设计师把做好的界面设计稿交给开发，开发照着实现，几小时后页面出来了。两边一对，总有几个地方对不齐。按钮差两个像素，标题字号差一号，间距看着就是别扭。这种日常摩擦有个专门的名字，叫设计还原。
现在很多人想用 AI 来做这件事，让模型看着设计稿直接生成网页。这几年模型进步很快，评测里模型还原网页整体结构的水平已经相当高，但同一批评测里，凡是跟精确位置有关的项，比如元素摆得对不对齐、大小合不合适，分数就明显掉下来。大眼一看挺像，放大一比全错，说的就是这个落差。为什么会这样，答案藏在 AI 还原设计稿的两条路里。
两条还原的路，都是一种类似盲人摸象的操作
现在 AI 还原设计稿，一般会用两种方式：截图通道和图纸通道。
截图通道就是给模型一张设计稿截图，让它直接生成代码。这条路吃的是像素，糊掉的细节全靠脑补，结果是大局像、细节不准。
另一条是图纸通道，直接读设计文件的节点数据，坐标、尺寸、颜色、字号，全是精确值。这条路精度高，可它看不见整体，判断不了这页看起来平不平衡、留白舒不舒服，审美全靠训练经验。更麻烦的是，设计文件本身常常没法直接当图纸用。设计师随手编的组、没命名没语义的图层、隐藏起来不参与排版的元素、大量绝对定位，这些东西跟应该输出的组件树根本对不上。结构噪声太大，模型在节点数据里翻半天，也找不到该以谁为准。
两条路各有各的盲，一条看不清细节，一条看不清整体。
模型的眼是怎么工作的
截图这条路为什么会糊掉细节、全靠脑补，得先看模型的眼睛是怎么工作的。模型看图和人眼完全不是一回事。一张图送进去，先被缩小，再被切成很多小方块，每个方块转成一串数字，再和文字混在一起送进网络。它看到的世界，是一串串数字。
切块这一步容易被误会。切块其实几乎不丢信息，一个 16 乘 16 的小色块转成一个向量，只是换了个表示形式。真正把细节糊掉的，是送进模型之前的那次缩小。一张 1440 像素宽的设计稿，要压到模型能接受的尺寸，12 像素的正文字号会缩成两三像素，小字在这个阶段就已经物理上不存在了，根本轮不到切块。小字、小图标、细边框，主要都是缩小时被丢掉的。
那它靠什么补上这些糊掉的细节，靠经验。训练的时候它看过几百万张网页截图，见过无数种按钮、字体、间距的组合，所以看到一个模糊的轮廓，它能脑补出这大概是个按钮，间距大概是 16 像素。
这不就是盲人摸象。
图纸那条路走的根本不是模型的眼。模型读设计文件时看到的是文本数据，坐标、尺寸、颜色全是数字，跟读文字没有区别，缩放切块那套机制在这里根本不发生，反倒躲过了模型眼睛近视的毛病。但文本通道有自己的难处，模型要把一串串坐标在脑子里还原成画面，才能判断这页好不好看。每个数字写在哪它都知道，连起来长什么样却感受不到。再叠上前面那些结构噪声，模型翻半天也分不清哪些是真正要输出的。图纸通道的盲人摸象，难点在把数字翻译成画面这件事上。
盲人摸象，而且经验有偏食
盲人摸到象腿，说大象是一根柱子。模型摸到的，是糊掉的图像块。为了让模型看清大图，现在的模型会把一张设计稿拆成好几块，分别送进网络再拼起来。块和块之间是什么关系，有的做法在旁边附一张整图的缩略图当索引，有的靠位置编码标出每块在原图的坐标，但不管哪种办法，块与块之间的全局关系都比原图弱了一层。说白了就是每个盲人各摸一块，再拼出一头大象。
而它摸过的大象还是偏食的。训练数据里网页的常见套路占了绝大多数，顶部导航、左侧菜单、居中按钮，它见得太多。一旦碰上冷门排版它就露馅，会把间距猜成训练数据里最常见的那个值，把 12 猜成 16，还信心满满。拆图管的是空间上的碎片，偏食管的是经验上的偏狭，两件事叠在一起，摸象摸得更不准。
模型也不是什么都不懂。判断一张图是海滩还是沙漠、人物是开心还是难过，这种大场景任务它很强。它弱的是细节，偏偏设计稿的命根子全在细节里。
想要百分百准确，缺的是什么
