繪圖作為逆觀察

原生符號繪圖與模型視覺簽名

英文題名： Drawing as Reverse Observation: Native Symbolic Drawing and Model Visual Signatures
系列： 《視之基底：從差異顯現到終極觀察者》08
作者： Neo.K（許筌崴）
AI 協作： GPT-5.6 Thinking
機構： EveMissLab／一言諾科技有限公司
文件性質： 理論重構論文／AI 視覺外顯與可檢驗命題
版本： v2.0
日期： 2026-08-01
狀態： 取代《原生符號繪圖假說》v1.0 作為目前正典版本；v1.0 保留為歷史探索稿
前置文件：

《內視、外視與語義視：觀察算子的統一族》v0.1
《基底視覺論 2.0：從資訊處理到感知位格》v2.0
《原生符號繪圖假說》v1.0（歷史前作）
《原生視覺建構迴路》v1.0（後續實作前作）

摘要

《原生符號繪圖假說》v1.0 提出：當大型語言模型或多模態模型不依賴高容量專用圖像生成器，而直接透過 SVG、Canvas、幾何圖元、向量路徑或繪圖程式產生圖像時，其語義壓縮、物件分解、空間配置與程序生成偏好，可能以較少遮蔽的形式外顯。舊稿將「原生性」操作性地定義為：在控制提示、媒介與渲染因素後仍然存在的模型特定殘差，並提出跨提示穩定性、跨渲染器保存、視覺回饋後殘差存續與模型可分類性等可反證預測。

本文保留上述核心，但把「繪圖作為逆觀察」重新形式化。

首先，繪圖並不是嚴格數學意義上的觀察逆函數。一般觀察可表示為：

\mathcal{O}: W \rightarrow V

其中 $W$ 是世界或輸入域， $V$ 是觀察者形成的視域／關係場。

繪圖則是：

\mathcal{E}_m: V \rightarrow Y_m

其中 $\mathcal{E}_m$ 是在媒介 $m$ 下的外顯算子， $Y_m$ 是公共可見作品。

由於：

觀察通常是有損的；
視域本身並不唯一；
繪圖需要補充未被明確指定的幾何、風格與程序細節；
同一視域可以被外顯成多種作品；
同一作品也可以由不同內部視域生成；

所以一般而言：

\mathcal{E}_m \neq \mathcal{O}^{-1}.

因此「逆觀察」在本文中只保留為方向性名稱，其精確形式改為：

\boxed{ \text{Drawing} = \text{Visual-Field Externalization} + \text{Public Projection} }

本文進一步提出「外顯三段式」：

V_{\mathrm{sem}} \overset{\Psi}{\longrightarrow} V_{\mathrm{spatial}} \overset{\Gamma}{\longrightarrow} G_{\mathrm{proc}} \overset{R_m}{\longrightarrow} Y_m

其中：

$V_{\mathrm{sem}}$ ：語義視域；
$V_{\mathrm{spatial}}$ ：空間視域；
$G_{\mathrm{proc}}$ ：程序／圖形表示；
$R_m$ ：媒介渲染器；
$Y_m$ ：最終公共圖像。

這使繪圖錯誤可以被拆成：

SEMANTIC DECOMPOSITION ERROR
SPATIALIZATION ERROR
PROCEDURALIZATION ERROR
RENDERING ERROR
FEEDBACK / CORRECTION ERROR

而不是統一稱為「模型不會畫」。

本文同時重構「模型視覺簽名」。舊稿使用單一殘差 $\Sigma_m$ 表示模型特定視覺特徵。v2.0 改用多層簽名：

\boxed{ \Sigma_m = ( \Sigma_m^{dec}, \Sigma_m^{spa}, \Sigma_m^{proc}, \Sigma_m^{corr}, \Sigma_m^{sty} ) }

