DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

网友:OpenAI又open了?

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

出场即炸场的DALL·E 3,又有新动向了!

这次直接宣布对ChatGPT Plus企业版用户开放,还连带公开了更多“官方推荐案例”。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

不仅如此,OpenAI还一纸论文透露了DALL·E 3的关键技术细节

相比其他AI,DALL·E 3表现最优秀的地方,应该就要属对提示词的完美遵循了。

无论是整体的环境描写,还是精确到物体数量、着装、颜色这种细节叙述,DALL·E 3都能很好地理解,并生成对应的画作,丝毫不漏重点。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

论文一公开,可以说是解决了“如何让DALL·E 3遵循指令”这一让诸多人困惑的问题,有网友感叹:

OpenAI终于又Open了?

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

一起来看看这篇DALL·E 3论文的关键细节,以及它的更多用例。

用数据集让DALL·E 3“唯命是从”

先来看看DALL·E 3论文最大的亮点:提示词遵循(prompt following)。

此前,不少绘画AI会刻意忽略提示词中的某些关键词、或是混淆提示词的含义(多义词如column,列还是柱子),简单来说就是文本提示词和画面细节没对齐。

OpenAI的研究人员在经过一番分析后认为,这是数据集的锅。

现有的图像文本对数据集,文字对图像的描述可以说是“惜字如金”。

尤其是从互联网上扒下来的数据集,大多数对图像的描述只有一句话,更别提细节了。包括环境、物体在内,容易忽略的文本描述主要有4类

  • 场景中物体描述,如厨房里的水槽、人行道上的停车标志等;
  • 物体位置和数量描述
  • 物体颜色和大小描述
  • 图像中的文本描述(如呈现在商店招牌上的字母/汉字)

除此之外,还有不少互联网上扒下来图像的文本描述,直接就是错误或不相关的,例如梗图或Alt文本(图像加载失败时网页上呈现的文字描述)。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

为此,有必要将这些图像对应的文本数据重新整理一遍,更准确地描述图像中的场景和物品进行描述。

光靠人力是不太可能的,毕竟要生成的“废话文学”太多了。

和RLHF一样,OpenAI同样将这个过程“自动化”了一波,让AI来完成这件事。

他们训练了一个“图像字幕器”(image captioner),专门用来给数据集中的图像重新生成文本描述。

这是“图像字幕器”给数据集中的部分图片生成文本描述的效果:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

这下子描述就详细多了。

那么,用AI来合成文本,实际训练出来的模型是否真能提升生成效果?

研究人员用开源模型(如CLIP)测试了一波,得出的结论是可以。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

不过也不能完全使用合成的文本描述,毕竟AI生成的内容可能有些“神秘共性”,直接全盘接受容易导致图像过拟合

因此,OpenAI还在CLIP上尝试了一波合成文本描述-图像数据集的效果。

他们发现,数据集中混杂95%的合成文本-图像数据时,CLIP的效果是最好的。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

最终,他们决定95%的图像用合成文本描述,剩下的5%图像依旧使用人工描述,用这个比例的文本-图像数据集重新训练了DALL·E 3,取得了不错的效果。

最后,OpenAI也采用人工评估的方法,对DALL·E 3和其他模型进行了测试。

评估方法大致像这样,询问人类哪个图像能更好地遵循提示词、或生成更好看的图像。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”
DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

结果显示,DALL·E 3相比Midjourney 5.2、SDXL和DALL·E 2,在提示词遵循、风格匹配等任务测试上均取得了不错的效果。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

已向企业版和Plus用户开放

除了这篇论文以外,OpenAI这次还公布了DALL·E 3的另一动向——向ChatGPT Plus企业版开放。

在宣布这一消息的同时,OpenAI也给出了企业和机构使用DALL·E 3的建议,例如做科学项目:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

搞网站设计:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

或是帮企业设计LOGO:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

当然,无论是ChatGPT Plus还是企业版,仍然也属于收费项目。

目前唯一可以免费玩到DALL·E 3的地方,应该还是微软的New Bing。

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

对于OpenAI带来的DALL·E 3新消息,不少网友感觉振奋。

有网友表示,DALL·E 3的出现真正给设计圈带来了改变,例如设计饮料包装等:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

还有网友已经在催API的到来了:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

但也有网友对这次更新不甚满意,尤其是对DALL·E 3论文涉及的技术信息表示了嘲讽:

直接用谷歌的T5文本编码器和卷积解码器,这就是公司发展太快的结果吗?

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

这里是网友提到的DALL·E 3论文细节:

DALL·E 3关键技术公开!19页论文揭秘如何对提示词“唯命是从”

要是对DALL·E 3的更多技术细节感兴趣,也可以到论文中找找答案~

论文地址:
https://cdn.openai.com/papers/dall-e-3.pdf

参考链接:
[1]https://twitter.com/OpenAI/status/1715050642560151963
[2]https://openai.com/blog/dall-e-3-is-now-available-in-chatgpt-plus-and-enterprise

版权所有,未经授权不得以任何形式转载及使用,违者必究。