两条路摆在一起，真正缺的是同一个东西，设计者的意图。为什么这个间距是 12 而不是 16，这个按钮要不要全站复用，窄屏怎么重排，这些为什么不在截图里，也不在数据里。图纸和像素都只记录了结果，没记录原因。
2026 年的业界已经不满足于二选一了。主流工具开始两条路一起走，Figma 官方的接口同时提供结构化数据和截图，让模型先读数据拿准精度，再看截图感受整体。研究也证实了融合的价值，一项 2025 年的视觉研究测出，单一模态和深度融合之间的性能差距能到四成到六成。但融合补上的是信息，不是意图。截图补整体感知，数据补精确值，两条路合起来摸到的大象更完整了，可它为什么长这样，还是没人知道。这也是为什么最强的工具做还原，依然要人盯着改。
意图缺席，加上缩放丢细节、经验有偏食，这些力量叠在一起，才有了今天还原不准的现状。
还有一类对不齐跟模型能力也没关系，是字体。专业设计师一般会避开浏览器里没有的字体，所以字体回退很少发生，但偶尔还是会碰上，比如设计稿用了版权字体或者冷门字体，浏览器端没配对应文件，页面就回退到系统字体，字宽、行高、基线全变，整页间距跟着连锁偏移。这是纯工程问题，AI 眼睛再尖也救不了，只能靠把字体文件配齐来解决。另外，设计稿本身也常常不是真值，文件里可能躺着没对齐的图层、非整数的 12.5 像素，还原的人照抄，抄出来的就是歪的。
模型要进化，我认为方向有几条。
验证闭环是现在就在用的一条。生成完把页面渲染出来，和原稿做对比，哪里不对改哪里，反复几轮，误差一步步收敛。这个思路在研究和工程两边都被反复验证过，是目前性价比最高的手段。但通用模型自己改自己的效果有限，专门针对视觉差异训练过的模型效果会好一些，也做不到一百分。
主动提问的模式还在路上。模型不确定的时候主动问设计者，这个间距是固定还是响应式，把脑补变成澄清。这类做法工程上已经有人在试，我也在试，但还没普及，没有完整的效果测评。
心里装着完整模型更像远景。等到模型心里有一套完整的设计系统，知道它在各种宽度、各种状态下应该长什么样，它看任何一张图，都是拿完整模型去解释，而不是从图里猜。这条路方向没错，可今天还落不了地。
最本质的一条是，最好的还原是不需要还原。设计系统、设计 token、约束布局这些东西，本质上是在源头就把意图写成了规格。意图一旦显性化，还原就从猜谜变成了执行，准确率不再看模型的眼睛有多尖，而看规格写得有多全。
设计系统能接住的，是设计里可以规范化的那部分，间距、字号、颜色、层级，这些是重复劳动的大头，规范把它们接走之后，还原就真的变成了执行。可设计还有另一面，规范接不住。留白多一点少一点，气韵就变了；换一个字体，整页的气质就换了；那处说不清道不明的舒服，正是设计师发挥的空间。这些感性判断写不成显式规则，因为规范的本质是从大量作品里提取公共规律，而发挥恰恰是脱离公共规律的那部分，凡是能被提取成规范的，就已经不是发挥了。写不成显式规则，不等于模型学不到，审美偏好是可以被统计学习的，现在给模型打分、对齐审美方向的训练都在做。但学会审美是另一条路，跟把设计写成规格是两回事，这篇讲的还原，靠的还是前者。
那规范接不住的这部分怎么还原，靠人，或者靠验证闭环，让模型渲染出来，用整体感去判断，一遍遍逼近那个说不清的目标。这听起来像又绕回了盲人摸象，但性质已经变了，摸得准的部分越来越准，摸不准的部分至少知道边界在哪，剩下的交给审美。
所以最好的还原是不需要还原，这句话对规范内的部分成立。把能写成规范的意图在源头写清楚，大部分重复劳动就消失了。而设计之所以是设计，正因为总有一小块留在规范之外，那是设计师存在的理由，也是还原工程永远要面对的最后一步。这是概念上的论证，不是实验结论。想明白这个边界，才不会往错误的方向使劲，不会试图把感性硬塞进规范里，也不会因为规范管不住就干脆放弃规范。
到那一天，设计还原的大部分摩擦会真正消失，剩下的那一小撮，留给审美，留给人的眼睛。而现在的我们，还在摸象。