Meta 推出基于 token 的全新 AI 圖像生成模型 CM3leon：更高效先進(jìn)

　　Meta 正在繼續(xù)推進(jìn)對(duì)新形式生成式人工智能模型的研究，并公布了最新成果，名為 CM3leon（發(fā)音類似于「chameleon（變色龍）」）。

　　CM3leon 是一個(gè)用于文本到圖像創(chuàng)建和圖像到文本創(chuàng)建的多模態(tài)基礎(chǔ)模型，對(duì)于自動(dòng)生成圖像標(biāo)題非常有用。

　　人工智能生成的圖像在當(dāng)前已經(jīng)不是新概念，廣泛可用的工具如 Stable Diffusion、DALL-E 和 Midjourney 已經(jīng)取得了很大成功。

　　新鮮的是 Meta 正在使用構(gòu)建 CM3leon 的技術(shù)以及 Meta 聲稱該基礎(chǔ)模型能夠?qū)崿F(xiàn)的性能。

　　當(dāng)前文本到圖像生成技術(shù)主要依賴 diffusion 模型(Stable Diffusion 的名稱源自此)來創(chuàng)建圖像。CM3leon 則采用了不同的方法：基于 token 的自回歸模型。

　　Meta 的研究人員在一篇名為《Scaling Autoregressive Multi-Modal Models: Pretraining and Instruction Tuning》的研究論文中寫道：「近年來，由于性能強(qiáng)大且相對(duì)計(jì)算成本較低，diffusion 模型在圖像生成工作中占據(jù)主導(dǎo)地位。相比之下，眾所周知基于 token 的自回歸模型也能產(chǎn)生出色的結(jié)果，尤其在全局圖像連貫性方面更好，但訓(xùn)練和推理的成本要高得多�！�

　　Meta 的研究人員已經(jīng)能夠通過 CM3leon 實(shí)際演示基于 token 的自回歸模型實(shí)際上可以比基于 diffusion 模型的方法更高效。

　　Meta 的研究人員在一篇博客文章中寫道：「盡管使用的計(jì)算資源比之前基于Transformer 的方法少了五倍，CM3leon 在文本到圖像生成方面實(shí)現(xiàn)了最先進(jìn)的性能。」

　　CM3leon 的基本工作原理在某種程度上與現(xiàn)有的文本生成模型類似。

　　Meta 的研究人員首先進(jìn)行了一個(gè)檢索增強(qiáng)的預(yù)訓(xùn)練階段。與僅從互聯(lián)網(wǎng)上收集公開可用的圖像不同，這種方法已經(jīng)給基于 diffusion 模型的模型帶來了一些法律挑戰(zhàn)，Meta 選擇了一條不同的道路。

　　Meta 的研究論文指出：「在文本到圖像生成領(lǐng)域，圖像數(shù)據(jù)來源的道德影響已經(jīng)引發(fā)了廣泛的討論。在本研究中，我們只使用 Shutterstock 上的經(jīng)過授權(quán)的圖像。因此，我們可以避免與圖像所有權(quán)和歸屬相關(guān)的擔(dān)憂，同時(shí)不會(huì)犧牲性能。」

　　在預(yù)訓(xùn)練之后，CM3leon 模型經(jīng)過一階段有監(jiān)督微調(diào)(SFT)，Meta 的研究人員聲稱這種方法產(chǎn)生了高度優(yōu)化的結(jié)果，無論是資源利用還是圖像質(zhì)量。SFT 是 OpenAI 用于訓(xùn)練 ChatGPT 的一種方法。Meta 在研究論文中指出，SFT 用于訓(xùn)練模型理解復(fù)雜提示，在生成任務(wù)中非常有用。

　　論文中指出：「我們發(fā)現(xiàn)，指導(dǎo)調(diào)整顯著提高了多模態(tài)模型在圖像標(biāo)題生成、視覺問答、基于文本的編輯和條件圖像生成等各種任務(wù)中的性能�！�

　　通過查看 Meta 在關(guān)于 CM3leon 的博客文章中分享的生成圖像樣本集，結(jié)果令人印象深刻，清楚地顯示了模型理解復(fù)雜的多階段提示，從而生成了分辨率極高的圖像。

　　目前，CM3leon 仍然是一個(gè)研究項(xiàng)目，尚不清楚 Meta 是否會(huì)在其平臺(tái)的一個(gè)服務(wù)中公開提供這項(xiàng)技術(shù)。鑒于它的強(qiáng)大性能和更高的生成效率，CM3leon 及其生成式人工智能方法有可能超越研究階段最終得到應(yīng)用。