作者：苗正 王兆洋

來源：硅星人

通向多模態(tài)的另一條路,。

Midjourney在沉寂九個月后推出了Midjourney V6,，這個文生圖產(chǎn)品體現(xiàn)出的更細(xì)膩的細(xì)節(jié)處理，更強(qiáng)大的語言理解能力和更加“不像AI”的圖片效果在過去幾天引發(fā)一片驚呼,。

作為一個閉源的模型產(chǎn)品，Midjourney的魔法配方并不為人所知，但就像OpenAI和Google一樣它會在產(chǎn)品更新時發(fā)布官方技術(shù)公告,，有心人還是可以從中一窺模型能力提升的技術(shù)原理。

而我們?nèi)グ橇税撬嘎兜男畔⒑?，發(fā)現(xiàn)這次更新的意義遠(yuǎn)不止于大家曬的那一張張精美的圖片上…….

Midjourney v6生成,，電影月光光心慌慌的假劇照,，圖片源自reddit

圖片模型的突破，卻靠的是語言模型能力,？

“Midjourney v6作為一個“文生圖”模型,，此次改進(jìn)的核心能力卻來自其自然語言處理能力的提升。

這首先是對提示詞理解的’跟隨能力’的提升,。在其官方文檔中,，這被稱為“prompt following”。簡單來說,，這就是指系統(tǒng)對用戶輸入的提示詞的理解和響應(yīng)能力,。通過增強(qiáng)這一能力，Midjourney現(xiàn)在能夠更好地解析復(fù)雜的提示,，無論是關(guān)鍵詞,、命令還是問題，都能夠準(zhǔn)確把握,。

Midjourney v6生成,，電影疤面煞星的假劇照,，圖片源自reddit

第二個顯著的更新是提示詞的長度。用戶現(xiàn)在可以輸入更長的提示詞,。這一方面得益于上面提到的模型跟蹤能力的增強(qiáng),，另外則依靠模型連貫性的提升,。

所謂連貫性，用一個經(jīng)典的故事就能解釋,。A問B：“下午大掃除,，你來嗎？”B說：“我去,！我不去,！”那么B的意思毫無疑問是不去，因?yàn)樯衔闹械拇髵叱浅＠?，而B說的“我去,！”在這里則表示驚訝，能夠準(zhǔn)確理解這個對話,，就叫連貫性,。它確保了模型在處理用戶哪怕很復(fù)雜的指令輸入時，也能夠邏輯一致地響應(yīng),。

Midjourney v6生成,，李奧納多在網(wǎng)飛出演電視劇的海報(bào),，圖片源自reddit

這兩個自然語言能力上的改進(jìn)，Midjourney具體是如何做的,？

在跟隨能力方面的改進(jìn),，主要基于三個方面：

上下文管理，它通過分析上下文關(guān)系來更準(zhǔn)確地理解用戶意圖,；序列建模,，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短時記憶網(wǎng)絡(luò)（LSTM）來捕捉對話中的長期依賴；以及交互狀態(tài)跟蹤,，它持續(xù)追蹤用戶的目標(biāo),、意圖和對話狀態(tài)，以確保系統(tǒng)響應(yīng)的連貫性,。

這些改進(jìn)看起來就像是一個大語言模型的進(jìn)化中在做的事情,。

Midjourney v6生成,，圣誕夜驚魂版的小丑和哈莉奎茵，圖片源自reddit

但它畢竟是個文生圖模型,，也就是語言能力和圖片能力結(jié)合的模型,，這其實(shí)也給它在提升能力時帶來了優(yōu)勢——與語言模型的對話產(chǎn)品形態(tài)總是涉及隱私與所屬的問題不同，Midjourney v6生成的圖片目前來看，全部是公共資源,。

也就是說你花錢買了服務(wù)以后,，圖片是公共的，模型會生成兩份,，你拿一份,，V6的服務(wù)器（也就是V6 discoard）也拿一份。那么Midjouney可以拿這些“實(shí)戰(zhàn)”反過來加入到自己的預(yù)訓(xùn)練大模型中,，繼續(xù)訓(xùn)練模型以提高性能,。

Midjourney v6生成,，一只貓拿著手槍，圖片源自reddit

所以這還引出一個有意思的話題,，如果文生圖因此而能夠源源不斷擁有更高質(zhì)量的數(shù)據(jù)來反哺到預(yù)訓(xùn)練階段，而數(shù)據(jù)真的成為模型訓(xùn)練的決定性因素后,，是不是文生圖模型有可能訓(xùn)練出比大語言模型更強(qiáng)的語言能力,？

在連貫性提升上其實(shí)就已經(jīng)有一點(diǎn)這個味道。對于大語言模型來說,，想要提高連貫性并不簡單,，涉及了多方面的因素。但是作為一個使用自然語言來生成圖片的模型,，事實(shí)上簡化了過程,，由于它不涉及與用戶進(jìn)行持續(xù)對話，因此無需應(yīng)用束搜索等啟發(fā)式算法,，也無需處理自然語言生成中的后處理問題,，如語法校正和風(fēng)格調(diào)整。這種簡化使得Midjourney在提高連貫性方面只需專注于核心任務(wù),，從而顯著提升了其在理解和響應(yīng)用戶輸入時的邏輯一致性,。