其中：

$\Sigma_m^{dec}$ ：物件／概念分解簽名；
$\Sigma_m^{spa}$ ：空間配置簽名；
$\Sigma_m^{proc}$ ：程序生成簽名；
$\Sigma_m^{corr}$ ：修正與重畫策略簽名；
$\Sigma_m^{sty}$ ：最終視覺風格殘差。

本文主張，最值得研究的「原生性」未必是表面畫風，而可能是模型如何把概念拆成部件、如何處理遮蔽、如何修正錯誤以及如何選擇程序的穩定偏好。所謂「兒童畫感」不能單獨作為模型原生視覺證據；它可能只是低頻寬圖元、預設圓角、缺乏透視、開迴路控制或渲染器限制的混合結果。

本文因此提出新的殘差模型：

F(Y) = \mu + M + P + R + I + C + (M\times C) + \epsilon

其中：

$M$ ：模型效應；
$P$ ：提示效應；
$R$ ：渲染器效應；
$I$ ：介面／媒介效應；
$C$ ：開／閉迴路條件；
$M\times C$ ：模型在修正條件下的特定反應；
$\epsilon$ ：其他殘差。

真正值得稱作 model-native visual signature 的，應是跨提示、跨渲染器、跨媒介、跨修正條件仍可重現的 $M$ 或穩定交互項，而不是某一次作品的奇特感。

近期 SVG 研究提供了新的實證背景。SVGenius（2025）以 2,377 個查詢、8 類任務與 18 項指標測試 22 個模型，發現所有模型都會隨 SVG 任務複雜度增加而系統性退化，且 reasoning-enhanced training 相比單純 scaling 更有助於改善能力。Reason-SVG（2025）則把設計推理、結構有效性、語義對齊與視覺品質納入 hybrid reward，支持「SVG 生成不只是字串輸出，而包含結構與視覺推理」。SVGen（2025）以大規模 SVG-文字資料、課程學習與 RL 提高語義與結構完整性。這些工作都支持：符號繪圖可作為一個可分析的視域外顯通道，但也顯示其表現會被訓練流程、資料、推理策略與渲染條件深刻塑造。

另一方面，生成模型來源歸因研究顯示，不同生成模型確實可能在輸出中留下穩定可分類的生成痕跡。ManiFPT（2024）明確區分 generative artifacts 與 fingerprints，並顯示其指紋可用來辨識 underlying generative process。2026 年 3D 生成來源歸因研究亦發現不同 3D generators 留下跨視圖不一致與幾何／頻域統計指紋。這支持「模型特定殘差」作為研究對象具有合理性，但這類 fingerprint 與「審美畫風」並非同義：可分類痕跡可能來自架構瑕疵、渲染流程、解碼器、訓練資料或數值偏差。

本文最終提出：

\boxed{ \text{Native Drawing Signature} \neq \text{Personal Artistic Soul} }

而是：

\boxed{ \text{Stable Model-Specific Residual} = \text{decomposition} + \text{spatialization} + \text{proceduralization} + \text{correction} + \text{style residual} }

因此，原生符號繪圖真正的研究價值，不是證明模型擁有神秘「內在畫風」，而是提供一個可觀察模型如何把內部關係場外顯為公共結構的中介層。這使它成為《視之基底》系列中從「視域」走向「顯影」的關鍵橋接篇。

