email, defeats, wallart, cave, impacting, pi, peoplesvote, blames, mcclure, 👣, croati, desk, zazzle, numerous, mediter, eleng
這十六個詞元（Token）描述的是一張海蝕洞的照片。它們是寫給機器的，沒有任何人挑選過它們。圖說永遠無法窮盡一張圖，圖像也常常逃離語言；無論從哪個方向，都不存在一個正確的描述。
這台機器是 CLIP，一個許多圖像生成器用來連結圖片與文字的多模態基礎模型（Multimodal Foundation Model）。視覺 Transformer（Vision Transformer）把照片轉成一個向量，文字 Transformer 也把一串詞元轉成向量，兩個向量越朝同一個方向，分數就越高。CLIP 約 49,000 個詞元的字典，同時是它的詞彙，也是它衡量一句話與一張圖有多相符的尺。
遺傳演算法
這串詞元是培育出來的，不是寫出來的。遺傳演算法模仿演化：先產生一群隨機的詞元序列，逐一和照片比對打分，留下最好的，再用它們繁殖下一代：把兩條序列交叉互換，並隨機突變其中幾個詞元。經過兩百代、每代 2048 個候選，序列一點一點靠近那張圖，最後停在一個局部最佳解：眾多可能答案中的一個，而不是唯一正確的答案。一張圖能得出許多序列，每一條序列又能生出許多圖。
結果讀起來像雜訊：croati、mediter 這類只剩一半的字，一個商店名稱，一個政治標籤，一串腳印。然而從未參與這場搜尋的圖像模型，卻能從中畫出一個洞穴。這些詞元以數字的形式直接交給每個模型，跳過把文字切成詞元的那一步，所以這首詩只存在於機器自己的詞彙裡。
這件作品把這樣的序列當作寫給機器的詩來讀，它在兩個方向上都是對抗性的：對模型而言，它本為自然語言而設計，這裡卻只被拿來對著自己的分數最佳化；對人類讀者而言，它是一種拒絕被轉述的書寫。我們不是收信人，只是在一旁偷聽。
同一個提示詞，四個模型
實際的提示詞就只是這十六個數字，一個詞元一個：33537, 16317, 36223, 9654, 29359, 741, 45830, 27841, 44945, 39755, 28072, 6550, 47857, 17082, 14194, 48180。同樣這十六個數字交給四個完全沒有參與搜尋的圖像生成器，每一個都畫出了自己的海蝕洞：FLUX.1-dev 與 Stable Diffusion 3.5 Medium（兩者都只用 CLIP ViT-L/14 文字編碼器）、Stable Diffusion XL Base 1.0，以及 Stable Diffusion 1.5。簡單來說：一串對人毫無意義的數字，在不同的機器裡都能把那張照片重新叫回來。
比文字更接近
CLIP 判斷這張照片與五種描述有多接近：
（偷懶的）人類，“a photo of a cave and the ocean”：0.272
這十六個詞元：0.433
ChatGPT：0.258
JoyCaption Beta One：0.271
Gemini：0.273
這十六個詞元分數最高，是因為搜尋推高的正是這個分數。真正重要的是，從未看過這場搜尋的其他圖像模型，依然把它們讀成一個洞穴。
提示詞重建
同樣的方法也能用在人的照片上。從一張兩個人在戶外交談的照片培育出來的「samsungeeeee julien èsuzuki kai noiennial newprofilehannover astronomer patio amp designers chatting」，讓 FLUX.1-dev、Stable Diffusion 3.5、SDXL 與 Stable Diffusion 1.5 各自畫出兩個人交談的畫面。
狀態
開發中。初步版本曾以「Prompt Reconstruction」之名，在講演《51 Ways to Spell the Image Giraffe》中展示（39C3，漢堡，2025）。
Artists and developers: Ting-Chun Liu, Leon-Etienne Kühr
Target photograph: Stefan Kunze / Unsplash
Four-image grid, row by row: FLUX.1-dev, Stable Diffusion 3.5 medium, Stable Diffusion XL, Stable Diffusion 1.5
