# Aesthetic Critic：AI 如何帮你做判断？

> Aesthetic Engineering 系列 · 第八篇

> 作者：**LeenMa** · [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)

两张封面摆在面前。

一张精致、完整，像成熟出版物；另一张还有些粗糙，却更准确地说出了文章想表达的东西。

你让 AI 帮忙选。它回答：“第一张构图均衡、色彩高级，整体更具专业感。”

你又问：“但第二张是不是更能体现人的判断权？”

它随即给出另一套同样流畅的理由。

这是一个假想的评审场景。问题不在于 AI 必须坚持第一次结论，而在于：我们不知道它究竟看见了新的证据，还是只是顺着提问，换了一种解释。

上一篇，Generation Protocol 帮助我们组织生成，让候选结果拥有可以比较的条件。这一篇，我们进入判断层：面对这些结果，AI 怎样帮助我们理解差异、提出修改，并作出有依据的取舍？

我们把这套辅助评审机制称为 Aesthetic Critic。它的价值，要体现在结论能够被检查，建议能够被执行，分歧能够被说清楚。

**一个有用的 Critic，应该让选择的理由更清楚，也让错误的判断更容易被发现。**

## 一、评价之前，先说明什么值得被留下

“哪张最好看”听起来是一个问题，实际上包含许多不同的要求。

同一张图可能让人喜欢，却不适合作为信息流封面；也可能准确解释主题，却不符合系列身份。没有语境，评审者只能自行补全“好”的含义。

因此，Critic 的输入应当包括真实候选图，以及这次任务的受众、媒介、目标和优先级。第五篇的 Reference System 提供参照证据，第六篇的 Direction Contract 提供这次选择的依据。参考图还要说明借什么，避免评审悄悄变成“谁最像参考”。

可以把检查分成四个问题：

**第一，约束与准确性。** 文字、内容、关系是否出错，是否违背明确要求？

**第二，表达与阅读。** 主要信息能否被看见，阅读顺序是否支持主题？

**第三，身份与新意。** 是否延续关键原则，同时提供值得保留的新表达？

**第四，完成度与可修复性。** 执行到什么程度，剩余问题需要怎样处理？

这四个问题需要按项目与阶段确定优先级和通过条件。

对于系列封面，主题表达可能优先于材质精致；对于制作即将结束的交付稿，文字错误必须先修。文字正确通常不是加分项，而是交付条件，不能拿漂亮配色抵消。

还要分清“暂时不能发布”和“方向不值得继续”。一处可修复的错字，会阻止直接交付，却未必需要淘汰整个创意。

评审从这里开始，才有可能讨论真实取舍：我们愿意接受什么缺陷，为什么，以及接受到哪一步。

## 二、先让 AI 指出证据，再听它解释

“高级、克制、有呼吸感”可以描述感受，但单靠这些词，很难检查判断。

一条有用的评语，应当连接三个层次：

**观察：图上具体有什么。解释：它可能带来什么影响。判断：在本次目标下，我们怎样处理。**

例如：

> 观察：背景卡片与主卡片使用了接近的线条粗细和面积。  
> 解释：被选中的卡片可能不够突出，取舍关系容易被读成普通整理。  
> 判断：本次需要突出“选择”，建议先降低背景卡片的视觉权重。

观察需要回到图上核对。解释仍是假设，不能因为写得流畅，就变成已经验证的读者感受。判断则依赖项目目标；换成强调平等参与的主题，相同构图可能有另一种意义。

为了减少“知道创作意图以后，替画面补故事”，可以先让 AI 只描述候选中的动作、空间关系和可读文字，再提供目标与参考，进行第二轮评审。保留两轮结果，观察哪些含义是在解释以后才出现的。

如果模型没有看清局部，就应标出不确定的位置，必要时结合全图查看裁切或更清晰的版本。仅靠 Prompt 和创作者的说明，不能代替对实际输出的检查。

同样，评审不能只发生在原图放大的状态。封面需要放到实际展示尺寸和裁切条件下看，视频需要检查时间上的动作与节奏。静态截图只能为被检查的那一帧提供证据。

**AI 写下的每一个关键理由，都应该允许我们回到作品里问：依据在哪里？**

## 三、一个完整案例：精致与准确之间，怎样选择

继续使用上一篇的封面主题：AI 展开可能，人判断什么值得留下。

> 以下候选、评语与修改结果均为示意，用来说明评审方法，不是实际实验或用户研究结果。

假设生成以后，我们留下两个待打磨版本：

- **甲：档案墙。** 卡片排得整齐，材质与排版完成度高，人物正在推齐一列卡片。
- **乙：选择台。** 人物把一张卡片放进独立区域，其余候选仍留在桌面，局部接触关系有些生硬。

