你有沒有遇到過這樣的情況：讓AI幫你設計一個網頁，它給了你一個還不錯的方案，你想要點不一樣的，於是又問了一遍，結果……還是差不多的東西。換了個說法再問一次，依然大同小異。
這不是你的錯覺。
現在市面上那些"氛圍設計工具"，Lovable、v0、Bolt、Replit Agent，還有Figma Make、Google的Stitch，本質上都在做同一件事：你說一句話，它給你生成一個網頁。這套流程用起來確實爽，問題是它有個隱藏的毛病，就是太老實了。
老實到什麼程度呢？谷歌的研究團隊做了個實驗，讓AI針對同一個設計需求連續生成五次，結果83個測試提示里，幾乎每一個都只返回了同一種設計風格。研究報告裡的說法是，五次重複生成的"選項覆蓋率"平均只有1.00，也就是說,五次里挑出來的其實都是同一個東西。
這就是這篇論文要解決的問題。研究團隊給這套AI設計流程加裝了一個"創意分叉口"，逼著它在下筆之前先想幾個不同的方向，再挑一個來做。聽起來簡單，做起來卻牽扯到一堆微妙的權衡。
先搞懂：為什麼不能簡單地"調高溫度
"就完事
如果你稍微了解一點AI生成的原理，可能會想：這還不簡單，把生成時的"溫度"參數調高不就行了？
溫度*：AI生成文本或代碼時的一個參數，數值越高，模型的選擇就越隨機，輸出也越多樣；數值越低，模型就越傾向於給出最"標準答案"式的、最常見的結果。
這個直覺是對的，但用在這裡是個坑。
問題出在溫度這個旋鈕管得太寬了。它一旦調高，不僅會讓配色、字體這些"審美決策"變得更有想像力，同時也會讓代碼里那些必須精確無誤的部分開始"發揮"。CSS屬性名可能拼錯，HTML標籤可能不閉合，JavaScript語法可能出問題。
這就好比你在廚房裡想讓廚師多點創意，於是把整個廚房的溫度調高了十度。結果是廚師確實開始在調味上大膽嘗試，可與此同時，烤箱也跟著變熱了，本來該在180度精準控溫的麵包胚，現在也跟著亂來，直接烤糊了。你要的是"廚師的想像力"升溫，不是"烤箱的物理溫度"升溫，可這兩件事被綁在了同一個旋鈕上，沒法分開調。
設計的創意部分和代碼的精確部分，對"隨機性"的需求是完全相反的。一個想要天馬行空，一個想要一絲不苟。用同一個參數去伺候兩種截然相反的訴求，本身就是錯位的。
研究團隊的解法是把這兩件事徹底拆開：先讓AI在一個"安全沙盒"裡頭腦風暴，把設計方向想清楚，敲定下來，再把這個已經確定的方向連同原始需求一起交給負責寫代碼的那部分，而這部分從頭到尾都用固定的、保守的設置去執行。創意的發散和實現的嚴謹，被物理隔離開了。
四步走的流水線：從"一個人閉門造車"到"先擺幾個方案再拍板"
這套架構說白了就是四個步驟。
第一步，接需求。用戶說"我要個奢侈時尚精品店網站"，這句話被原樣保留下來，作為整個流程的錨點。
第二步，頭腦風暴。這一步不是直接開始設計，而是先讓AI列出幾個不同的設計方向，每個方向都帶著具體的屬性，比如主色調、字體、圓角大小，還要給每個方向打一個"典型度"分數。
這裡用到了一個叫Verbalized Sampling（口頭化採樣）的技術。
Verbalized Sampling（VS）*：一種推理時的技巧，不是讓AI直接吐出一個答案，而是讓它先列出幾個有代表性的候選答案，並給每個候選打一個類似"概率"的分數，用來說明這個答案有多"典型"或多"少見"。這個方法最早是為了對抗AI訓練後普遍存在的一個毛病，模型經過人類反饋強化學習之後，容易變得保守，老是回到最常見、最"政治正確"的答案上去，冷門但可能更有意思的答案反而被壓制了。
論文裡給這三個候選方向起了名字，一個叫"安全牌"，走保守路線；一個叫"高級款"，追求精緻感；一個叫"實驗款"，故意往少見的方向走。研究者特別強調，這三個標籤只是用來引導AI生成候選時的思路，不是什麼質量或風險的客觀評級。
第三步，選擇。這一步交給一個獨立的"選擇器"來做，它會看AI打出來的那些典型度分數，用一個叫"溫度"的參數（注意，這是候選層面的溫度，跟前面說的token級溫度完全是兩碼事）去調整每個候選被選中的概率。