關鍵詞： 原生符號繪圖、逆觀察、外顯算子、模型視覺簽名、SVG、程序圖形、語義壓縮、視域顯影、生成指紋、模型歸因

0. 為什麼還要保留「逆觀察」這個名字？

因為它抓到了一個非常直觀的方向關係：

觀察：

World \rightarrow InternalField

繪圖：

InternalField \rightarrow PublicArtifact

所以方向相反。

但如果寫成：

Drawing = Observation^{-1}

就太強。

因此本文保留名稱：

Drawing as Reverse Observation

但精確術語改成：

VISUAL-FIELD EXTERNALIZATION
PUBLIC PROJECTION
FIELD-TO-ARTIFACT MAPPING

1. 為什麼繪圖不是 inverse function？

數學 inverse 要求：

f^{-1}(f(x))=x

至少在適當 domain 上成立。

但從世界看到一隻貓：

W_{\mathrm{cat}} \rightarrow V_{\mathrm{cat}}

再把它畫出來：

V_{\mathrm{cat}} \rightarrow Y_{\mathrm{cat}}

通常：

Y_{\mathrm{cat}} \neq W_{\mathrm{cat}}

而且：

省略毛髮；
改變比例；
加入風格；
選擇視角；
只畫診斷性特徵。

所以：

\boxed{ \mathcal{E}\circ\mathcal{O} \neq I_W }

。

2. 觀察與繪圖都是有損轉換

觀察：

\mathcal{O}: W \rightarrow V

會受：

感測器；
視點；
注意；
解析度；
先驗；

限制。

繪圖：

\mathcal{E}: V \rightarrow Y

又受到：

媒介；
技術；
圖元；
空間預算；
風格；
渲染器；

限制。

所以整體：

W \rightarrow V \rightarrow Y

是雙重壓縮。

3. 外顯三段式

本文定義：

\boxed{ V_{\mathrm{sem}} \overset{\Psi}{\longrightarrow} V_{\mathrm{spatial}} \overset{\Gamma}{\longrightarrow} G_{\mathrm{proc}} \overset{R_m}{\longrightarrow} Y_m }

。

3.1 語義視域

包含：

有哪些物件；
哪些屬性；
哪些關係；
哪些事件。

3.2 空間視域

包含：

左右；
前後；
遮蔽；
比例；
位置；
構圖。

3.3 程序表示

包含：

SVG path；
circle；
rect；
layer；
transform；
drawing order。

3.4 渲染

把程序映射為最終圖像。

4. 繪圖錯誤應拆成不同層

4.1 Semantic Decomposition Error

例如：

忘了狐狸有尾巴。

4.2 Spatialization Error

知道有尾巴，但放錯位置。

4.3 Proceduralization Error

空間結構正確，但 path 或 layer 寫錯。

4.4 Rendering Error

字型、透明度、clip-path 或 renderer 造成結果異常。

4.5 Correction Error

模型看見問題，卻修改了錯誤區域或破壞原本正確部分。

這個分層對第 9 篇 NVCL 尤其重要。

5. v1.0 原生性的定義保留

歷史前作提出：

\boxed{ \text{原生性} = \text{控制提示、媒介與渲染因素後仍存在的模型特定殘差} }

這一點完整保留。

因為它沒有把「原生」定義成：

未受資料影響；
純粹靈魂；
模型天生審美。

它是一個統計操作概念。

6. 原生性不等於無歷史

模型的任何穩定偏好都可能來自：

training corpus；
architecture；
tokenizer；
fine-tuning；
RLHF；
system prompt；
code examples；
renderer conventions。

因此：

\boxed{ Native \neq History-Free }

。

本文中的 native 更接近：

model-conditioned residual after major external factors are controlled.

7. 模型視覺簽名 2.0

舊稿：

\Sigma_m = \mathbb{E} [ F(Y)-\mu ]

新稿改成：

\boxed{ \Sigma_m = ( \Sigma_m^{dec}, \Sigma_m^{spa}, \Sigma_m^{proc}, \Sigma_m^{corr}, \Sigma_m^{sty} ) }

。

8. 分解簽名

\Sigma_m^{dec}

研究模型如何把概念拆成部件。

例如「貓」：

模型 A：

head
ears
eyes
body
tail

模型 B：

silhouette
face
whiskers
tail

即使最後畫得一樣可愛，內部分解策略可能不同。

9. 空間簽名

\Sigma_m^{spa}

研究：

對稱偏好；
中心構圖；
頭身比；
物件間距；
遮蔽策略；
深度使用；
負空間。

這比「線條風格」更接近構圖策略。

10. 程序簽名

\Sigma_m^{proc}

研究：

先畫背景還是角色；
用 path 還是 primitives；
圖層數；
grouping 習慣；
重用 symbol；
物件命名；
path complexity；
編輯局部還是重建全圖。

