🧩 S-L-G-T 视觉推理协议 v1.0（Draft）

Subject · Logic · Grounding · Texture
Visual Reasoning Protocol for Trustworthy AI Imagery

本协议定义了一种用于 AI 生成图像在新闻、知识传播与公共信息场景中保证逻辑一致性、证据完整性与伦理透明性 的视觉规范。

目标不是生成“好看的图”，而是生成可解释、可审计、可追责的图。

---

0. 版本说明（Versioning）

• 当前版本：v1.0（Draft）

• 根据真实项目反馈、模型更新和行业实践将持续迭代

• 所有变更都会记录在：
  /changelog/CHANGELOG.md

---

1. 协议背景（Why）

生成式 AI 在 2024–2025 的重大跃迁来自两个方向：

1. 空间一致性（Spatial Consistency）——影视领域受益最大

2. 推理能力（Logical Reasoning）——如 Gemini 3 的思维模式（Thinking Mode）

然而：
逻辑 ≠ 真实。
一致性 ≠ 可信。
专业感 ≠ 正确性。

新模型带来的最大风险不是“三只手”，
而是：

可置信但错误的逻辑链（Plausible but Wrong Reasoning）

新闻、科研和公共服务需要的不是“生成能力”，
而是可信视觉链条（Trustworthy Visual Chain）。

S-L-G-T 协议旨在用一套结构化语言约束 AI 的行为，
让图像生成不仅能“看”，还可以“验证”。

---

2. 协议目标（Goals）

S-L-G-T 要求所有 AI 生成的视觉内容必须满足：

① 本体明确（Ontological Clarity）

主体是谁？具体到何种层级？视觉来源是什么？

② 逻辑一致（Logical Consistency）

空间、因果、光源、物理链条必须解释得通。

③ 证据可查（Grounding Verifiable）

每一处视觉要素都必须链接到真实数据或来源。

④ 风格负责（Stylistic Accountability）

风格不是审美，而是修辞；必须符合语境与伦理要求。

换句话说：

我们不接受任何“不知道为什么这样画”的图像。

AI 必须可解释，而人类必须能审计。

---

3. 四维度总览（Overview）

维度	核心问题	必要产出物	常见风险
S – Subject	我到底画的是什么？	本体列表、特征 JSON、实体一致性说明	主体漂移、伪造物种、捏造事件
L – Logic	为什么这样构图？是否符合规律？	空间拓扑、光源链、因果链、3×3 网格	物理幻觉、角度错乱、推理断层
G – Grounding	根据什么？证据在哪？	数据来源、地理锚点、史料片段、引用规范	“编数据”、伪地形、错引史料
T – Texture	风格在表达什么？是否适当？	风格表、语境标注、伦理说明	灾难美化、科技塑料感、历史审美错配

---

4. S-L-G-T 正式规范（The Protocol）

---

S · Subject（主体 / 本体）

4.1 定义（Definition）

主体（Subject）指图像中所有具有语义意义的实体，包括：

• 人物 / 生物

• 建筑 / 场所

• 文物 / 物体

• 事件关联实体（如风暴、地质构造）

AI 不具有天然本体学。
因此必须由用户提供 明确的实体定义。

---

4.2 规则（Requirements）

S1 – 必须定义本体分辨率（Ontology Resolution）

实体必须明确到以下层级之一：

• L1：类别（如：船）

• L2：类型（如：木船）

• L3：细分类（如：宋代战船）

• L4：特定个体（如：温州朔门古港2号沉船）

默认最低要求：L3。

---

S2 – 不得生成超范围主体（No Out-of-Scope Entity）

模型不能随意“补充”：

• 新物种

• 新建筑

• 新地形

• 虚构人物

除非在 Prompt 中明确允许。

---

S3 – 要求主体一致性（Identity Persistence）

同一主体在多张图中必须保持：

• 外形一致

• 尺度一致

• 样貌不漂移

• 属性不变（如：鸟喙形状、旗帜样式）

---

4.3 建议（Recommendations）

• 使用 数字演员卡（Digital Actor Card）JSON：
  /templates/digital-actor-card.json

• 采用 命名实体表（Named Entity Table）

• 在长文档中使用 ID（如：SUB-001） 引用主体

---

L · Logic（空间 / 因果 / 物理）

5.1 定义（Definition）

逻辑（Logic）定义图像的空间组织方式及其背后的因果链条。

包括：

• 构图（Composition）

• 光照（Light Source）

• 风向（Wind Direction）

• 透视关系（Perspective）

• 地形遮挡（Occlusion）

• 行为链条（If A → Then B）

---

5.2 规则（Requirements）

L1 – 必须指定空间拓扑（Spatial Topology）

从以下三类中选择：

• 线性流（Linear Flow）

• 放射锚（Radial Anchor）

• 层级栈（Vertical Stack）

每个视觉元素必须服从拓扑结构。

---

L2 – 必须满足物理一致性（Physical Consistency）

包括但不限于：

• 风吹动方向一致

• 阴影方向与时间一致

• 水面波纹与风场一致

• 倾倒物方向符合力场

• 地形遮挡真实

---

L3 – 因果链必须闭合（Causal Closure）

如：

“台风登陆 → 树木向西倾倒 → 路灯杆弯曲 → 海浪推移方向变化”

