必须用“一只猫”测试模型中文理解能力，再逐级验证数量、空间、风格、负向指令；通过中英混输、全角标点、术语响应三类陷阱识别真实语言偏好。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想快速验证刚选中的LiblibAI Checkpoint模型是否真能准确理解中文提示词，而不是靠后台自动兜底翻译硬凑结果——这一步必须在正式生成前完成，否则后续所有调试都建立在错误前提上。
用最小语义单元做压力测试
第一步：进入【在线生图】界面，确保CHECKPOINT下拉菜单已显示目标模型名（如“Qwen-Image”或“灵犀XL”），且右上角状态为“就绪”。
第二步：清空正向提示词框，输入最简中文短语：“一只猫”。不加任何修饰、不写英文标点、不带括号权重——这是检验模型基础语义锚定能力的黄金测试句。
第三步：参数设为采样步数20、CFG Scale=5、分辨率768×768，点击“开始生成”。【若出图含多只猫、猫狗混杂、或完全无猫形体，则说明该模型未真正激活或语言解析链断裂】。
分层递进式语义验证
当“一只猫”通过后，按以下顺序逐级加码，每步生成一张图，观察响应是否符合预期：
① 加入数量控制：“三只橘猫并排蹲坐” → 检查是否严格输出三只、毛色是否统一为橘色、姿态是否并排；
② 加入空间关系：“一只猫蹲在窗台左侧，窗外有梧桐树” → 窗台必须为前景主体，猫不可悬浮或错位到右侧，梧桐树需出现在窗框外而非窗台上；
③ 加入风格限定：“一只猫蹲在窗台，工笔白描风格，无阴影” → 线条必须清晰闭合、无灰阶过渡、无投影区域，若出现水墨晕染或3D渲染感即为失败；
④ 加入禁用项反向校验：在负向提示词首行写入“no photorealistic, no shading, no background blur”，再输回“一只猫蹲在窗台” → 若画面出现景深虚化或皮肤质感细节，说明负向指令未被CLIP正确解码。
识别模型真实语言偏好
方法一：中英混输陷阱测试
在正向提示词中输入：“一只cat蹲在窗台，毛发泛金” → 【纯中文模型会忽略“cat”，仅渲染“一只蹲在窗台，毛发泛金”；若画面出现英文字符或结构崩坏，则证明模型底层仍依赖英文token映射】。
方法二：全角标点干扰测试
输入：“一只猫蹲在窗台。窗外有梧桐树。”（注意句号为中文全角）→ 若生成图中窗台消失、梧桐树长进室内，说明模型未过滤全角标点，正在错误切分token序列。
方法三：术语响应盲区扫描
输入：“青绿山水风格的猫” → Qwen-Image应输出带有石青石绿矿物颜料质感的猫形体；若产出写实油画风或赛博朋克猫，则表明该模型未在训练数据中覆盖传统美术术语，不可用于国风类创作。
