Почему нейросеть рисует лишние пальцы: как Midjourney и DALL·E видят руки
Если коротко: нейросеть не «рисует» руку и нигде внутри себя не знает, что пальцев должно быть пять. Она восстанавливает картинку из случайного шума, шаг за шагом убирая лишнее, и ориентируется только на статистику миллионов фотографий. А руки на этих фото выглядят каждый раз по-разному — другой ракурс, другой жест, пальцы налезают друг на друга, — поэтому модель «не знает, где остановиться» и иногда дорисовывает шестой палец или сращивает два в один. Это не поломка и не злой умысел, а прямое следствие того, как устроена сама генерация.
Это канал «Всё про ИИ и Роботов». Мы любим брать мем, над которым все смеются, и показывать механизм под ним. Сегодня — та самая жутковатая рука из Midjourney, DALL·E и Stable Diffusion, где пальцев то шесть, то четыре с половиной. Разберёмся, почему страдают именно руки, почему в 2026 году стало заметно лучше и почему пальцы всё равно иногда вылезают.
Нейросеть не рисует — она убирает шум
Главная ошибка в голове у большинства людей — что ИИ «рисует» картинку штрих за штрихом, как художник. Это не так. Современные генераторы изображений — это диффузионные модели, и работают они задом наперёд. Сначала модель учат портить картинки: к настоящей фотографии много раз добавляют случайный шум, пока от неё не остаётся ровный «телевизионный снег». А потом учат обратному — предсказывать и убирать этот шум шаг за шагом. Математику такого «восстановления картинки из шума» аккуратно описали ещё в 2020 году в работе Denoising Diffusion Probabilistic Models, и с тех пор на этом принципе построены почти все популярные генераторы.
Когда вы пишете промпт, модель стартует не с чистого листа, а с чистого шума — случайного поля пикселей. Дальше за несколько десятков шагов она его «проявляет»: на каждом шаге предсказывает, какую часть шума убрать, чтобы результат был чуть больше похож на то, что просили в тексте. Чтобы это было быстро, Stable Diffusion и его потомки делают это не с самими пикселями, а со сжатым «эскизом» картинки — в так называемом латентном пространстве, как показано в статье про латентные диффузионные модели от команды, из работы которой и вырос Stable Diffusion. Ключевой момент: на каждом шаге модель предсказывает ШУМ, а не объект. Она нигде не оперирует понятиями «рука», «палец», «пять». У неё есть только одно умение — угадывать, какой пиксель обычно стоит рядом с каким.
У модели нет понятия «рука = пять пальцев»
Вот здесь и прячется «ага»-момент. У нейросети нет внутренней модели мира. Она не считает пальцы, не знает анатомию, не представляет руку как объём с костями и суставами. Всё, что она усвоила за время обучения, — это статистические закономерности: какие пятна и переходы цвета обычно встречаются на картинках, подписанных словом «рука». Если в обучающих данных рядом с запястьем чаще всего идёт «несколько вытянутых розоватых штук», модель честно воспроизводит «несколько вытянутых розоватых штук». Четыре их, пять или шесть — для неё вопрос не принципа, а вероятности, и иногда вероятность подводит.
Как объясняет профессор Питер Бентли из Университетского колледжа Лондона, эти модели «не имеют никакого понятия о трёхмерной геометрии руки»: они уловили общую идею — есть ладонь, пальцы, ногти, — но не понимают предмет целиком и просто комбинируют всё, что видели, чтобы максимально совпасть с текстовым описанием. У человека есть встроенное знание «пальцев пять», которое мгновенно ловит ошибку. У диффузионной модели такого контролёра нет: если шумная заготовка повела её к шестому пальцу, остановить её нечему.
Это та же природа, что и у текстовых «галлюцинаций»: языковая модель уверенно выдумывает несуществующий факт ровно потому, что подбирает статистически правдоподобное продолжение, а не сверяется с реальностью. Лишний палец — это визуальная галлюцинация того же рода.
Если хочется подробнее про сам путь «текст → картинка» — как промпт превращается в изображение и почему две генерации по одному запросу выходят разными, — у нас есть отдельный разбор.
Почему именно руки, а не носы и уши
Логичный вопрос: если модель просто воспроизводит статистику, почему тогда лица получаются идеальными, а руки — кошмаром? Ответ в том, насколько «ровно» выглядит объект в обучающих данных. Лицо почти всегда снято анфас или в три четверти, у него жёсткая композиция — два глаза, нос, рот всегда примерно на тех же местах, оно крупное в кадре и редко само себя заслоняет. Для статистической модели это подарок: закономерность стабильная, пикселей на обучение много, ошибиться трудно.
С руками всё наоборот, и сразу по нескольким причинам. Во-первых, рука — самая вариативная по форме часть тела: кулак, раскрытая ладонь, щепоть, жест «V», рука в кармане, рука, держащая чашку, — это сотни принципиально разных силуэтов под одним словом. Во-вторых, пальцы постоянно перекрывают друг друга: на реальной фотографии их часто физически не сосчитать, и модель учится на изображениях, где «правильное» число пальцев не видно. В-третьих, рука в кадре обычно мелкая — на неё приходится мало пикселей, а значит, мало деталей, на которых можно учиться. В итоге по «числу пальцев» в данных нет чёткой нормы: модель видела и ладони с пятью пальцами, и кулаки с нулём видимых, и всё между. Нормы нет — вот она и плавает.