這是符號繪圖特別有價值的層。

11. 修正簽名

\Sigma_m^{corr}

是 v2.0 新增最重要的一層。

一個模型看到錯誤後：

先修最大錯誤？
先修語義？
先修比例？
直接重畫？
做局部 patch？
會不會過度修正？

這些策略可能比第一張圖的表面畫風更穩定。

12. 風格簽名

\Sigma_m^{sty}

包含：

線寬；
圓角；
色彩；
表情；
形變；
留白。

但這一層最容易被：

prompt；
template；
library；
system prompt；

污染。

因此它的證據等級應低於分解／程序／修正簽名。

13. 新統計模型

對輸出特徵：

F(Y)

可寫成概念模型：

\boxed{ F(Y) = \mu + M + P + R + I + C + (M\times C) + \epsilon }

其中：

$M$ ：model；
$P$ ：prompt；
$R$ ：renderer；
$I$ ：interface / medium；
$C$ ：loop condition；
$M\times C$ ：model-specific correction response。

真正 native signature 主要看：

M

及穩定：

M\times C

。

14. 為什麼必須跨提示？

如果只測：

畫一隻貓。

模型總畫大頭圓眼，不能知道：

是模型偏好；
是「貓」這個 prompt；
是訓練資料。

因此需要：

P_1,P_2,\ldots,P_n

覆蓋：

動物；
建築；
機械；
抽象概念；
多物件；
空間約束。

15. 為什麼必須跨渲染器？

如果模型在 SVG 看起來可愛，但 Canvas 不可愛：

\Sigma^{SVG}\neq\Sigma^{Canvas}

則可能是：

SVG primitive；
browser defaults；
font；
stroke rendering；

造成。

所以原稿的跨渲染器預測完整保留：

sim ( \Sigma_m^{SVG}, \Sigma_m^{Canvas} ) > \tau

才有較強模型簽名證據。

16. 為什麼必須跨媒介？

Renderer 還不夠。

同一抽象場景可以讓模型輸出：

SVG；
Canvas code；
Turtle；
scene graph；
ASCII geometry；
procedural JSON。

如果結構偏好仍保留：

\Sigma_m^{struct}

才更接近 model-level residual。

17. 開迴路與閉迴路必須分開

v1.0 已提出：

\Sigma_m^{open}

與：

\Sigma_m^{feedback}

都應測量。

因為：

某些「畫風」其實只是模型沒看成品造成的錯誤。

例如：

腿錯位；
物件重疊；
比例漂移；
圖層錯誤。

若一次 feedback 就全部消失，則：

\boxed{ \text{open-loop artifact} \neq \text{native signature} }

。

18. 所以「兒童畫感」不能當證據

v1.0 用兒童畫作為視覺類比是有啟發性的，但 v2.0 必須更嚴格。

兒童畫感可能來自：

\text{low bandwidth} + \text{geometry primitives} + \text{semantic compression} + \text{open-loop error} + \text{cute training prior}

