實(shí)測(cè)騰訊AI文生圖！王者榮耀畫風(fēng)一鍵直出，小程序就能玩

夢(mèng)晨 蕭簫 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

鵝廠大模型，又有新玩法！

發(fā)布不到兩個(gè)月，騰訊混元大模型就速通了一個(gè)新版本，除了語(yǔ)言模型升級(jí)以外，還悄悄上線了AIGC最火熱的功能——

文生圖。

和語(yǔ)言模型一樣，文生圖同樣可以通過(guò)微信小程序直接體驗(yàn)。

不過(guò)與Midjourney獨(dú)立出圖不同，混元的文生圖和對(duì)話功能“互不耽誤”，可以邊聊邊畫，與DALL·E 3體驗(yàn)相似。

之前已經(jīng)申請(qǐng)測(cè)試通過(guò)的，可以立刻沖了~

還在排隊(duì)中的也別急，我們已經(jīng)快速實(shí)測(cè)了一波熱圖，這就先放出來(lái)給大伙兒看看。

混元文生圖上手實(shí)測(cè)

根據(jù)騰訊介紹，混元大模型文生圖最大的優(yōu)勢(shì)在三處：真實(shí)感、中文理解、風(fēng)格多樣。

接下來(lái)就挨個(gè)試試它做到了什么程度。

先來(lái)畫人，復(fù)刻一波之前爆火過(guò)的Midjourney“寫實(shí)90年代北京情侶”看看。

請(qǐng)輸出一張攝影風(fēng)的照片，在20世紀(jì)90年代的北京，一個(gè)男性和一個(gè)女性，面帶微笑，坐在屋頂，穿著夾克和牛仔褲，有很多的建筑物，真實(shí)感

可以看出，寫實(shí)風(fēng)格的人像還是很拿手的，人物姿態(tài)合理，畫亞洲人臉與國(guó)外AI相也比較自然。

注意這里有個(gè)小技巧，想要寫實(shí)風(fēng)格的話最好用“生成一張……”來(lái)觸發(fā)，如果用“畫一張……”大概率會(huì)得到插畫風(fēng)格。

寫實(shí)風(fēng)格的人像可以，再看看畫風(fēng)景如何。

除了一般的風(fēng)景描述，混元大模型支持指定一個(gè)真實(shí)存在的景點(diǎn)，比如“桂林山水”或“長(zhǎng)城”。

畢竟是AI生成，和真實(shí)景觀不會(huì)完全一樣，但感覺(jué)還是到位了。

接下來(lái)要上難度了，把這兩個(gè)場(chǎng)景“組合”起來(lái)：

生成一張桂林山水，但是岸上有長(zhǎng)城，攝影風(fēng)格，真實(shí)感，高度細(xì)節(jié)。

這么離譜的需求都畫出來(lái)了，甚至水面還有水波，看來(lái)不是簡(jiǎn)單地重現(xiàn)訓(xùn)練數(shù)據(jù)，而是對(duì)概念有一些自己的理解。

那么更復(fù)雜的概念如何？

曾經(jīng)，AI因不理解中文菜名鬧過(guò)一波笑話。

經(jīng)過(guò)這半年的發(fā)展，“紅燒獅子頭”里不會(huì)出現(xiàn)獅子的頭，“夫妻肺片”里也不會(huì)變成恐怖片了，甚至看著還挺香。

要說(shuō)比菜名更有挑戰(zhàn)的，就到了古詩(shī)詞，正好寫實(shí)風(fēng)格也看膩了也可以換換口味。

生成一張圖片：孤舟蓑笠翁，獨(dú)釣寒江雪，水墨畫風(fēng)格。

總得來(lái)說(shuō)還不錯(cuò)，美中不足之處在于一張圖沒(méi)有“舟”，還有一張舟上坐了兩個(gè)“翁”，就沒(méi)有孤獨(dú)的意境了。