Табличка-резюме, почему одно даётся легко, а другое нет:
Лицо → почти всегда анфас/3-4, жёсткая композиция → ошибается редко
Руки → сотни ракурсов и жестов, пальцы перекрываются → шесть пальцев и срастания
Мелкие детали (зубы, украшения, текст) → редкие и вариативные → тоже частые артефакты
Миф: «ИИ тупой» или «рисует так назло»
Теперь развенчаем главный миф. В комментариях под кривыми руками обычно пишут одно из двух: «нейросеть тупая» или «она специально так делает, чтобы было видно, что это ИИ». Оба объяснения мимо.
«Специально» — невозможно технически: у модели нет ни намерения, ни механизма «пометить» свою работу лишним пальцем. Она просто минимизирует расхождение между предсказанным и ожидаемым шумом, и артефакт — это не метка, а ошибка округления статистики. «Тупая» — тоже неверно: та же самая модель безошибочно строит перспективу комнаты, реалистичную кожу, сложное освещение и отражения. Проблема не в «уме», а в неравномерности данных: там, где объект в обучающей выборке стабилен, результат отличный; там, где он вариативен и плохо виден, — сыпется. Руки — это просто самое заметное место, где встречаются сразу все неудачные условия. Кривые пальцы — честный индикатор того, как именно работает генерация, а не доказательство её глупости.
Почему в 2026 стало лучше — и почему пальцы всё равно вылезают
Если вы давно не видели по-настоящему уродливых рук от ИИ — это не кажется. За последние пару лет прогресс огромный, и у него три понятных двигателя. Первый — больше и чище данные: разработчики целенаправленно добавляют в обучение изображения рук с хорошими подписями, фильтруют мусор, а часть моделей дообучают на 3D-данных, чтобы они «почувствовали» объём. Второй — архитектура и внимание: новые модели лучше удерживают связность картинки целиком, а не по кусочкам. Третий — просто масштаб: модели стали больше, а обучают их на огромных кластерах видеокарт.
Конкретика. В техническом отчёте о Stable Diffusion 3 разработчики перешли на новую архитектуру (multimodal diffusion transformer) и заявляют заметный рост качества и точности следования промпту. А Midjourney в седьмой версии модели, вышедшей весной 2025 года, по словам основателя сервиса, дала «значительно лучшую связность тел, рук и объектов во всех деталях» — ту самую проблему рук тут чинили адресно. Так что да, шесть пальцев в 2026-м — уже скорее исключение, чем правило.
Но полностью артефакты не ушли и по фундаментальной причине: природа генерации не изменилась. Это по-прежнему статистическое восстановление из шума без настоящего понимания анатомии. Лучшие данные и архитектура сдвигают вероятность ошибки вниз, но не обнуляют её — особенно на сложных жестах, переплетённых пальцах двух людей, руках на заднем плане или в непривычном ракурсе. Пока у модели нет честной трёхмерной модели руки, «где остановиться» она угадывает, а не знает. Кстати, именно поэтому обучение таких моделей требует столько вычислений — почему это считают на видеокартах, а не на обычном процессоре, мы разбирали отдельно.
Что с этим делать на практике
Хорошая новость: раз мы понимаем механизм, советы следуют сами собой, и они работают в любом генераторе. Главное — не воевать с моделью, а не загонять её в заведомо сложные для неё ситуации.
Перегенерируйте. Каждая генерация стартует со своего случайного шума, поэтому неудачная рука — это часто просто «плохая заготовка». Нажмите «ещё раз» несколько раз: обычно пара вариантов из четырёх выходит нормальной. Прячьте руки в простые позы. Руки в карманах, скрещённые на груди, держащие крупный предмет (чашку, книгу, инструмент) — модели проще, потому что таких снимков в данных много и пальцев видно меньше. Не просите крупный план кистей без необходимости — чем мельче рука в кадре, тем меньше шансов на артефакт. Дорисуйте локально. Во всех серьёзных редакторах есть inpainting: выделяете только проблемную кисть и перегенерируете её отдельно, часто с явной подсказкой вроде «пять пальцев, анатомически верная рука». И проверяйте глазами — у ИИ нет контролёра «пальцев пять», этим контролёром пока остаётесь вы.
Коротко
— Нейросеть не рисует руку, а восстанавливает всю картинку из случайного шума, предсказывая на каждом шаге, что убрать.
— Внутри нет понятия «рука = пять пальцев» — есть только статистика пикселей из обучающих фото.
— Руки страдают, потому что они самые вариативные: сотни ракурсов и жестов, пальцы перекрываются, рука мелкая в кадре — чёткой «нормы» в данных нет.
— Это не «тупость» и не «специально»: та же модель отлично рисует лица и свет. Лишний палец — такая же «галлюцинация», как выдуманный факт у чат-бота.
— В 2026-м стало заметно лучше за счёт данных, 3D-дообучения и новых архитектур (Stable Diffusion 3, Midjourney v7), но полностью артефакты не ушли.
— На практике: перегенерируйте, прячьте руки в простые позы, дорисовывайте кисть локально и проверяйте результат глазами.
Хотите увидеть всё это своими глазами — сгенерировать картинку, сравнить версии моделей и поймать тот самый шестой палец? Это можно сделать прямо у нас.
Пока нет комментариев