出場即炸場的DALL·E 3，又有新動向了！

這次直接宣布對ChatGPT Plus和企業版用戶開放，還連帶公開了更多“官方推薦案例”。

不僅如此，OpenAI還一紙論文透露了DALL·E 3的關鍵技術細節。

相比其他AI，DALL·E 3表現最優秀的地方，應該就要屬對提示詞的完美遵循了。

無論是整體的環境描寫，還是精確到物體數量、著裝、顏色這種細節敘述，DALL·E 3都能很好地理解，并生成對應的畫作，絲毫不漏重點。

論文一公開，可以說是解決了“如何讓DALL·E 3遵循指令”這一讓諸多人困惑的問題，有網友感嘆：

OpenAI終于又Open了？

一起來看看這篇DALL·E 3論文的關鍵細節，以及它的更多用例。

用數據集讓DALL·E 3“唯命是從”

先來看看DALL·E 3論文最大的亮點：提示詞遵循（prompt following）。

此前，不少繪畫AI會刻意忽略提示詞中的某些關鍵詞、或是混淆提示詞的含義（多義詞如column，列還是柱子），簡單來說就是文本提示詞和畫面細節沒對齊。

OpenAI的研究人員在經過一番分析后認為，這是數據集的鍋。

現有的圖像文本對數據集，文字對圖像的描述可以說是“惜字如金”。

尤其是從互聯網上扒下來的數據集，大多數對圖像的描述只有一句話，更別提細節了。包括環境、物體在內，容易忽略的文本描述主要有4類：

• 場景中物體描述，如廚房里的水槽、人行道上的停車標志等；
• 物體位置和數量描述
• 物體顏色和大小描述
• 圖像中的文本描述（如呈現在商店招牌上的字母/漢字）

除此之外，還有不少互聯網上扒下來圖像的文本描述，直接就是錯誤或不相關的，例如梗圖或Alt文本（圖像加載失敗時網頁上呈現的文字描述）。

為此，有必要將這些圖像對應的文本數據重新整理一遍，更準確地描述圖像中的場景和物品進行描述。

光靠人力是不太可能的，畢竟要生成的“廢話文學”太多了。

和RLHF一樣，OpenAI同樣將這個過程“自動化”了一波，讓AI來完成這件事。

他們訓練了一個“圖像字幕器”（image captioner），專門用來給數據集中的圖像重新生成文本描述。

這是“圖像字幕器”給數據集中的部分圖片生成文本描述的效果：

這下子描述就詳細多了。

那么，用AI來合成文本，實際訓練出來的模型是否真能提升生成效果？

研究人員用開源模型（如CLIP）測試了一波，得出的結論是可以。

不過也不能完全使用合成的文本描述，畢竟AI生成的內容可能有些“神秘共性”，直接全盤接受容易導致圖像過擬合。

因此，OpenAI還在CLIP上嘗試了一波合成文本描述-圖像數據集的效果。

他們發現，數據集中混雜95%的合成文本-圖像數據時，CLIP的效果是最好的。

最終，他們決定95%的圖像用合成文本描述，剩下的5%圖像依舊使用人工描述，用這個比例的文本-圖像數據集重新訓練了DALL·E 3，取得了不錯的效果。

最后，OpenAI也采用人工評估的方法，對DALL·E 3和其他模型進行了測試。

評估方法大致像這樣，詢問人類哪個圖像能更好地遵循提示詞、或生成更好看的圖像。

結果顯示，DALL·E 3相比Midjourney 5.2、SDXL和DALL·E 2，在提示詞遵循、風格匹配等任務測試上均取得了不錯的效果。

已向企業版和Plus用戶開放

除了這篇論文以外，OpenAI這次還公布了DALL·E 3的另一動向——向ChatGPT Plus和企業版開放。

在宣布這一消息的同時，OpenAI也給出了企業和機構使用DALL·E 3的建議，例如做科學項目：

搞網站設計：

或是幫企業設計LOGO：

當然，無論是ChatGPT Plus還是企業版，仍然也屬于收費項目。

目前唯一可以免費玩到DALL·E 3的地方，應該還是微軟的New Bing。

對于OpenAI帶來的DALL·E 3新消息，不少網友感覺振奮。

有網友表示，DALL·E 3的出現真正給設計圈帶來了改變，例如設計飲料包裝等：

還有網友已經在催API的到來了：

但也有網友對這次更新不甚滿意，尤其是對DALL·E 3論文涉及的技術信息表示了嘲諷：

直接用谷歌的T5文本編碼器和卷積解碼器，這就是公司發展太快的結果嗎？

這里是網友提到的DALL·E 3論文細節：

要是對DALL·E 3的更多技術細節感興趣，也可以到論文中找找答案~

論文地址：https://cdn.openai.com/papers/dall-e-3.pdf