（来源：科技行者）
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 Sampling（VS）*：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1.32（42.8%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？
Q&A
Q1：Verbalized Sampling是什么？
A：Verbalized 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。
