“Stable Diffusion没发现这类问题”

明敏 发自 凹非寺

量子位 | 公众号 QbitAI

以画画水平高超而风靡全球的DALL-E 2，语文水平被质疑了。

比如bat这个多义词，就把它给考住了。

a bat is flying over a baseball stadium（一只蝙蝠/球棍从棒球场上飞过）。

结果它画出来的图，蝙蝠和球拍都在天上飞。

而且这不是偶然的失误，如果输入“a person is hearing a bat”，画出来的还是蝙蝠和球棒都存在。

换成另一种情况，输入a fish and a gold ingot（一条鱼和一个金锭）。

好嘛，直接把两种东西都铸金了，变成真金·鱼。

可不能低估了这些失误，因为它们意味着DALL-E 2在根据文本生成图像的过程中，对语言中符号到实体的基本映射关系。

即一个词对应一个实体。

以bat举例，画出蝙蝠或者球棍，都算DALL-E 2理解正确，但是如果两个都给，那就有问题了。

这就好比本身是单选题，填A或B都对，可是把两个都写上就违反了规则。

更何况有时候它还把不同物体的修饰词弄错，“上一道题的解法用在下一道上”。

发现这一问题的，是来自巴伊兰大学、艾伦人工智能研究所的学者们，并且专门写了篇论文分析。

有趣的是，研究人员约阿夫·高柏（Yoav Goldberg）还提到，这种情况在mini DALL-E和Stable Diffusion中并不常见。

我猜这可能是因为所谓的逆规模现象（inverse scaling）。

简单理解就是“模型越大性能越差”。

论文具体说了啥？

几位学者在发现问题后，又反复进行了多次试验，并把问题主要划分为三种情况：

• 第一、一个单词被解释为两个不同的事物
• 第二、一个单词被解释为两个不同事物的修饰词
• 第三、一个单词在被解释为一个事物的同时，又被理解成另一种事物的修饰词

前两种情况开头已经提过。

第三种情况举例来说，输入“一匹斑马和一条街道”，输出的结果中一直都有斑马线。

在这里，DALL-E 2把斑马同时解释了两次。

在针对这些情况都重复试验后，作者计算出DALL-E 2在三种情况下，出现失误的概率都超过80%。

其中第二种情况的失误率最高，达到97.2%。

第三种情况下，如果给另一个名词前加上新的修饰词，可以避免失误发生。

即输入一匹斑马和一条碎石路，路面上就没有斑马线出现了。

而在用DALL-E mini和Stable Diffusion时，这些重复解释的情况并不常见。

作者解释，未来可以考虑研究模型的文本编解码器来追溯这些问题，并且可以研究这些问题和模型大小、框架是否有关系。

作者之一Yoav Goldberg是巴伊兰大学的杰出教授，也是艾伦人工智能研究院以色列分院的研究主任。

之前，他在纽约的谷歌研究中心做博士后。研究兴趣方向为NLP和机器学习，尤其对语法解析感兴趣。

还曾发现DALL-E 2自创语言

不过就在几个月之前，一位计算机专业的博士小哥发现，给DALL-E 2喂一些奇怪的语言，它也能生成同一类的图像。

而这些词，正是来自DALL-E 2生成图像中的。

比如输入“两个农民谈论蔬菜，带字幕（Two farmers talking about vegetables, with subtitles）”后，DALL-E 2给出的图像中，出现了一些“乱码”的词汇。

而如果再把图像中的新词Vicootes”当作描述丢给模型，没想到，出来这样一堆图像：

有萝卜、有南瓜、有小柿子……难道“Vicootes”就代表蔬菜？

如果再把上图气泡中一串“Apoploe vesrreaitais”扔给DALL-E 2，一堆鸟图出现了：

“难道说，这个单词代表‘鸟’，所以农民们似乎在谈论影响他们蔬菜的鸟类？”

当时，这位博士小哥把自己的发现发布在网络上后，立刻引起热议。

有人试图分析DALL-E 2是如何加密语言的，还有人觉得这只是噪声。

不过总的来说，在语言理解方面，DALL-E 2总能搞出点让人意想不到的事。

你觉得这背后原因到底是什么呢？

论文地址：
https://arxiv.org/pdf/2210.10606.pdf

参考链接：
https://twitter.com/yoavgo/status/1583088957226881025