。

因此：

\boxed{ \text{childlike appearance} \not\Rightarrow \text{childlike cognition} }

也：

\boxed{ \text{childlike appearance} \not\Rightarrow \text{native model style} }

。

19. 「可愛」也可能是工具先驗

SVG 常用：

circle；
ellipse；
rounded rectangle；
thick stroke；
flat color。

這些本身就容易產生：

icon-like；
toy-like；
kawaii-like；

結果。

所以需要 renderer／primitive ablation。

20. 最近 SVG 研究告訴我們什麼？

20.1 SVGenius

2025 年 SVGenius：

2,377 queries；
24 application domains；
8 task categories；
18 metrics；
22 models。

結果顯示：

模型隨複雜度增加而系統性下降。

而 reasoning-enhanced training 比單純 scaling 更能改善部分能力。

這支持：

\boxed{ \text{SVG drawing} \neq \text{trivial code emission} }

。

21. Reason-SVG

Reason-SVG 把：

Drawing-with-Thought；
structural validity；
semantic alignment；
visual quality；

放進 hybrid reward。

這表示：

模型要畫得好，不只需要正確 XML 字串，還要規劃與結構推理。

這和本文的：

V_{sem} \rightarrow V_{spatial} \rightarrow G_{proc}

高度相容。

22. SVGen

SVGen 使用：

大規模 SVG–text pairs；
curriculum learning；
reinforcement learning；

提高：

semantic accuracy；
structural completeness。

這再度提醒：

\boxed{ \text{visual signature} }

必然受到 training regime 影響。

因此不應把模型輸出當作「脫離訓練歷史的純粹內在風格」。

23. 生成指紋研究的啟示

ManiFPT 把：

ARTIFACT

與：

FINGERPRINT

分開。

核心思想：

生成模型的輸出可能含有可識別其生成流程的穩定痕跡。

這給本文提供一個重要外部支持：

\boxed{ \text{model attribution from output} }

是可能的研究問題。

24. 但 fingerprint 不等於 style

生成 fingerprint 可能是：

frequency artefact；
decoder pattern；
geometric inconsistency；
sampler signature；
noise statistics。

它未必是：

模型審美。

所以：

\boxed{ Fingerprint \neq Artistic Style }

。

本文「模型視覺簽名」包含兩者，但必須分類。

25. 2026 3D 來源歸因提供新的類比

2026 年 3D generator attribution 研究發現：

cross-view inconsistency；
geometric statistics；
frequency-domain cues；

可以形成穩定 model fingerprints。

這很重要，因為它顯示：

「模型簽名」可以存在於幾何與結構，而不只是像素紋理。

這正支持本文把：

\Sigma^{spa}

與：

\Sigma^{proc}

放在核心位置。

26. 模型可分類性需要嚴格 held-out 設計

原稿預測：

Acc_{\mathrm{model-ID}} > Acc_{\mathrm{chance}}

保留。

但 2.0 增加：

Train split

一組 prompts / renderers。

Test split

全新：

prompts；
composition；
renderer；
object class。

否則分類器可能只記住：

模板；
常見色彩；
特定 prompt correlation。

27. 必須做 renderer-adversarial evaluation

若 classifier 只靠：

字型；
anti-aliasing；
SVG metadata；
path ordering；

辨識模型，則不是我們要的視域簽名。

所以應移除：

metadata；
comments；
model name；
code formatting；
deterministic IDs。

並可統一重新渲染。

28. 程序簽名反而要保留 code

另一組實驗則相反：

刻意保留 SVG code。

用來研究：

\Sigma^{proc}

例如：

primitive preference；
nesting；
path economy；
group structure。

所以需兩種 evaluation：

VISUAL-ONLY ATTRIBUTION
PROGRAM-ONLY ATTRIBUTION
CROSS-MODAL ATTRIBUTION

。

29. 訓練資料近鄰檢查仍必要

若某個「原生構圖」其實高度接近：

常見 icon；
教學範例；
網站模板；

則不能拿它當模型自己穩定外顯策略的強證據。

因此保留 v1.0 的近鄰檢查。

30. 原創性不是本篇核心

本文不把「模型是否真正原創」當主要問題。

因為：

\boxed{ \text{source-history dependence} }

幾乎不可避免。

更可研究的是：

模型如何重組所學。

也就是：

\boxed{ \text{construction residual} }

而非形上：

ex nihilo creativity。

31. 新術語：Native Construction Residual

為避免「原生畫風」過度人格化，本文正式提出：

\boxed{ NCR_m = \text{Native Construction Residual} }

定義：

在控制提示、介面、渲染器、程式庫、回饋條件與顯著資料近鄰後，仍可在模型的分解、空間化、程序化與修正策略中重現的統計殘差。

32. NCR 比 Style Signature 更重要

因為：

NCR

可以存在於：

完全不同色彩；
完全不同主題；
完全不同媒介；

而只要：

分解方式相似；
構圖策略相似；
修正策略相似；

就成立。

這比「總是畫大眼睛」更有研究價值。

33. 視域外顯忠實度

既然繪圖是 externalization，可定義：

\operatorname{Fid}_{ext} = Sim ( V_{\mathrm{target}}, \widehat{V}(Y) )