看來(lái)詩(shī)詞這種過(guò)于凝練的還是有難度。

But，別忘了混元助手同時(shí)擁有聊天對(duì)話能力，還支持多輪對(duì)話。

借助強(qiáng)大的語(yǔ)言模型部分，我們也找出解決辦法。

接下來(lái)只需用“這些要求”、“上述要求”來(lái)指代上面的回答，就可以讓兩個(gè)功能聯(lián)動(dòng)起來(lái)了。

再畫就會(huì)更穩(wěn)定，而且增加了雪花飄落的細(xì)節(jié)。

記住這個(gè)小技巧，接下來(lái)還會(huì)用到。

其實(shí)在騰訊混元助手中，專門準(zhǔn)備了這樣一個(gè)存為指令的功能。

存好后就可以從對(duì)話框右邊的魔法棒圖標(biāo)處快速調(diào)用了，只需要更改要描述的內(nèi)容即可。

還可以方便地一鍵分享到微信，4張圖一次分享讓好友幫忙選，不用來(lái)回截圖了。

直接打開(kāi)分享鏈接，就可以放大查看四張圖，還可以開(kāi)始新對(duì)話！

了解過(guò)混元大模型的中文理解能力，再來(lái)試試最后一個(gè)特點(diǎn)風(fēng)格多樣性。

既然是騰訊出品，游戲插畫肯定少不了，比如正火的賽博朋克風(fēng)。

有點(diǎn)感覺(jué)了，但總覺(jué)得還差點(diǎn)意思。

可以用上面的技巧來(lái)，聯(lián)動(dòng)語(yǔ)言模型來(lái)明確賽博朋克風(fēng)格的特點(diǎn)。

再手動(dòng)加億點(diǎn)點(diǎn)料，就更對(duì)味了。

不同游戲的畫風(fēng)差距極大，測(cè)試下來(lái)混元助手確實(shí)能hold住不少，從3D到2D甚至像素都沒(méi)問(wèn)題。

即使是同一話題和風(fēng)格限定，也能展現(xiàn)出不同的畫風(fēng)，F(xiàn)urry控狂喜（doge）

其實(shí)騰訊透露，內(nèi)部多個(gè)場(chǎng)景已經(jīng)用上了混元大模型文生圖能力。

雖然還不知道具體怎么使用，但是我們測(cè)試了一下用《王者榮耀》來(lái)當(dāng)風(fēng)格限定詞，混元也能理解。

除了游戲之外還有廣告場(chǎng)景，前面提到的混元大模型文生圖真實(shí)感的優(yōu)勢(shì)就能發(fā)揮出來(lái)。

也別忘了騰訊還有一大塊內(nèi)容業(yè)務(wù)，來(lái)個(gè)玄幻小說(shuō)插圖也沒(méi)問(wèn)題。

這樣的文生圖效果，背后究竟是通過(guò)什么原理實(shí)現(xiàn)的？

在此之前，業(yè)界其實(shí)已經(jīng)有不少文生圖的開(kāi)源模型。

騰訊是基于其中某種方案打造，還是重新進(jìn)行的自研？

帶著種種問(wèn)題，我們和騰訊混元大模型文生圖技術(shù)負(fù)責(zé)人蘆清林聊了聊，了解了一下背后的技術(shù)細(xì)節(jié)。

模型全自研，用20億+圖文對(duì)煉成

“從算法、數(shù)據(jù)系統(tǒng)到工程平臺(tái)，都是從0到1自研?！?/p>

蘆清林表示，這也算是騰訊混元大模型文生圖功能的優(yōu)勢(shì)，這樣從生成自由度到數(shù)據(jù)安全性，就都能完全把控，也讓生成的圖像“更符合用戶需求”。

首先是在算法這一塊。

當(dāng)前文生圖模型普遍存在三個(gè)難點(diǎn)，語(yǔ)義理解差、構(gòu)圖不合理、畫面細(xì)節(jié)無(wú)質(zhì)感。

語(yǔ)義理解差，就是模型聽(tīng)不懂人話，尤其是中英文夾雜的人話。

當(dāng)前業(yè)界普遍采用的是開(kāi)源的CLIP算法，然而它一來(lái)沒(méi)有建模中文語(yǔ)言，輸入中文只能靠翻譯，會(huì)出現(xiàn)紅燒獅子頭真的生成獅子的問(wèn)題（doge）；另一個(gè)是訓(xùn)練時(shí)圖文對(duì)齊能力不行。

