DALL-E 2语文水平被吐槽：金子和鱼画成真金·鱼，遇到一词多义就拉胯，失误率超80%
“Stable Diffusion没发现这类问题”
明敏 发自 凹非寺
量子位 | 公众号 QbitAI
以画画水平高超而风靡全球的DALL-E 2，语文水平被质疑了。
比如bat这个多义词，就把它给考住了。
a bat is flying over a baseball stadium（一只蝙蝠/球棍从棒球场上飞过）。
结果它画出来的图，蝙蝠和球拍都在天上飞。
而且这不是偶然的失误，如果输入“a person is hearing a bat”，画出来的还是蝙蝠和球棒都存在。
换成另一种情况，输入a fish and a gold ingot（一条鱼和一个金锭）。
好嘛，直接把两种东西都铸金了，变成真金·鱼。
可不能低估了这些失误，因为它们意味着DALL-E 2在根据文本生成图像的过程中，对语言中符号到实体的基本映射关系。
即一个词对应一个实体。
以bat举例，画出蝙蝠或者球棍，都算DALL-E 2理解正确，但是如果两个都给，那就有问题了。
这就好比本身是单选题，填A或B都对，可是把两个都写上就违反了规则。
更何况有时候它还把不同物体的修饰词弄错，“上一道题的解法用在下一道上”。
发现这一问题的，是来自巴伊兰大学、艾伦人工智能研究所的学者们，并且专门写了篇论文分析。
有趣的是，研究人员约阿夫·高柏（Yoav Goldberg）还提到，这种情况在mini DALL-E和Stable Diffusion中并不常见。
我猜这可能是因为所谓的逆规模现象（inverse scaling）。
简单理解就是“模型越大性能越差”。
论文具体说了啥？
几位学者在发现问题后，又反复进行了多次试验，并把问题主要划分为三种情况：
- 第一、一个单词被解释为两个不同的事物
- 第二、一个单词被解释为两个不同事物的修饰词
- 第三、一个单词在被解释为一个事物的同时，又被理解成另一种事物的修饰词
前两种情况开头已经提过。
第三种情况举例来说，输入“一匹斑马和一条街道”，输出的结果中一直都有斑马线。
在这里，DALL-E 2把斑马同时解释了两次。
在针对这些情况都重复试验后，作者计算出DALL-E 2在三种情况下，出现失误的概率都超过80%。
其中第二种情况的失误率最高，达到97.2%。
第三种情况下，如果给另一个名词前加上新的修饰词，可以避免失误发生。
即输入一匹斑马和一条碎石路，路面上就没有斑马线出现了。
而在用DALL-E mini和Stable Diffusion时，这些重复解释的情况并不常见。
作者解释，未来可以考虑研究模型的文本编解码器来追溯这些问题，并且可以研究这些问题和模型大小、框架是否有关系。
作者之一Yoav Goldberg是巴伊兰大学的杰出教授，也是艾伦人工智能研究院以色列分院的研究主任。
之前，他在纽约的谷歌研究中心做博士后。研究兴趣方向为NLP和机器学习，尤其对语法解析感兴趣。
还曾发现DALL-E 2自创语言
不过就在几个月之前，一位计算机专业的博士小哥发现，给DALL-E 2喂一些奇怪的语言，它也能生成同一类的图像。
而这些词，正是来自DALL-E 2生成图像中的。
比如输入“两个农民谈论蔬菜，带字幕（Two farmers talking about vegetables, with subtitles）”后，DALL-E 2给出的图像中，出现了一些“乱码”的词汇。
而如果再把图像中的新词Vicootes”当作描述丢给模型，没想到，出来这样一堆图像：
有萝卜、有南瓜、有小柿子……难道“Vicootes”就代表蔬菜？
如果再把上图气泡中一串“Apoploe vesrreaitais”扔给DALL-E 2，一堆鸟图出现了：
“难道说，这个单词代表‘鸟’，所以农民们似乎在谈论影响他们蔬菜的鸟类？”
当时，这位博士小哥把自己的发现发布在网络上后，立刻引起热议。
有人试图分析DALL-E 2是如何加密语言的，还有人觉得这只是噪声。
不过总的来说，在语言理解方面，DALL-E 2总能搞出点让人意想不到的事。
你觉得这背后原因到底是什么呢？
论文地址：
https://arxiv.org/pdf/2210.10606.pdf
参考链接：
https://twitter.com/yoavgo/status/1583088957226881025
- 12h订单破万，卖爆了的国产AR眼镜公司什么来头？2024-07-26
- 联想CTO换帅！芮勇转任新集团总裁，瞄准新兴技术2024-07-26
- ICML最佳论文曾被ICLR拒稿，Pika联创参与，一作已入职OpenAI2024-07-25
- 北大刘若川教授获拉马努金奖，中国学者4次获此殊荣2024-07-24
相关阅读
