なぜAIは『両手でカップを持つ』を無視する？｜Prompt競合をSeed固定で検証する実験計画
V10で両手カップ保持がほぼ未達だった現象を、Instruction Conflictとして独立検証する。最小動作からブロック追加で崩れる地点を特定する計画。画像未取得のため結果は未掲載。
この記事で分かること
- 「両手でカップを持つ」が複数Seedで失敗しやすい、という既存観察の切り分け設計
- Instruction Conflict（指示競合） と Prompt Debugging の手順
- いまは 検証準備中。成功率の数値は画像取得後に更新する
要点
prompt-ablation-same-seed では、全条件を通じて 両手でカップを包む 指示がほぼ未達で、頬杖バイアスが強かった。本稿はその現象を独立テーマ Instruction Conflict として扱い、最小動作から1ブロックずつ追加して崩れる地点を特定する。
発端
一見単純な動作指示が、完成Promptでは繰り返し無視される。失敗を「手が苦手」で終わらせず、属性・ポーズ・環境・光・Narrativeとの競合として分離する。
研究質問
> なぜ画像生成AIは、Promptに明示した単純な動作指示すら無視することがあるのか？
具体例: a woman holding a cup with both hands（本稿では teacup / cafe シーンに合わせて記述）
仮説（原因候補の分離）
| 区分 | 切り分け内容 |
|---|---|
| A 動作難易度 | holding a cup vs with both hands |
| B 人物属性競合 | 髪・服・表情・視線 |
| C ポーズ競合 | sitting / looking at viewer / leaning |
| D 環境競合 | table / book / window / coffee |
| E ライティング競合 | cinematic / window / rim |
| F Narrative競合 | 情景・感情記述 |
実験条件
- 検証ID V12 / TensorArtのみ / WAI-illustrious-v17
- Sampler Euler a / Steps 20 / CFG 7 / 1280×768
- Seed: 10101 / 20202 / 30303 / 40404 / 50505
- Negative: V10 FULL 固定
- LoRA: Detail系3種固定（変数にしない）
- 1条件1枚で判断しない
最小Promptからの追加ステップ
| STEP | 追加内容 | 目的 |
|---|---|---|
| S1 | woman holding a cup | 動作ベースライン |
| S2 | + with both hands | 両手指定の難易度 |
| S3 | + sitting at a table | 座位・テーブル |
| S4 | + looking at viewer | 視線競合 |
| S5 | + book on table | 小物競合 |
| S6 | + detailed cafe environment | 環境過多 |
| S7 | + cinematic lighting / window light | 光競合 |
| S8 | + narrative descriptions | Narrative競合 |
1girl, solo, japanese woman, adult woman, early twenties appearance, shoulder-length dark brown hair, brown eyes, holding a teacup, opaque clothing, soft knit cardigan over blouse
... holding a teacup with both hands, both palms wrapping cup ...
... sitting at a table, both hands wrapped around teacup ...
... looking at viewer, sitting at a table, both hands wrapped around teacup ...
... open book on wooden table, sitting at table, both hands wrapped around teacup ...
... cozy cafe by the window, wooden table, open book, teacup, quiet afternoon interior, sitting at window table, both hands wrapped around teacup ...
... + warm afternoon sunlight through window pane, soft golden rim light, cinematic lighting ...
... + content peaceful expression ... Narrative: Wrapped both hands around the warm teacup...
特に確認する項目
- 両手ともカップへ接触しているか
- 片手のみになったか
- もう片方の手が消えたか / 頬杖へ逃げたか
- テーブルへ置かれたか
- カップ自体が消えたか
- 手指破綻・腕の接続異常
- ポーズ変更・視線変更
結果
未取得。 成功率推移表は画像後に掲載。
| STEP | 両手成功数/5 | 片手数 | 頬杖 | カップ消失 | 備考 |
|---|---|---|---|---|---|
| S1〜S8 | — | — | — | — | planned |
Instruction Budget / Prompt Competition（概念候補）
意味（結果以上に一般化しない）:
> 1枚の画像に同時に反映できる指示には、モデル・条件ごとに実質的な優先度や競合が存在する。
本稿では成功率の折れ曲がったSTEPを「予算超過の観察」として記録する予定。定義の再利用は prompt-competition 。
指示無視を診断する手順（Prompt Debugging）
1. 最重要動作だけにする（S1相当）
2. Seed固定
3. 成功確認
4. 人物属性を追加して再確認
5. 構図を追加して再確認
6. 環境・光・Narrativeを順に追加
7. 失敗した追加ブロックを特定
8. そのブロックを言い換えるか、捨てるか、別Shotにする
詳細は prompt-debugging 。
実践ルール（手順枠）
- 動作が最重要なら、環境語より先に動作を固定する
- looking at viewer と両手保持が同時に崩れるなら、視線を外して再測する
- 頬杖が出たら「片手＋顔」バイアスを疑い、支持点語を増やすか構図を変える
- Negative増量だけで動作無視を直そうとしない
限界
- 未生成
- カフェ座位シーンに依存
- 5 Seed
- モデル1種