# 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：** 1. 《內視、外視與語義視：觀察算子的統一族》v0.1 2. 《基底視覺論 2.0：從資訊處理到感知位格》v2.0 3. 《原生符號繪圖假說》v1.0（歷史前作） 4. 《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： 1. 觀察通常是有損的； 2. 視域本身並不唯一； 3. 繪圖需要補充未被明確指定的幾何、風格與程序細節； 4. 同一視域可以被外顯成多種作品； 5. 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： ```text 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： ```text 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： ```text head ears eyes body tail ``` 模型 B： ```text 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： ```text ARTIFACT ``` 與： ```text 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： ```text 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： ```text fish inside transparent nest ``` 而 verifier 看成： ```text 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： ```text semantic node → spatial node → graphic object → SVG element ``` 例如： ```text FOX.tail → behind-body-right → path_27 → ``` 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 ```text SVG Canvas Turtle SceneGraph→Renderer ``` ## Loops ```text OPEN ONE-FEEDBACK MULTI-FEEDBACK ``` ## Constraints ```text 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： 1. 跨提示後模型簽名消失； 2. 換 renderer 後簽名消失； 3. 去除 metadata 後 attribution 回到 chance； 4. 加入 feedback 後所有特徵消失； 5. model ID 主要由工具模板決定； 6. training-neighbor 能解釋大部分穩定構圖。 此時所謂 native signature 可能只是： ```text 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： 1. AI 有神秘內在畫風； 2. AI 畫得像兒童就有兒童認知； 3. 符號繪圖比像素模型更有靈魂； 4. SVG 是 AI 真正天然藝術媒介； 5. 模型指紋等於審美風格； 6. classifier 能辨識 model 就證明人格； 7. 生成不受訓練資料影響； 8. 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。 下一篇： # 《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 1. Chen, S., et al. (2025). *SVGenius: Benchmarking LLMs in SVG Understanding, Editing and Generation*. arXiv:2506.03139. 2. 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. 3. Wang, F., et al. (2025). *SVGen: Interpretable Vector Graphics Generation with Large Language Models*. arXiv:2508.09168. 4. Malashenko, B., Jarsky, I., & Efimova, V. (2025). *Leveraging Large Language Models For Scalable Vector Graphics Processing: A Review*. arXiv:2503.04983. 5. Song, H. J., Khayatkhoei, M., & AbdAlmageed, W. (2024). *ManiFPT: Defining and Analyzing Fingerprints of Generative Models*. arXiv:2402.10401. 6. Nie, G., Kim, C., Yang, Y., & Ren, Y. (2023). *Attributing Image Generative Models using Latent Fingerprints*. arXiv:2304.09752. 7. Ma, S., Liang, S., & Tao, D. (2026). *Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models*. arXiv:2605.18132. 8. 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. 9. Neo.K. (2026). *原生視覺建構迴路* v1.0. EveMissLab Internal Paper. 10. Neo.K. (2026). *基底視覺論 2.0：從資訊處理到感知位格*. EveMissLab Internal Paper. 11. 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 1. 本文為系列第 8 篇。 2. v1.0 的「原生性＝控制條件後殘差」完整保留。 3. 「逆觀察」只作方向性名稱；正典術語為 Visual-Field Externalization / Public Projection。 4. NCR 是 v2.0 新核心，優先研究 decomposition / spatial / procedural / correction，而非只研究 surface style。 5. 第 9 篇必須把 correction signature 放進 NVCL trajectory。 6. 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。