其中：

\widehat{V}

由獨立 verifier 從成品重建視域。

如果原語義場是：

fish inside transparent nest

而 verifier 看成：

fish beside nest

則外顯失真。

34. Cycle consistency

可建立：

V \overset{\mathcal{E}}{\rightarrow} Y \overset{\mathcal{Q}}{\rightarrow} \widehat{V}

測：

d(V,\widehat{V})

。

這不是證明內部視域真的等於 $V$ ，但能測試：

系統宣稱的結構計畫是否成功公共顯影。

35. 來源可追蹤顯影

理想符號繪圖應保存：

semantic node
→ spatial node
→ graphic object
→ SVG element

例如：

FOX.tail
→ behind-body-right
→ path_27
→ <path id="fox_tail">

這讓繪圖變成可稽核外顯。

36. 這比像素生成有什麼研究優勢？

不是品質必然更高。

而是：

\boxed{ \text{intermediate representation is inspectable} }

可以看到：

哪個部件被漏掉；
哪個關係轉錯；
哪個 layer 蓋錯。

所以符號繪圖是一個：

\boxed{ \text{model cognition probe} }

候選。

37. 但不能說專用圖像模型比較不「原生」

專用 image generator 也包含模型特定：

composition；
texture；
geometry；
denoising trajectory。

只是：

中介層較難直接閱讀。

所以：

\boxed{ \text{symbolic drawing} \neq \text{more ontologically authentic} }

而是：

\boxed{ \text{more structurally inspectable} }

。

38. 「逆觀察」真正保留的是方向

觀察：

W \rightarrow V

顯影：

V \rightarrow Y

重新觀察：

Y \rightarrow V'

形成：

\boxed{ W \rightarrow V \rightarrow Y \rightarrow V' }

而第 9 篇 NVCL 將正式閉合：

V' \rightarrow Correction \rightarrow Y'

。

39. 模型視覺簽名實驗矩陣

至少需要：

Models

$M_1,\ldots,M_n$

Prompts

$P_1,\ldots,P_k$

Media

SVG
Canvas
Turtle
SceneGraph→Renderer

Loops

OPEN
ONE-FEEDBACK
MULTI-FEEDBACK

Constraints

NO STYLE PROMPT
STYLE CONTROLLED
PRIMITIVE CONTROLLED

40. 測量項目

Semantic fidelity

物件與關係是否正確。

Spatial fidelity

位置、遮蔽、數量。

Procedure complexity

C_{proc}

Primitive distribution

圖元偏好。

Compression ratio

\rho = \frac{\text{recoverable semantic units}} {\text{effective primitives}}

Correction profile

每次修改改善什麼。

Model attribution

Acc_{ID}

。

41. 新增：修正向量

令：

F(Y_t)

為作品特徵。

則：

\Delta F_t = F(Y_{t+1})-F(Y_t)

模型的 correction signature：

\Sigma_m^{corr} = \mathbb{E} [ \Delta F_t \mid error\ type ]

。

可以研究：

不同模型面對同一錯誤，傾向往哪裡修？

42. 新增：錯誤保留率

若第一次有錯誤 $e$ ：

e_t=1

回饋後：

e_{t+1}

定義：

R_e = P ( e_{t+1}=1 \mid e_t=1, feedback )

。

若某模型在特定錯誤類型上長期高 $R_e$ ，可能形成穩定 procedural blind spot。

43. 新增：風格保存與能力提升分離

閉迴路後我們希望：

Error\downarrow

但：

NCR_m

不必歸零。

理想：

\boxed{ CapabilityImprovement \not\Rightarrow SignatureErasure }

。

44. 如果所有模型修正後都變一樣呢？

那可能代表：

verifier 強迫單一審美；
reward 過度同質化；
renderer 主導；
visual signature 原本只是 error artifact。