論文給出了一個公式，本質上是把每個候選的原始分數做一次指數變換再歸一化。當這個溫度參數等於1時，選擇完全按照AI自己給出的典型度分數走。溫度調低，熱門方案被選中的概率進一步拉高；溫度調高，那些典型度低、AI覺得"比較冒險"的方案也有更大機會被抽中。
這裡有個容易被忽略但很重要的細節：溫度只能在AI已經提出的幾個候選之間調整概率分布，它沒法憑空變出一個候選沒提過的新方向。如果AI壓根沒想到某種設計風格，調溫度也救不了。
第四步，生成。選中的方案連同原始需求，一起交給下游的代碼生成器，這部分的解碼設置全程保持固定，不隨溫度變化。
這套流程的關鍵洞察，是把"選哪個方向"這件本該有創意空間的事，從"怎麼寫出這個方向對應的代碼"這件必須精確的事裡徹底剝離出來。就像一個餐廳的運營模式，主廚可以在後廚自由地琢磨今晚出幾道創意菜的方案，把幾個想法列出來，老闆拍板選一道，可一旦定下來，負責擺盤、裝盤、上菜的服務流程必須嚴格按標準操作走，不能因為菜品有創意，上菜的規矩也跟著亂套。如果不做這個拆分，你要麼讓整個餐廳亂成一鍋粥，要麼乾脆取消主廚的自由發揮，兩頭都不討好。
這套架構被分別用在了兩個地方：一個是界面主題（配色、字體、圓角這類整體風格決策），一個是視覺素材提示詞（決定頁面里配圖長什麼樣的文字描述）。這兩處的實驗是分開做的，互不干擾，這樣才能看清楚到底是哪個環節在起作用。
實測：多樣性確實上去了，但"AI評委"的偏好卻不總是買賬
研究團隊做了一套相當紮實的測試。
他們準備了168個設計需求提示，分成兩組：一組是"標準UI測試集"，83個比較開放、沒有太多限制的需求，比如"做個落地頁"；另一組是"複雜UI測試集"，85個帶著具體布局、風格、功能約束的需求。每個提示在手機端和桌面端各測一遍，每種設置重複跑五次，最後每個溫度值下能收集到1255組配對比較。
主題採樣的效果相當直觀。
原本83個提示里，五次重複生成平均只能看到1.00種設計方案，幾乎是"每次都一樣"。加入候選採樣機制之後，這個數字漲到了2.10到2.94之間。當候選溫度調到1.5以上時，所有83個提示都至少能看到兩種以上不同的方案。
截圖相似度這個指標也印證了這一點。用來衡量"這五次生成的界面長得有多像"，數值越低說明差異越大。基線情況下這個值是0.6765，隨著候選溫度從0.5升到2.0，相似度一路降到0.5438。
不過，這套系統里還有一個"AI評委"角色，用來給兩個方案評分，判斷哪個更好。
AutoRater*：論文裡對自研的多維度LLM評估器的內部稱呼，專門用來做兩兩配對的界面質量對比評分。
這個評委的判斷就沒有那麼聽話了。在主題採樣這邊，溫度調到2.0時表現最好，候選方案對基線方案的勝率是38.8%對35.3%，贏率比1.10。可溫度繼續往上調到5.0，儘管截圖相似度幾乎沒有變化，評委的偏好卻反轉了，候選方案反而輸給了基線。
這說明一個很反直覺的事：視覺上看起來"更不一樣"，不代表AI評委覺得"更好"。多樣性和質量，是兩條不完全重合的曲線。
視覺素材這邊的故事更有意思。同樣是溫度掃描，素材提示詞的溫度調到1.0時表現最佳，勝率比達到1.32（42.8%對32.3%），但整體截圖相似度的變化卻小得多，只從0.6765挪到0.6616。
也就是說，主題採樣動的是"面子"，色調、字體、布局全變了，畫面差異肉眼可見；而素材採樣動的更像是"里子"，只是把某張配圖從"燕麥碗特寫"換成"燕麥碗側光藝術照"，整體頁面結構幾乎沒變，但AI評委卻能敏銳地察覺到這種細微差別帶來的質感提升。
這就像同一件襯衫，一種改法是把整件衣服的版型和顏色全換了，誰都能一眼看出不一樣；另一種改法是只把扣子從塑料換成貝殼材質，衣服整體輪廓沒變，可上身之後那種質感的差異，懂行的人一摸就知道。如果只盯著"整體截圖相似度"這個粗粒度指標，你可能完全捕捉不到扣子換材質帶來的體驗提升，這也是為什麼論文強調，衡量創意探索的效果，不能只靠一種指標。
