你有没有遇到过这样的情况让AI帮你设计一个网页它给了你一个还不错的方案你想要点不一样的于是又问了一遍结果……还是差不多的东西。换了个说法再问一次依然大同小异。这不是你的错觉。现在市面上那些氛围设计工具Lovable、v0、Bolt、Replit Agent还有Figma Make、Google的Stitch本质上都在做同一件事你说一句话它给你生成一个网页。这套流程用起来确实爽问题是它有个隐藏的毛病就是太老实了。老实到什么程度呢谷歌的研究团队做了个实验让AI针对同一个设计需求连续生成五次结果83个测试提示里几乎每一个都只返回了同一种设计风格。研究报告里的说法是五次重复生成的选项覆盖率平均只有1.00也就是说,五次里挑出来的其实都是同一个东西。这就是这篇论文要解决的问题。研究团队给这套AI设计流程加装了一个创意分叉口逼着它在下笔之前先想几个不同的方向再挑一个来做。听起来简单做起来却牵扯到一堆微妙的权衡。先搞懂为什么不能简单地调高温度就完事如果你稍微了解一点AI生成的原理可能会想这还不简单把生成时的温度参数调高不就行了温度*AI生成文本或代码时的一个参数数值越高模型的选择就越随机输出也越多样数值越低模型就越倾向于给出最标准答案式的、最常见的结果。这个直觉是对的但用在这里是个坑。问题出在温度这个旋钮管得太宽了。它一旦调高不仅会让配色、字体这些审美决策变得更有想象力同时也会让代码里那些必须精确无误的部分开始发挥。CSS属性名可能拼错HTML标签可能不闭合JavaScript语法可能出问题。这就好比你在厨房里想让厨师多点创意于是把整个厨房的温度调高了十度。结果是厨师确实开始在调味上大胆尝试可与此同时烤箱也跟着变热了本来该在180度精准控温的面包胚现在也跟着乱来直接烤糊了。你要的是厨师的想象力升温不是烤箱的物理温度升温可这两件事被绑在了同一个旋钮上没法分开调。设计的创意部分和代码的精确部分对随机性的需求是完全相反的。一个想要天马行空一个想要一丝不苟。用同一个参数去伺候两种截然相反的诉求本身就是错位的。研究团队的解法是把这两件事彻底拆开先让AI在一个安全沙盒里头脑风暴把设计方向想清楚敲定下来再把这个已经确定的方向连同原始需求一起交给负责写代码的那部分而这部分从头到尾都用固定的、保守的设置去执行。创意的发散和实现的严谨被物理隔离开了。四步走的流水线从一个人闭门造车到先摆几个方案再拍板这套架构说白了就是四个步骤。第一步接需求。用户说我要个奢侈时尚精品店网站这句话被原样保留下来作为整个流程的锚点。第二步头脑风暴。这一步不是直接开始设计而是先让AI列出几个不同的设计方向每个方向都带着具体的属性比如主色调、字体、圆角大小还要给每个方向打一个典型度分数。这里用到了一个叫Verbalized Sampling口头化采样的技术。Verbalized SamplingVS*一种推理时的技巧不是让AI直接吐出一个答案而是让它先列出几个有代表性的候选答案并给每个候选打一个类似概率的分数用来说明这个答案有多典型或多少见。这个方法最早是为了对抗AI训练后普遍存在的一个毛病模型经过人类反馈强化学习之后容易变得保守老是回到最常见、最政治正确的答案上去冷门但可能更有意思的答案反而被压制了。论文里给这三个候选方向起了名字一个叫安全牌走保守路线一个叫高级款追求精致感一个叫实验款故意往少见的方向走。研究者特别强调这三个标签只是用来引导AI生成候选时的思路不是什么质量或风险的客观评级。第三步选择。这一步交给一个独立的选择器来做它会看AI打出来的那些典型度分数用一个叫温度的参数注意这是候选层面的温度跟前面说的token级温度完全是两码事去调整每个候选被选中的概率。