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和企业版用户开放，还连带公开了更多“官方推荐案例”。
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。
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？
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）。
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：
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。
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。
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。
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。
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和企业版开放。
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：
搞网站设计：
或是帮企业设计LOGO：
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。
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：
还有网友已经在催API的到来了：
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？
这里是网友提到的DALL·E 3论文细节：
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
— 完 —