更讓人意外的是，不同的提示集合，最佳溫度設置完全不一樣。標準測試集裡，主題的最佳溫度是2.0，素材的最佳溫度是1.0；換到複雜測試集，素材的最佳溫度又變成了1.5。這說明"哪個溫度最好"這件事，沒有一個放之四海皆準的答案，它跟著具體的設計任務在變。
真實用戶會怎麼反應：30萬條任務給出的答案
光在實驗室里跑測試還不夠，研究團隊把這套機制真的上線了，在一個商用設計助手產品里做了一次大規模的A/B測試，對照組和實驗組加起來覆蓋了超過30萬個真實用戶創建的任務，生成了超過50萬張界面截圖。
先看好消息。
用戶主動點"踩"的負面反饋事件，從73次降到了50次，相對下降31.5%，置信區間是負62%到負1%，這個區間不包含0，說明這個下降是站得住腳的。正面反饋和負面反饋的比例，也從大約3.8比1改善到了5.7比1。
同時，被系統標記為"用戶在糾正AI輸出"的對話比例，從38.8%漲到了41.6%，相對上升7.08%。
這個數字乍一看有點矛盾：負面反饋變少了，怎麼用戶"糾正"AI的次數反而變多了？
論文給出的解讀是，這更可能說明用戶在更積極地"引導"設計方向，而不是單純在"抱怨"設計不好。換句話說，當系統給出了更多元的選項之後，用戶不再是默默接受一個平庸的結果，而是更願意花力氣去調整、去打磨，去把這個方案往自己想要的方向再推一把。這種"更多互動"未必是壞事，但論文也很誠實地承認，光憑這一個聚合指標，沒法判斷用戶糾正的具體原因是審美不合口味，還是功能沒滿足需求，還是別的什麼摩擦點。
不那麼好的消息是，這套機制是有代價的。
任務在30秒內完成的比例，從28.2%降到27.5%；60秒內完成的比例，相對下降了3.47%，置信區間負5.83%到負1.11%，同樣不包含0，是個可信的下降。任務成功率也從97.95%微降到97.80%，相對下降0.15%。
這些數字雖然幅度都不大，但方向是一致的：多了一步"先想幾個方案再選"的流程，系統整體運行就是會慢一點，出錯概率也會略微增加一點點。天下沒有免費的午餐，創意探索這件事，本身就要占用額外的計算和時間成本。
至於大家最關心的"代碼導出量有沒有漲"，答案是：漲了，但漲得不夠確定。每張生成截圖對應的代碼導出率從1.06%漲到1.15%，相對漲幅8.23%，但置信區間是負13.03%到正29.48%，這個區間橫跨了0，意味著從統計上講，我們還不能拍著胸脯說這個漲幅是真實存在的，也可能只是噪聲。Figma導出的情況類似，同樣沒能得出確定結論。
論文對這一點的態度相當克制,沒有誇大這個還不確定的正向信號，而是老老實實地把區間數字擺出來，讓讀者自己判斷。這種誠實,在AI論文裡其實並不常見。
一個真實案例：同一個需求，五次生成到底能有多不一樣
論文裡還放了一個具體的案例，很直觀地展示了這套機制在實際運作中長什麼樣。
需求是"做一個飲食規劃儀錶盤"。在沒有候選採樣的基線情況下，五次生成呈現出高度的一致性：主色調幾乎全是同一種深綠色（#2D6A4F出現在80%的結果里），標題字體清一色用Plus Jakarta，圓角樣式也完全統一。菜品配圖也大多是常見的俯拍構圖，牛油果吐司、藜麥沙拉、烤三文魚，翻來覆去就那幾樣。
加入候選採樣之後，五次生成里，主色調五次全都不一樣，字體出現了三種不同的搭配組合，圓角風格也有三種變化。更有意思的是，五次里有三次系統主動選擇了"典型度分數低於0.4"的那個相對冷門的方向，也就是說，超過一半的生成，系統都願意往"更不尋常"的方向探索一把。
配圖的提示詞變化也很典型。基線情況下，早餐配圖的描述大概是"一份隔夜燕麥，配藍莓、香蕉片、奇亞籽，柔和的側光"，這是一個很標準、很討喜的描述。而在候選採樣的"高級款"方向下，同樣是隔夜燕麥，描述變成了"編輯級攝影質感的分層隔夜燕麥，擺在淺橡木檯面上，透過玻璃罐能清晰看到分層，斑駁的陽光，淺景深"。