Midjourney v6生成,，獵魔人杰洛特與超人的結(jié)合，二者皆有同一演員亨利·卡維爾飾演,，圖片源自reddit

懂視覺的模型能有更好的文字能力,？

圖像模型卻靠語言能力突破，這其實(shí)已經(jīng)不是第一次,。此前同樣引發(fā)一陣騷動的Dalle3,，也是如此。作為OpenAI的模型,，背靠ChatGPT,，語言能力自然更強(qiáng),。

在對比了兩者后我發(fā)現(xiàn)V6在語言理解上其實(shí)還是較DALL·E有一定差距。最明顯的地方就在于適應(yīng)性上,。適應(yīng)性代表系統(tǒng)在能適應(yīng)不同用戶的語言風(fēng)格和表達(dá)方式,，以及在面對新的或未見過的情況時保持響應(yīng)連貫性的能力?？赡苁荄ALL·E背靠ChatGPT,，所以在對自然語言各方面的性能上會更優(yōu)異一些。

但Midjourney似乎也在瞄著ChatGPT為代表的語言模型的能力來進(jìn)化,。在此次的更新中,，V6增加的另一個非常重要的能力，也與語言有關(guān),。Midjourney稱,，其現(xiàn)在擁有了文本繪制能力，雖然依然較弱,。

對于人工智能繪圖來說,，能繪制文本無疑是一項(xiàng)重大進(jìn)步,。

文字不再是亂碼,。圖源：X.com

這個能力并非像看起來那樣，直接來自模型里大語言模型的模塊,。在官方更新里,，文本繪制能力后緊隨的是圖像放大功能的更新。它們原理比較復(fù)雜，但本質(zhì)其實(shí)是同一個問題,。

圖像生成模型在訓(xùn)練的時候所用的數(shù)據(jù),，是一些通過泛化和模糊處理的圖像內(nèi)容。我們都知道,，分辨率越高的圖片數(shù)據(jù)量越大,，反之，越模糊越泛化的圖片它的數(shù)據(jù)量就越小,。人工智能理解圖片的方式和人類完全不一樣,，他們是按照統(tǒng)計(jì)學(xué)的一個概念叫做“模式識別”，通過圖片中的特征來理解,。使用泛化和模糊的圖片好處在于,，小數(shù)據(jù)量的圖片讀取速度快，訓(xùn)練時間就短,。但想要用這種訓(xùn)練方式來理解文字是非常難的,，因?yàn)槲淖质且环N符號，這種泛化處理對于圖像中的文字尤其不利,，即使是微小的變形或模糊都可能導(dǎo)致文字難以辨認(rèn),。同時，訓(xùn)練所使用的圖像分辨率很低,，那么生成圖片時，分辨率也不會高到哪里去,。

圖片上的文字與圖像整體風(fēng)格融合,。圖片來源：X.com

而Midjourney的訓(xùn)練方法,，其實(shí)就是在訓(xùn)練它的圖像“放大”能力。它所使用的模型叫做去噪擴(kuò)散概率模型（denoising diffusion probabilistic models）,，這種模型通過模擬從噪聲中提取信息的過程來生成清晰的圖像,。想象一下，就像我們用軟件修復(fù)模糊的老照片,，Midjourney的模型也能夠從模糊的圖像中“學(xué)習(xí)”到清晰的細(xì)節(jié),。

圖片來源：X.com

也就是說,，這是像Midjourney這樣的圖像模型一直在做的事情，訓(xùn)練越久優(yōu)化越久它的圖像“放大”能力就越強(qiáng),，也就會逐漸產(chǎn)生關(guān)于文字的生成能力,。

在直覺上，這種能力肯定不如“純粹”的語言模型的語言能力，但一些研究已經(jīng)在給出不同的指向,，在多模態(tài)領(lǐng)域很重要的模型VLMO的論文里就曾提到一個有意思的結(jié)論,，當(dāng)你完全拿一個在視覺數(shù)據(jù)上訓(xùn)練好的模型，可以直接對文本數(shù)據(jù)建模,，甚至不需要微調(diào)就可以有很強(qiáng)的文本生成能力,。但反過來用語言訓(xùn)練在視覺上生成，則差很多,。

這也許就是視覺想對文字說的話,。圖源：X.com

這是一種很奇怪也很有意思的現(xiàn)象,，這一次V6似乎把它再一次輕微的展示出來了。而更重要的是在今天多模態(tài)大模型已經(jīng)成為未來最重要的趨勢時,，一個圖像能力為主的模型產(chǎn)生文字能力給了走向多模態(tài)一個新的思路,。

世界更精彩了。