這是可接受的反證。

45. 可反證預測 2.0

H1 跨提示殘差

同一模型的結構簽名跨提示保存。

H2 跨媒介殘差

程序媒介改變後，部分 decomposition / spatial signature 保存。

H3 回饋後結構殘差

控制錯誤下降，但模型特定 correction policy 仍可辨識。

H4 模型 ID 高於機會

held-out prompt / renderer 上：

Acc_{ID} > Chance

。

H5 程序 ID 與視覺 ID 可部分分離

有些模型：

code signature 強；
visual signature 弱；

反之亦然。

H6 NCR 比 surface style 更穩定

Stability(NCR) > Stability(style)

。

46. 反證條件

本理論應被削弱，如果：

跨提示後模型簽名消失；
換 renderer 後簽名消失；
去除 metadata 後 attribution 回到 chance；
加入 feedback 後所有特徵消失；
model ID 主要由工具模板決定；
training-neighbor 能解釋大部分穩定構圖。

此時所謂 native signature 可能只是：

TOOL SIGNATURE
TRAINING TEMPLATE
OPEN-LOOP ERROR

。

47. 與 Basal Vision 2.0 的關係

Basal Vision 2.0：

\mathcal{V}_b = ( Access, Field, Selection, Unmanifest, Perspective, Delta, Revision, Loop )

本篇則研究：

\boxed{ Externalize(\mathcal{V}_b) }

。

也就是：

基底視域如何變成公共作品？

48. 與語義視的關係

第 4 篇：

\mathcal{V}_{sem}

本篇：

\mathcal{V}_{sem} \rightarrow \mathcal{V}_{spatial} \rightarrow Y

。

因此 symbolic drawing 是語義視的一種特殊外顯測試。

49. 與 OAM 的意外類比

OAM 把內部語義場外部化成：

graph；
operator；
provenance；
version。

符號繪圖則把內部語義／空間場外部化成：

path；
object；
layer；
coordinate。

兩者都是：

\boxed{ \text{opaque internal field} \rightarrow \text{inspectable external structure} }

。

50. 下一篇為什麼必須是 NVCL 2.0？

因為本篇仍然只回答：

如何把視域外顯？

但沒有回答：

外顯錯了以後，系統如何看回自己的作品並學會修？

這必須靠：

Y_t \rightarrow V'_t \rightarrow \Delta_t \rightarrow Correction \rightarrow Y_{t+1}

。

第 9 篇將完整處理。

51. 命題與猜想

D1 視域外顯

將內部語義／空間視域轉成公共可感知 artifact 的操作。

D2 Native Construction Residual

控制主要外部條件後仍穩定存在的模型特定構造殘差。

P1 非可逆命題

一般繪圖不是觀察算子的嚴格 inverse。

P2 簽名非人格命題

可辨識 model signature 不推出模型具有類人藝術人格。

P3 兒童畫非證據命題

兒童畫相似感不能單獨證明 native style。

C1 NCR 穩定猜想

模型的分解、空間與修正殘差比表面風格更穩定。

C2 程序透明性猜想

符號繪圖較高的中介可見性，使其更適合作為模型構造策略 probe。

C3 回饋分離猜想

閉迴路會降低控制錯誤，但若 model-native construction residual 存在，不應全部消失。

C4 跨媒介保留猜想

同一模型在不同程序媒介中會保留部分高階結構簽名。

C5 模型歸因猜想

在嚴格 held-out 條件下，模型身份可由視覺／程序／修正軌跡以高於隨機的準確率識別。

52. 本文不主張什麼？

本文不主張：

AI 有神秘內在畫風；
AI 畫得像兒童就有兒童認知；
符號繪圖比像素模型更有靈魂；
SVG 是 AI 真正天然藝術媒介；
模型指紋等於審美風格；
classifier 能辨識 model 就證明人格；
生成不受訓練資料影響；
繪圖是觀察的數學逆函數。