论文给出了一个公式本质上是把每个候选的原始分数做一次指数变换再归一化。当这个温度参数等于1时选择完全按照AI自己给出的典型度分数走。温度调低热门方案被选中的概率进一步拉高温度调高那些典型度低、AI觉得比较冒险的方案也有更大机会被抽中。这里有个容易被忽略但很重要的细节温度只能在AI已经提出的几个候选之间调整概率分布它没法凭空变出一个候选没提过的新方向。如果AI压根没想到某种设计风格调温度也救不了。第四步生成。选中的方案连同原始需求一起交给下游的代码生成器这部分的解码设置全程保持固定不随温度变化。这套流程的关键洞察是把选哪个方向这件本该有创意空间的事从怎么写出这个方向对应的代码这件必须精确的事里彻底剥离出来。就像一个餐厅的运营模式主厨可以在后厨自由地琢磨今晚出几道创意菜的方案把几个想法列出来老板拍板选一道可一旦定下来负责摆盘、装盘、上菜的服务流程必须严格按标准操作走不能因为菜品有创意上菜的规矩也跟着乱套。如果不做这个拆分你要么让整个餐厅乱成一锅粥要么干脆取消主厨的自由发挥两头都不讨好。这套架构被分别用在了两个地方一个是界面主题配色、字体、圆角这类整体风格决策一个是视觉素材提示词决定页面里配图长什么样的文字描述。这两处的实验是分开做的互不干扰这样才能看清楚到底是哪个环节在起作用。实测多样性确实上去了但AI评委的偏好却不总是买账研究团队做了一套相当扎实的测试。他们准备了168个设计需求提示分成两组一组是标准UI测试集83个比较开放、没有太多限制的需求比如做个落地页另一组是复杂UI测试集85个带着具体布局、风格、功能约束的需求。每个提示在手机端和桌面端各测一遍每种设置重复跑五次最后每个温度值下能收集到1255组配对比较。主题采样的效果相当直观。原本83个提示里五次重复生成平均只能看到1.00种设计方案几乎是每次都一样。加入候选采样机制之后这个数字涨到了2.10到2.94之间。当候选温度调到1.5以上时所有83个提示都至少能看到两种以上不同的方案。截图相似度这个指标也印证了这一点。用来衡量这五次生成的界面长得有多像数值越低说明差异越大。基线情况下这个值是0.6765随着候选温度从0.5升到2.0相似度一路降到0.5438。不过这套系统里还有一个AI评委角色用来给两个方案打分判断哪个更好。AutoRater*论文里对自研的多维度LLM评估器的内部称呼专门用来做两两配对的界面质量对比打分。这个评委的判断就没有那么听话了。在主题采样这边温度调到2.0时表现最好候选方案对基线方案的胜率是38.8%对35.3%赢率比1.10。可温度继续往上调到5.0尽管截图相似度几乎没有变化评委的偏好却反转了候选方案反而输给了基线。这说明一个很反直觉的事视觉上看起来更不一样不代表AI评委觉得更好。多样性和质量是两条不完全重合的曲线。视觉素材这边的故事更有意思。同样是温度扫描素材提示词的温度调到1.0时表现最佳胜率比达到1.3242.8%对32.3%但整体截图相似度的变化却小得多只从0.6765挪到0.6616。也就是说主题采样动的是面子色调、字体、布局全变了画面差异肉眼可见而素材采样动的更像是里子只是把某张配图从燕麦碗特写换成燕麦碗侧光艺术照整体页面结构几乎没变但AI评委却能敏锐地察觉到这种细微差别带来的质感提升。这就像同一件衬衫一种改法是把整件衣服的版型和颜色全换了谁都能一眼看出不一样另一种改法是只把扣子从塑料换成贝壳材质衣服整体轮廓没变可上身之后那种质感的差异懂行的人一摸就知道。如果只盯着整体截图相似度这个粗粒度指标你可能完全捕捉不到扣子换材质带来的体验提升这也是为什么论文强调衡量创意探索的效果不能只靠一种指标。