任何一处断链都视为逻辑缺陷。

---

5.3 建议（Recommendations）

• 使用 空间逻辑罗盘（Space Logic Compass）

• 在 Prompt 中显式定义：

  • “Primary light source:”

  • “Wind vector:”

  • “Occlusion rule:”

• 采用 3×3 网格系统（Grid System）

---

G · Grounding（证据 / 数据 / 锚点）

6.1 定义（Definition）

Grounding 是本协议的核心要求：

图像中所有关键像素必须可链接到可验证的事实来源。

---

6.2 规则（Requirements）

G1 – 必须至少引用一类真实世界数据源

包括：

• 地理坐标（Lat/Lon）

• 卫星影像

• CSV 数据

• 官方统计

• 文献/史料

• API（如天气、地震）

---

G2 – 必须使用“According to” 指令框定数据范围

如：

According to: 
- Wenzhou Gazetteer (1746)
- NOAA Typhoon Track Dataset (2021–2024)

模型不允许编造越界数据。

---

G3 – 可视化不确定性（Visual Uncertainty）是强制要求

必须使用：

• 实线（confirmed）

• 虚线（hypothesis）

• 半透明（unknown）

来表达事实 / 推测。

---

6.3 建议（Recommendations）

• 使用 /templates/grounding-checklist.md

• 把 Grounding 来源写入元数据（Metadata）

• 对每项引用使用 ID（如：GND-002）

---

T · Texture（风格 / 修辞 / 伦理）

7.1 定义（Definition）

Texture 是图像的“叙事语气（Tonal Narrative）”。
它影响观众如何理解内容，因此属于伦理范畴。

---

7.2 规则（Requirements）

T1 – 风格必须符合语境（Contextual Fitness）

例如：

• 历史复原 → 应使用当时的“时代眼”

• 灾难报道 → 禁用戏剧光、炫光、暖滤镜

• 科技可视化 → 禁用“科幻风”误导性元素

---

T2 – 风格必须避免夸饰（No Aesthetic Inflation）

不得：

• 美化灾难

• 丝滑处理痛苦现场

• 把历史文献风格化到歪曲信息

---

T3 – 必须保留“粗粝感 / 瑕疵”以维持真实感

新闻视觉不应“过度干净”。

---

7.3 建议（Recommendations）

• 使用 /templates/visual-style-cards.md

• 明确标注所用风格来源，例如：

  • “Based on Song Dynasty Jiehua aesthetics”

  • “Based on 1980s analog film grain”

---

8. S-L-G-T 执行流程（How to Apply）

Step 1 — Define S（主体）

创建本体表 / JSON 资产库。

Step 2 — Define L（逻辑）

确定拓扑 → 光源 → 风场 → 视角 → 因果链。

Step 3 — Inject G（证据）

引用地理、数据、史料，建立事实约束。

Step 4 — Assign T（风格）

选择语境、伦理、时代美学。

Step 5 — 输出双重图像

• 版本 A：可视化结果

• 版本 B：可审计图层（evidence layers）

类似：

/output
  ├── visualization.png
  └── audit.json   ← 所有 S-L-G-T 参数

---

9. 合规性与审计（Compliance & Audit）

建议每个视觉内容附：

• Grounding 源清单

• S-L-G-T 结构化参数

• 不确定性标注

• 系统版本号（模型版本 / PromptOps 版本）

• 审计人员（Reviewer）ID

目标结构类似 C2PA 标准。

---

10. 未来版本规划（Roadmap）

v1.1

加入《不确定性可视化规范》

v1.3

新增“动态事件推理链”（Dynamic Event Chain）

v2.0

构建“视觉推理 Lint 工具”（自动检测逻辑/证据缺陷）

v3.0

社区共建 → 行业通用标准初稿

---

附录（Templates & Tools）

• /templates/slgt-canvas.pdf

• /templates/digital-actor-card.json

• /templates/grounding-checklist.md

• /templates/visual-style-cards.md

• /prompts/system/（盲区探测器、空间导演、证据审计员）

---

结束语

S-L-G-T 不是“改良版提示词”，
它是一套 重建 AI 时代视觉可信度的行业协议。

它既是框架，也是规矩；
既是指南，也是防火墙。

我们相信，在接下来的三年里，
每一张“可信 AI 视觉”，都会在 S-L-G-T 之下诞生。