同一道菜，一個是家常快拍，一個是雜誌大片，這中間的差距，恰恰就是"典型"和"精緻"這兩種方向被顯式地擺出來、分別評分、然後由系統去選擇的結果。
這個案例也提醒我們一件事：這只是一個提示詞的觀察樣本，不是大規模統計證據。論文自己也特別說明了這一點，五次生成、一個案例，說明不了普遍規律，只能作為一個直觀的示範，幫讀者理解這套機制到底在做什麼。
這套方法目前還留著的空白
論文在最後花了不少篇幅坦誠地列出了這項研究還沒解決的問題，這種自我審視的態度值得單獨說一說。
研究團隊承認，他們測試的是"候選採樣+溫度選擇"這套組合拳的整體效果，還沒有拆開驗證到底是"典型度評分"這個機制本身在起作用，還是僅僅"多想幾個候選"這件事本身就夠了。換句話說，如果只是簡單地讓AI列出三個候選、不評分、隨機選一個，效果會不會也差不多？這個對照實驗還沒做。
另外，AI評委本身也存在已知的偏見，比如傾向於喜歡更囉嗦的回答，或者對自己"熟悉"的表達方式有偏好。論文裡也提到了Human Creativity Benchmark這項研究的觀點。
Human Creativity Benchmark*：一項探討如何評估AI生成創意內容質量的研究，核心發現是專業設計師在"是否符合需求""是否可用""技術結構是否合理"這些方面容易達成共識，但在"好不好看""審美方向對不對"這類主觀判斷上，專業人士之間的分歧其實相當大。
這意味著，光靠一個AI評委的評分，永遠替代不了真正找專業設計師做盲評測審。這篇論文的所有結論，本質上都還停留在"用AI衡量AI"的階段，離"人類真的覺得更好"這個終極問題，還差著一段距離。
寫在後面
讀完這篇論文，最讓我意外的其實不是那套四步流水線的設計，這個思路說複雜也不算特別複雜,把創意決策和精確執行拆開，這是很多領域早就懂的道理。
真正讓我停下來想了很久的，是那個"截圖相似度降了，但AI評委的偏好卻反轉了"的實驗結果。溫度從2.0調到5.0，畫面上的差異幾乎沒變化，可評委的態度卻從喜歡變成了不喜歡。這說明"多樣性"這個東西，一旦過了某個臨界點，繼續增加下去帶來的可能不是更多的驚喜，而是某種失控感,方案開始顯得雜亂、不連貫，甚至有點亂來。
這跟我們對"創意"這件事的日常直覺其實是吻合的：適度的意外讓人眼前一亮，過度的意外讓人覺得不知所云。但這篇論文的價值在於，它把這個模糊的直覺變成了一條可以測量、可以畫出來的曲線，而且這條曲線不是單調上升的，它有一個拐點。找到這個拐點，可能比"要不要引入多樣性"這個問題本身還要難。
還有一個細節我很喜歡，就是論文把"代碼導出量提升8.23%"這個看起來挺不錯的數字，老老實實地標註成"置信區間包含0，結論不確定"。在一個人人都想講好故事的領域裡，願意把一個正向但不確定的數據擺在桌面上、不美化它，這種誠實本身就是一種態度。
如果這套機制真的大規模鋪開，未來AI設計工具給你的可能不再是一個方案，而是三個、五個並排擺在你面前，讓你自己去挑。那個時候，"設計品味"這件事會不會從"少數專業人士的專長"，變成每個普通用戶在滑動挑選時都要練習的一種能力？
Q&A
Q1：Verbalized Sampling是什麼？
A：Verbalized Sampling（口頭化採樣）是一種讓AI在給出最終答案前，先列出幾個有代表性的候選方向並給每個方向打一個"典型度"分數的推理時技巧，用來對抗AI訓練後容易只給出最常見、最保守答案的問題。
Q2：為什麼不能直接調高AI生成時的溫度參數來增加設計多樣性？
A：因為溫度參數會同時影響設計層面的審美決策和代碼層面的語法準確性，調高溫度雖然能讓配色字體更有創意，但也會讓代碼出現語法錯誤的概率上升，把創意探索和代碼穩定性綁在同一個參數上是不合理的。
Q3：加入候選設計採樣後，AI設計工具的效果具體提升了多少？
A：以主題設計為例，五次重複生成的方案多樣性從平均1種提升到最高2.94種，線上30萬條真實任務測試中用戶負面反饋下降了31.5%，但任務完成速度和成功率有小幅下降，代碼導出量的提升在統計上還不夠確定。