这次在比较值得继续的方向，预留了局部修正时间；“让取舍被看见”优先于材质完成度。

### 先看图，再说明它为什么影响目标

对甲，Critic 应先指出：人物接触的是整列卡片，没有明显的选出对象或选择后果。因此，它可能更容易传达整理与秩序。

对乙，Critic 应指出：被取出的卡片与其余候选有空间分离，形成了可读的选择线索；但手与卡片的接触不清晰，可能削弱动作的可信度。

这时，比较已经具体起来：甲的问题涉及主题关系，乙的问题更接近局部执行。

但不能直接宣布乙一定更好。还应检查，所谓“独立区域”在实际封面尺寸下是否可见；修复接触关系是否可行；如果必须立刻交付，现有缺陷是否可以接受。

### 给出有条件的建议

一份有用的结论可以是：

> 暂选乙进入修正。它目前更接近本次的表达目标，但尚不适合直接发布。保留人物、主卡片与留存区的关系，先修复接触位置，再检查缩略图。甲保留为排版参考。若乙在实际尺寸下仍然读不出取舍，应重新检查方向。

这里没有把甲永久标成“坏图”，也没有把乙包装成已经验证的赢家。

### 修改以后，检查有没有失去原来的优点

假如修改版让手部更自然，却把主卡片移回了候选群中，Critic 就应该指出：局部执行改善了，支撑初次选择的证据却消失了。

这也是评审必须记录“为什么保留”的原因。只记录哪里要改，下一轮可能修好了缺陷，却失去了作品最值得留下的关系。

最后，可以请接近目标的读者在不听创意解释的情况下阅读封面。若在这次检查中反复出现“归档”的理解，就应重新考虑这个隐喻，并记录观察范围。模型的解释只帮助提出和检查假设，不能代替受众反应。

## 四、好的批评，要给修改留下边界

“信息太密，建议简化”，听起来正确，执行时却可能删掉关键证据。

能进入修改的建议，需要交代：哪一处影响了哪个目标、优先改什么、什么必须保留，以及怎样知道修改有效。

在封面案例中，“简化乙”可以具体为：

> 保留被选卡片与留存区的分离关系；先降低背景卡片的线条对比，不改变人物动作；修改后检查第一眼能否找到被选对象。

这比列出十条优化建议更有用。它同时给出了修改方向和保护范围。

批评也需要排序。可以先区分：阻止交付的问题、影响核心表达的问题，以及有余力再处理的细节。不要让一个轻微材质瑕疵，与主题读不懂拥有相同的讨论时间。

建议还应允许被否定。如果降低背景对比之后，候选集合几乎消失，观众便看不出“从多个可能中选择”，这项修改就可能过头了。

稍微偏置的构图，可能正是让画面产生张力的原因，不一定需要修正。Critic 应说明它造成了什么实际困难，再决定是否介入。

评审的产物不只有问题清单，还应包括一份简短的保留理由。

## 五、评分模型有价值，但分数没有替我们完成取舍

面对大量候选，自动评分很有吸引力。Reward Model，即奖励模型，可以从人的比较或评价数据中学习偏好信号。

这已有具体研究实践。例如 ImageReward 使用人类评分与排序反馈训练文生图偏好模型，并研究如何用评分反馈改进生成。[ImageReward 原始论文](https://arxiv.org/abs/2304.05977)

这说明偏好可以被部分学习。但在本系列的应用里，还要追问：模型学到的是哪些人、哪些任务和哪些生成结果中的偏好，是否适用于眼前这个项目？

“预测某种偏好”与“解释这次为什么值得保留”，仍是两项不同的工作。

分数也不必只有一个。MPS 研究将文生图偏好区分为审美、语义对齐、细节质量和整体评价，尝试按维度学习评价。[多维人类偏好研究](https://arxiv.org/abs/2405.14705)

因此，本篇建议把评分作为评审的一项输入：在任务上验证后，帮助组织大量候选、提示异常或辅助初筛。进入关键取舍时，再展开证据、约束与修复代价。

尤其要避免把多维度简单平均。甲可能因为更精致得到更高总分，但本次若优先表达“取舍”，我们仍需要说明这一项为何更重要。权重是一个选择，不能因为写成数字就免于讨论。

对于探索性作品，也值得保留少量低分但有新关系的候选，并抽查被筛掉的结果。否则系统可能在我们看见它们之前，就删掉了值得挑战现有标准的表达。

**分数可以帮助排序，取舍仍需要说明它服务什么目标。**

## 六、让 AI 做评审，也要检查评审本身

我们不能因为 Critic 能指出生成模型的错误，就默认它自己可靠。

2024 年的 MLLM-as-a-Judge 研究在视觉语言评审任务中，观察到了成对比较、评分和批量排序之间的能力差异，以及偏差、幻觉和判断不一致。它不是针对当前所有模型或封面审美的统一结论，却提供了一个明确提醒：评审能力需要在具体任务中验证。[MLLM-as-a-Judge 原始论文](https://proceedings.mlr.press/v235/chen24h.html)