更让人意外的是不同的提示集合最佳温度设置完全不一样。标准测试集里主题的最佳温度是2.0素材的最佳温度是1.0换到复杂测试集素材的最佳温度又变成了1.5。这说明哪个温度最好这件事没有一个放之四海皆准的答案它跟着具体的设计任务在变。真实用户会怎么反应30万条任务给出的答案光在实验室里跑测试还不够研究团队把这套机制真的上线了在一个商用设计助手产品里做了一次大规模的A/B测试对照组和实验组加起来覆盖了超过30万个真实用户创建的任务生成了超过50万张界面截图。先看好消息。用户主动点踩的负面反馈事件从73次降到了50次相对下降31.5%置信区间是负62%到负1%这个区间不包含0说明这个下降是站得住脚的。正面反馈和负面反馈的比例也从大约3.8比1改善到了5.7比1。同时被系统标记为用户在纠正AI输出的对话比例从38.8%涨到了41.6%相对上升7.08%。这个数字乍一看有点矛盾负面反馈变少了怎么用户纠正AI的次数反而变多了论文给出的解读是这更可能说明用户在更积极地引导设计方向而不是单纯在抱怨设计不好。换句话说当系统给出了更多元的选项之后用户不再是默默接受一个平庸的结果而是更愿意花力气去调整、去打磨去把这个方案往自己想要的方向再推一把。这种更多互动未必是坏事但论文也很诚实地承认光凭这一个聚合指标没法判断用户纠正的具体原因是审美不合口味还是功能没满足需求还是别的什么摩擦点。不那么好的消息是这套机制是有代价的。任务在30秒内完成的比例从28.2%降到27.5%60秒内完成的比例相对下降了3.47%置信区间负5.83%到负1.11%同样不包含0是个可信的下降。任务成功率也从97.95%微降到97.80%相对下降0.15%。这些数字虽然幅度都不大但方向是一致的多了一步先想几个方案再选的流程系统整体运行就是会慢一点出错概率也会略微增加一点点。天下没有免费的午餐创意探索这件事本身就要占用额外的计算和时间成本。至于大家最关心的代码导出量有没有涨答案是涨了但涨得不够确定。每张生成截图对应的代码导出率从1.06%涨到1.15%相对涨幅8.23%但置信区间是负13.03%到正29.48%这个区间横跨了0意味着从统计上讲我们还不能拍着胸脯说这个涨幅是真实存在的也可能只是噪声。Figma导出的情况类似同样没能得出确定结论。论文对这一点的态度相当克制,没有夸大这个还不确定的正向信号而是老老实实地把区间数字摆出来让读者自己判断。这种诚实,在AI论文里其实并不常见。一个真实案例同一个需求五次生成到底能有多不一样论文里还放了一个具体的案例很直观地展示了这套机制在实际运作中长什么样。需求是做一个饮食规划仪表盘。在没有候选采样的基线情况下五次生成呈现出高度的一致性主色调几乎全是同一种深绿色#2D6A4F出现在80%的结果里标题字体清一色用Plus Jakarta圆角样式也完全统一。菜品配图也大多是常见的俯拍构图牛油果吐司、藜麦沙拉、烤三文鱼翻来覆去就那几样。加入候选采样之后五次生成里主色调五次全都不一样字体出现了三种不同的搭配组合圆角风格也有三种变化。更有意思的是五次里有三次系统主动选择了典型度分数低于0.4的那个相对冷门的方向也就是说超过一半的生成系统都愿意往更不寻常的方向探索一把。配图的提示词变化也很典型。基线情况下早餐配图的描述大概是一份隔夜燕麦配蓝莓、香蕉片、奇亚籽柔和的侧光这是一个很标准、很讨喜的描述。而在候选采样的高级款方向下同样是隔夜燕麦描述变成了编辑级摄影质感的分层隔夜燕麦摆在浅橡木台面上透过玻璃罐能清晰看到分层斑驳的阳光浅景深。同一道菜一个是家常快拍一个是杂志大片这中间的差距恰恰就是典型和精致这两种方向被显式地摆出来、分别打分、然后由系统去选择的结果。