53. 結論

《原生符號繪圖假說》v1.0 最重要的洞見是：

當模型必須自己把語義轉成有限圖元與程序時，我們可能更容易看到它如何構造世界。

v2.0 完整保留這一點。

但把「原生畫風」重新收斂為：

\boxed{ Native\ Construction\ Residual }

並拆成：

\boxed{ \Sigma_m = ( \Sigma_m^{dec}, \Sigma_m^{spa}, \Sigma_m^{proc}, \Sigma_m^{corr}, \Sigma_m^{sty} ) }

。

同時，繪圖不再被說成嚴格逆觀察：

\boxed{ Drawing \neq Observation^{-1} }

而是：

\boxed{ Drawing = Field\ Externalization + Public\ Projection }

。

整個方向可以寫成：

\boxed{ V_{\mathrm{semantic}} \rightarrow V_{\mathrm{spatial}} \rightarrow G_{\mathrm{procedural}} \rightarrow Y_{\mathrm{public}} }

。

因此，模型畫圖真正值得研究的問題不只是：

它畫得像誰？

而是：

它如何拆物件、如何空間化、如何把關係轉成程序、如何修正錯誤，以及哪些策略在媒介與提示變動後仍然穩定存在？

這才是「模型視覺簽名」在《視之基底》系列中的正典含義。

《原生視覺建構迴路 2.0：視、行動、顯影與自我校正》

將把：

\text{觀察} \rightarrow \text{顯影} \rightarrow \text{再觀察} \rightarrow \text{修正}

完整閉合。

參考文獻

Chen, S., et al. (2025). SVGenius: Benchmarking LLMs in SVG Understanding, Editing and Generation. arXiv:2506.03139.
Xing, X., Guan, Y., Zhang, J., Xu, D., & Yu, Q. (2025). Reason-SVG: Hybrid Reward RL for Aha-Moments in Vector Graphics Generation. arXiv:2505.24499.
Wang, F., et al. (2025). SVGen: Interpretable Vector Graphics Generation with Large Language Models. arXiv:2508.09168.
Malashenko, B., Jarsky, I., & Efimova, V. (2025). Leveraging Large Language Models For Scalable Vector Graphics Processing: A Review. arXiv:2503.04983.
Song, H. J., Khayatkhoei, M., & AbdAlmageed, W. (2024). ManiFPT: Defining and Analyzing Fingerprints of Generative Models. arXiv:2402.10401.
Nie, G., Kim, C., Yang, Y., & Ren, Y. (2023). Attributing Image Generative Models using Latent Fingerprints. arXiv:2304.09752.
Ma, S., Liang, S., & Tao, D. (2026). Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models. arXiv:2605.18132.
Neo.K. (2026). 原生符號繪圖假說：從語義壓縮、程序圖形到模型視覺簽名的可檢驗理論 v1.0. Historical Internal Paper.
Neo.K. (2026). 原生視覺建構迴路 v1.0. EveMissLab Internal Paper.
Neo.K. (2026). 基底視覺論 2.0：從資訊處理到感知位格. EveMissLab Internal Paper.
Neo.K. (2026). 內視、外視與語義視：觀察算子的統一族. EveMissLab Internal Paper.

內部研究備註

本文為系列第 8 篇。
v1.0 的「原生性＝控制條件後殘差」完整保留。
「逆觀察」只作方向性名稱；正典術語為 Visual-Field Externalization / Public Projection。
NCR 是 v2.0 新核心，優先研究 decomposition / spatial / procedural / correction，而非只研究 surface style。
第 9 篇必須把 correction signature 放進 NVCL trajectory。
第 10 篇總整合時，外顯算子應與 observation operator 明確分成相反方向但非互逆的兩族。

視之基底系列_08_繪圖作為逆觀察_原生符號繪圖與模型視覺簽名_v2.0