構(gòu)圖不合理，指的是生成的人體結(jié)構(gòu)、畫面結(jié)構(gòu)有問(wèn)題，直接“生異形”。

如果直接基于業(yè)界已有的開(kāi)源擴(kuò)散模型生成圖像，就容易出現(xiàn)這個(gè)問(wèn)題，像是出現(xiàn)“三只手”或者各種奇怪的畫面結(jié)構(gòu)。

畫面細(xì)節(jié)無(wú)質(zhì)感，就是生成圖像清晰度差。當(dāng)前不少數(shù)據(jù)集圖像分辨率和質(zhì)量不高，容易導(dǎo)致訓(xùn)練出來(lái)的開(kāi)源模型質(zhì)量也不高。

為了解決這三個(gè)難點(diǎn)，騰訊混元團(tuán)隊(duì)在算法階段，特意用了三類模型組合來(lái)“逐個(gè)擊破”。

語(yǔ)義理解上，騰訊自研了跨模態(tài)預(yù)訓(xùn)練大模型，不僅讓它同時(shí)學(xué)會(huì)建模中英文，而且強(qiáng)化文本和圖像細(xì)粒度特征的聯(lián)系，簡(jiǎn)單來(lái)說(shuō)就是中文、英文、圖像三者的“跨模態(tài)對(duì)齊”。

生成構(gòu)圖上，騰訊自研了一種擴(kuò)散模型和Transformer混合的架構(gòu)，尤其是將Transformer當(dāng)前大火的旋轉(zhuǎn)位置編碼研究給用上了。

旋轉(zhuǎn)位置編碼通常被用于增加大模型的上下文長(zhǎng)度，不過(guò)在這里被騰訊巧妙地用于刻畫人體結(jié)構(gòu)，讓模型既能掌握全局信息（人體骨架）又能理解局部信息（臉部細(xì)節(jié)）。

最后是在畫面細(xì)節(jié)上，騰訊自研了超分辨率模型，與此同時(shí)還結(jié)合了多種算法，針對(duì)圖像不同的細(xì)節(jié)進(jìn)行優(yōu)化，讓最后生成的圖像進(jìn)一步“耐看”。

這樣做出來(lái)的模型架構(gòu)，不僅能生成質(zhì)量更高的圖片（分辨率1024×1024），而且只需要微調(diào)一下架構(gòu)，就能變成圖生圖、甚至是文生視頻模型。

接下來(lái)，就是關(guān)鍵的數(shù)據(jù)部分了。

對(duì)于文生圖而言，生成圖像的質(zhì)量，很大程度上取決于數(shù)據(jù)的質(zhì)量，OpenAI在DALL·E 3論文中，通篇都在強(qiáng)調(diào)數(shù)據(jù)對(duì)于指令跟隨的重要性。

騰訊也非常重視數(shù)據(jù)對(duì)模型的重要性，并同樣自研了三方面的技術(shù)。

在數(shù)據(jù)質(zhì)量上，由于互聯(lián)網(wǎng)上扒下來(lái)的數(shù)據(jù)集，往往存在文字描述簡(jiǎn)潔、和生成內(nèi)容不完全匹配的問(wèn)題，因此團(tuán)隊(duì)通過(guò)改善圖-文對(duì)數(shù)據(jù)集中的“文”部分，也就是細(xì)化中文的文本描述，來(lái)提升圖文數(shù)據(jù)的相關(guān)性；

在數(shù)據(jù)效果上，團(tuán)隊(duì)針對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了“金銀銅”分層分級(jí)，等級(jí)越高，意味著數(shù)據(jù)清洗程度越精細(xì)。

其中，20+億未清洗的“青銅數(shù)據(jù)”，用來(lái)對(duì)所有模型進(jìn)行“粗加工”，也就是預(yù)訓(xùn)練；

6億+“白銀數(shù)據(jù)”，用來(lái)對(duì)生成模型進(jìn)一步加工，提升生成質(zhì)量；

1.12億+精心清洗的“黃金數(shù)據(jù)”，則用來(lái)對(duì)模型進(jìn)行“精加工”，也就是精調(diào)突擊訓(xùn)練，確保訓(xùn)練出來(lái)的模型質(zhì)量更優(yōu)秀。