对自己的创作系统，可以先留一小组未用于调试的作品：包括已核实的明显错误、接近目标的反例，以及团队有合理分歧的作品。前两类检查它能否发现问题，后一类观察它能否说清不同取舍。

还可以做几种有针对性的检查：

- **交换呈现位置。** 保持作品身份与内容不变，看看结论是否无理由地跟着左右位置变化。
- **核对视觉证据。** 它指出的手部错误、文字和空间关系，是否真的存在？
- **小范围改图再评。** 只修复一处问题后，它是否识别了变化，也发现了被破坏的优点？
- **保留未知问题。** 缺少用户数据时，它能否承认不知道传播效果，而不是编出确定预测？

这些检查用来寻找可靠性问题，仍应允许有依据的审美分歧。模型自己报出的高置信度，也不能替代实际校准。

多叫几个模型并不自动解决问题。相同错误可能被重复认同。第二位评审的价值，在于提供可核对的新依据，而不只是多一张赞成票。

这里还有一个更深的风险：如果每轮生成都根据同一个 Critic 的偏好修改，它的评价标准就开始塑造后续作品。久而久之，系统可能越来越擅长获得高评价，却没有更接近真实读者。

因此，评审提示、标准和模型发生变化时，也应保留版本，并定期用未参与调试的案例和真实读者反馈检查方向。

## 七、分歧应该被解释，新的表达也应有位置

AI 认为甲更好，设计师选择乙，负责人又偏向甲。遇到这种分歧，平均分往往解决不了问题，因为大家可能根本没在回答同一个问题。

先区分分歧发生在哪里：

**证据分歧**：有人认为人物在选择，有人只看见整理。回到画面、展示尺寸和读者理解，检查依据。

**优先级分歧**：双方都承认甲更精致、乙更贴题，但对交付速度与表达目标的排序不同。需要项目负责人明确取舍与代价。

**偏好或探索分歧**：某个陌生表达难以放入现有规则。可以保留小规模验证的机会，不必立刻把它归为错误。

人的最终决定也需要理由。“我更喜欢”可以是一种真实偏好，但不应被伪装成“所有用户都需要”。反过来，已有规则也不必成为永久答案：若新作品提供了更好的表达依据，就可以回到方向约定，明确更新理由和适用范围。

放到 AIGC 带货内容中，美术可能关注视觉表达，编导关注叙事节奏，业务关注点击与转化。Critic 可以帮助指出冲突，但不能从“更有冲击力”直接推导“带货更好”。商品信息是否准确、观众是否理解、投放是否有效，需要各自的证据。

**成熟的评审，不要求所有人喜欢同一张图，而要求关键分歧能够被定位。**

## 八、一份今天就能用的最小评审约定

不必先训练一个专属审美模型。一次小规模实践，可以从实际候选、明确目标和一份简短评审约定开始。

输入包括：真实作品及展示条件、本轮优先解决的问题、明确约束，以及少量标注了参考职责的正反例。第一次描述画面时，暂不提供创意解释；后续评审再补上目标。

可以要求 AI 按下面的方式工作：

> 先描述实际可见的差异，再结合目标解释影响。看不清的位置请指出，不要补造细节。  
> 比较候选时，分别说明值得保留的部分、最重要的问题和支持判断的证据。  
> 给出本轮最值得做的一项修改，注明必须保护的关系。  
> 可以建议暂选、修正、保留分歧或两张都不采用。说明哪些信息可能改变建议。  
> 不要把个人偏好写成普遍规律，也不要在没有数据时预测点击率或转化率。

判断责任随后按任务分配：明确规则可交给工具辅助检查；有歧义的视觉证据回到作品核对；影响方向和取舍的决定由负责人承担；受众理解与业务效果由相应验证补充。

保存记录时，不必收藏整段漂亮评语。留下候选版本、评审条件、关键依据、采用或推翻的建议，以及最后采取的动作，就能让下一次复盘知道判断如何变化。

衡量 Critic 的价值，可以看它是否帮助发现了重要问题、减少了无效修改，以及保护了作品已经成立的部分。批评写得越多，不代表帮助越大。

## 写在最后

Aesthetic Critic 把人的感觉带进了可以讨论的空间，但这个空间里仍然需要判断。

有人要决定什么最重要，有人要核对证据，有人要允许新的表达暂时不被旧规则理解。AI 可以参与其中，帮助我们观察、比较、提出修正，也接受同样的检查。

生成扩大了候选范围，评审也需要保护其中容易被完成度掩盖的表达，以及尚未被多数偏好认可的尝试。

下一次请 AI 选图时，除了问“哪张更好”，还可以多问一句：

**你看见了什么？它为什么影响这次选择？什么证据会让你改变判断？**

下一篇，我们进入《Taste Memory：让 AI 记住你的审美》。一轮评审结束以后，哪些选择值得进入长期记忆？怎样保存语境与修改理由，让系统逐渐理解你的判断，又不把一次偏好固化成永远的规则？