability is unreliable as words are have missing or extra characters. We suspect this may have to do with the T5 text encoder we used: when the model encounters text in a prompt, it actually sees tokens that represent whole words and must map those to letters in an image.」下一句：「In future work, we would like to explore conditioning on character-level language models to help improve this behavior.」原文语法就是「words are have」。只解释 DALL·E 3 用的 T5，没有测中文。 原文
Liu 等《Character-Aware Models Improve Visual Text Rendering》摘要：「popular text-to-image models lack character-level input features, making it much harder to predict a word's visual makeup as a series of glyphs.」收在 ACL 2023 第 1 卷长文，页 16270–16297。 原文
同一论文 arXiv v2 第 2 节：「most widely used language models are character-blind, relying on data-driven subword segmentation algorithms like Byte Pair Encoding (BPE) to induce a vocabulary of subword pieces. While these methods back off to character-level representations for sufficiently rare sequences, they compress common character sequences into unbreakable units by design」；字符盲模型靠网页预训练能「induce robust spelling knowledge (>99% accuracy)」，但「this does not generalize well beyond English, and is only achieved at scales over 100B parameters」，即超过 99% 的英语拼写准确率只在 1000 亿参数以上才做到；又写「character-blind text encoders of the sizes used in practice for image generation are lacking core spelling knowledge」。测的是文本编码器的拼写能力，再迁移到他们自己训的生图模型，不是即梦、可灵或 gpt-image。 原文
Tuo 等《AnyText》（ICLR 2024 Spotlight）arXiv v5 正文。第 1 节说的是开源扩散模型：「Existing datasets for large-scale image diffusion model training, like LAION-5B, lack manual annotations or OCR results for text content」；「the text encoder used in open-source diffusion models, such as the CLIP text encoder, employs a vocabulary-based tokenizer that has no direct access to the characters, resulting in a diminished sensitivity to individual characters」；「most diffusion models' loss functions are designed to enhance the overall image generation quality and lack of dedicated supervision for the text region」。第 3.3 节：「The text embeddings are not learned character by character, but rather utilize a pre-trained visual model, specifically the recognition model of PP-OCRv3.」表 2 中文 Sen. ACC（整行裁出做 OCR，与原文完全一致才算对）：ControlNet 0.3620，TextDiffuser 0.0605，GlyphControl 0.0327（LAION-Glyph-10M）/ 0.0454（TextCaps-5k 微调），AnyText-v1.1 0.6923；中文评测集是从悟空数据抽的 1000 张。第 5.2.1 节：「both TextDiffuser and GlyphControl can only generate some Latin characters, punctuation marks or numbers within a Chinese text.」 原文
Chen 等《TextDiffuser》（NeurIPS 2023）实现细节：「The alphabet comprises 95 characters, including 26 uppercase letters, 26 lowercase letters, 10 digits, 32 punctuation marks, and a space character.」 原文
Ma 等《GlyphDraw》arXiv v2（2023-05-23）：汉字「possess more complex two-dimensional spatial structures comprised of eight different types of basic strokes, as well as the large number of frequently used characters — up to several thousands. As a result, generating accurate and diverse Chinese characters poses a greater difficulty and remains an unresolved research problem.」这是 2023 年 5 月的判断。未核到会议收录。 原文
Qwen Team《Qwen-Image Technical Report》（2025-08-04 提交）：「even state-of-the-art commercial models such as GPT Image 1 (OpenAI, 2025) and Seedream 3.0 (Gao et al., 2025) struggle when faced with tasks requiring multi-line text rendering, non-alphabetic languages rendering (e.g., Chinese), localized text insertions, or seamless integration of text and visual elements.」报告同时宣称自家中文文字进步很大，分数本轮没逐格核。 原文
OpenAI API 文档《Image generation》Limitations：「Text Rendering: Although significantly improved, the model can still struggle with precise text placement and clarity.」「Consistency: While capable of producing consistent imagery, the model may occasionally struggle to maintain visual consistency for recurring characters or brand elements across multiple generations.」该节未标更新日期，没点名中文。 原文
Midjourney 文档《Text Generation》（适用 versions 6 and later）：要出现在画面里的词放进英文双引号，单引号不行；「Text generation works best with the standard Latin alphabet, like English letters. If you stick to shorter words or phrases, you'll have a better chance of getting them to appear just right.」写不准可改用 Raw、降低 Stylize，或用网页版 Editor、Discord 里的 Vary Region 修「minor glitches」。应避免的例子是「a logo with the company name Boing」和「put the text 'Hello' in a frame」，好例子都是加了英文双引号的短英文。没点名中文。 原文
Midjourney 文档《Image Prompts》：「Midjourney looks at your image's core elements, and uses it as a source of inspiration for your new and unique image.」同页：「Midjourney uses Image Prompts and references as inspiration to guide new creations, not to copy them exactly.」要精确修改的，页面指向 Editor。 原文
可灵 AI《可灵图片 3.0 使用指南》：「图片3.0 模型支持最多 10 张参考图 的特征提取， 可精准锁定各图的主体轮廓 、 核心元素与色调基调 。」示例格：「保持logo不变生成一个印有logo的马克杯和包装盒，黑白为主色调」。页面未标发布日期，没有成功率，没写字会不会错。 原文
火山方舟《Seedream 4.0-5.0 提示词指南》（适用 Seedream 5.0 lite、4.5、4.0）：「建议将要生成的 文字内容 放在 双引号 中。」用来提高画面文字的准确度；例子是海报标题写成 “Seedream 4.5”，并把不加引号的写法列为应避免。没写加了引号就能保证写对。页面未标发布日期。 原文
字节跳动 Seed 团队博客：「Seedream 4.0 在文字处理上突破了以往生成模型的瓶颈。它不仅能正确渲染出清晰的文字，还能一定程度上处理公式、表格、化学结构、统计图等复杂排版。」同页：「目前，Seedream 4.0 已正式上线，欢迎通过即梦、豆包、火山方舟等平台直接体验。」没给中文错字率。打开的正文片段没有发布日期。 原文
阿里云百炼《文生图 Prompt 指南》：「prompt ：正向提示词，支持中英文。您需要用一段文字描述所需生成的图片。」在这一页检索「文字、文本、引号、logo」，唯一命中是这句，说的是提示词本身。只对这一页成立。 原文
阿里云 Model Studio《Video generation prompt guide》（万相视频，页面标 Last Updated: Sep 28, 2026）「What not to prompt」表：「Exact text legibility | Text renders approximately — specific words will not be precise」。只管万相文生视频、图生视频。 原文
大家也这样问
- 为什么AI画我们的logo总是歪的？
- 海报上的中文字怎么老写错？
- AI生图换哪个工具能好一点？