在數(shù)據(jù)效率上，為了加快訓(xùn)練速度，尤其是針對(duì)用戶反饋對(duì)模型進(jìn)行優(yōu)化的速度，騰訊也建立了數(shù)據(jù)飛輪，自動(dòng)化構(gòu)建訓(xùn)練數(shù)據(jù)并加快模型迭代，讓模型生成準(zhǔn)確率進(jìn)一步提升。

據(jù)蘆清林透露，數(shù)據(jù)飛輪這個(gè)技術(shù)，也正是解決數(shù)據(jù)長(zhǎng)尾場(chǎng)景難題的關(guān)鍵。

由于我們的生活中總是在出現(xiàn)一些潮流新詞，例如“玲娜貝兒”等，這種名詞往往在數(shù)據(jù)集中不常見(jiàn)，而用戶又會(huì)在輸入時(shí)使用，因此往往需要第一時(shí)間更新進(jìn)訓(xùn)練數(shù)據(jù)中。

有了數(shù)據(jù)飛輪，就能將這個(gè)過(guò)程效率進(jìn)一步提升，避免模型在見(jiàn)識(shí)到新詞后，依舊長(zhǎng)時(shí)間無(wú)法生成對(duì)應(yīng)的圖像。

最后，有了算法和數(shù)據(jù)，還得有個(gè)工程平臺(tái)，來(lái)把它們組合起來(lái)快速訓(xùn)練。

為此，騰訊自研了Angel機(jī)器學(xué)習(xí)平臺(tái)，包括訓(xùn)練框架AngelPTM和推理框架AngelHCF。

訓(xùn)練上，大模型最重要的就是并行能力。為此，騰訊基于4D并行+ZeROCache機(jī)制，實(shí)現(xiàn)了千億參數(shù)混元大模型的快速訓(xùn)練。

直觀來(lái)看，AngelPTM訓(xùn)練框架相比業(yè)界主流框架DeepSpeed-Chat速度提升了1倍以上。

推理上，AngelHCF則實(shí)現(xiàn)了支持多種并行能力、支持服務(wù)部署及管理、以及自研模型無(wú)損量化三大功能，相比業(yè)界主流框架提升了1.3倍以上。

值得一提的是，在Angel機(jī)器學(xué)習(xí)框架和平臺(tái)的支持下，騰訊混元的語(yǔ)言模型也進(jìn)行了一輪升級(jí)，尤其是代碼能力有不小的提升。

我們也簡(jiǎn)單測(cè)了測(cè)騰訊混元大模型更新后的代碼能力。

首先試試寫代碼，以幫老師寫一個(gè)“隨機(jī)點(diǎn)名程序”為例（手動(dòng)狗頭）。

混元大模型很快生成了一段帶注釋的完整代碼：

import random

# 假設(shè)班級(jí)里有50個(gè)學(xué)生，這里是他們的學(xué)號(hào)
student_ids = ['001', '002', '003', '004', '005', '006', '007', '008', '009', '010',
               '011', '012', '013', '014', '015', '016', '017', '018', '019', '020',
               '021', '022', '023', '024', '025', '026', '027', '028', '029', '030',
               '031', '032', '033', '034', '035', '036', '037', '038', '039', '040',
               '041', '042', '043', '044', '045', '046', '047', '048', '049', '050']

# 使用random.choice()函數(shù)從學(xué)生學(xué)號(hào)列表中隨機(jī)選擇一個(gè)學(xué)生
random_student_id = random.choice(student_ids)

# 打印隨機(jī)選中的學(xué)生學(xué)號(hào)
print("隨機(jī)抽取的學(xué)生學(xué)號(hào)是:", random_student_id)

實(shí)測(cè)可以絲滑運(yùn)行，每次都能抽到不同的幸（dao）運(yùn)（mei）兒（dan）起來(lái)回答問(wèn)題：

然后我們還發(fā)現(xiàn)，混元大模型竟然還能幫忙查代碼bug，屬實(shí)是程序員省心利器了。

當(dāng)然，無(wú)論是文生圖還是代碼能力，現(xiàn)在都已經(jīng)可以在騰訊混元助手中體驗(yàn)。

感興趣的小伙伴，可以到騰訊混元助手排個(gè)隊(duì)或是體驗(yàn)一把~