这个案例也提醒我们一件事这只是一个提示词的观察样本不是大规模统计证据。论文自己也特别说明了这一点五次生成、一个案例说明不了普遍规律只能作为一个直观的示范帮读者理解这套机制到底在做什么。这套方法目前还留着的空白论文在最后花了不少篇幅坦诚地列出了这项研究还没解决的问题这种自我审视的态度值得单独说一说。研究团队承认他们测试的是候选采样温度选择这套组合拳的整体效果还没有拆开验证到底是典型度打分这个机制本身在起作用还是仅仅多想几个候选这件事本身就够了。换句话说如果只是简单地让AI列出三个候选、不打分、随机选一个效果会不会也差不多这个对照实验还没做。另外AI评委本身也存在已知的偏见比如倾向于喜欢更啰嗦的回答或者对自己熟悉的表达方式有偏好。论文里也提到了Human Creativity Benchmark这项研究的观点。Human Creativity Benchmark*一项探讨如何评估AI生成创意内容质量的研究核心发现是专业设计师在是否符合需求是否可用技术结构是否合理这些方面容易达成共识但在好不好看审美方向对不对这类主观判断上专业人士之间的分歧其实相当大。这意味着光靠一个AI评委的打分永远替代不了真正找专业设计师做盲测评审。这篇论文的所有结论本质上都还停留在用AI衡量AI的阶段离人类真的觉得更好这个终极问题还差着一段距离。写在后面读完这篇论文最让我意外的其实不是那套四步流水线的设计这个思路说复杂也不算特别复杂,把创意决策和精确执行拆开这是很多领域早就懂的道理。真正让我停下来想了很久的是那个截图相似度降了但AI评委的偏好却反转了的实验结果。温度从2.0调到5.0画面上的差异几乎没变化可评委的态度却从喜欢变成了不喜欢。这说明多样性这个东西一旦过了某个临界点继续增加下去带来的可能不是更多的惊喜而是某种失控感,方案开始显得杂乱、不连贯甚至有点乱来。这跟我们对创意这件事的日常直觉其实是吻合的适度的意外让人眼前一亮过度的意外让人觉得不知所云。但这篇论文的价值在于它把这个模糊的直觉变成了一条可以测量、可以画出来的曲线而且这条曲线不是单调上升的它有一个拐点。找到这个拐点可能比要不要引入多样性这个问题本身还要难。还有一个细节我很喜欢就是论文把代码导出量提升8.23%这个看起来挺不错的数字老老实实地标注成置信区间包含0结论不确定。在一个人人都想讲好故事的领域里愿意把一个正向但不确定的数据摆在桌面上、不美化它这种诚实本身就是一种态度。如果这套机制真的大规模铺开未来AI设计工具给你的可能不再是一个方案而是三个、五个并排摆在你面前让你自己去挑。那个时候设计品味这件事会不会从少数专业人士的专长变成每个普通用户在滑动挑选时都要练习的一种能力QAQ1Verbalized Sampling是什么AVerbalized Sampling口头化采样是一种让AI在给出最终答案前先列出几个有代表性的候选方向并给每个方向打一个典型度分数的推理时技巧用来对抗AI训练后容易只给出最常见、最保守答案的问题。Q2为什么不能直接调高AI生成时的温度参数来增加设计多样性A因为温度参数会同时影响设计层面的审美决策和代码层面的语法准确性调高温度虽然能让配色字体更有创意但也会让代码出现语法错误的概率上升把创意探索和代码稳定性绑在同一个参数上是不合理的。Q3加入候选设计采样后AI设计工具的效果具体提升了多少A以主题设计为例五次重复生成的方案多样性从平均1种提升到最高2.94种线上30万条真实任务测试中用户负面反馈下降了31.5%但任务完成速度和成功率有小幅下降代码导出量的提升在统计上还不够确定。
