號稱業界最強！Meta發表全新文生圖模型，實力比Stable Diffusion、Midjourney都強

CM3Leon

近日，Meta 公司宣布開發出一款名為 CM3Leon（發音類似「chameleon」）的文生圖模型，該模型能夠獨力解決文本到圖像和圖像到文本的雙向生成任務。

Meta 表示：「在打造高品質生成模型的探索之路上，我們相信 CM3leon 在各類任務中的強大性能，正是邁向高保真度圖像生成與理解的重要一步。像 CM3leon 這樣的模型終將成為元宇宙中的創造力源泉與應用成果，我們也期待繼續突破多模態語言模型的新疆界、未來將更多優秀模型呈現在大家面前。」

據介紹，CM3leon 是首個使用純文字語言模型配方改編和訓練而成的多模態模型，並經歷了大規模檢索增強預訓練和隨後的多工監督微調（SFT）階段。與 Stable Diffusion、DALL-E、Midjourney 等文生圖模型依賴於擴散（diffusion）模型技術不同，CM3Leon 採用了基於 token 的自回歸模型方法。

Meta 表示，儘管訓練時的運算量僅相當於以往基於 Transformer 方法的五分之一，但 CM3leon 在文本到圖像的生成方面還是獲得了同類領先的性能。CM3leon 既具備自回歸模型的功能多樣性和有效性，也保持著較低的訓練成本和良好的推理效率。作為一套因果遮罩混合模態（CM3）模型，它能夠以其他圖像和文本內容的任意序列為條件，生成相應的文本與圖像序列。這極大擴展了以往大模型只能從文本到圖像、或者只能從圖像到文本的功能局限。

一般來講，純文字生成模型往往會針對各類不同任務進行多工指令調整，借此增強其遵循指令提示的能力；而圖像生成模型則更多適配特定任務。Meta 將大規模多工指令調節運用到 CM3leon 的圖像和文本生成當中，事實證明能夠顯著提高圖像標題生成、視覺問答、基於文本的圖像編輯和按條件生成圖像等能力。這也成為強有力的實例，證明為純文字模型開放的擴充配方也能直接推廣到基於 token 化的圖像生成模型當中。

Meta 稱，與目前廣泛使用的圖像生成基準（零樣本 MS-COCO）進行性能比較時，CM3leon 獲得了 4.88 的 FID（Fréchet Inception Distance，一種用於計算真實圖像與生成圖像間特徵向量距離的指標，FID 值越小則相似度越高，最好為 0），超越谷歌的文本到圖像模型 Parti，證明了自身技術的先進性。

此外，CM3leon 還表現出令人印象深刻的複雜組合物件生成能力。CM3leon 在各類視覺語言任務中均表現良好，包括視覺問答和生成長格式標題。由於訓練資料集僅包含 30 億文本 token，因此 CM3leon 的零樣本性能也超越了由更廣泛資料集訓練而成的、體量更大的其他模型。

CM3leon 是如何打造出來的？

據介紹，CM3leon 架構採用的是類似基於文本類模型、已經成熟的純解碼器 Transformer。但它的獨特之處，在於能夠同時輸入和生成文本加圖像。正是憑藉這種能力，CM3leon 才得以成功解決前文提到的各項任務。

訓練方面，Meta 表示，通過一系列努力，CM3leon 的訓練檢索得到了增強，大大提高了模型成果的效率和可控性。此外，Meta 還根據各種不同圖像和文本生成任務對模型進行了指令微調。

隨著 AI 行業的不斷發展，像 CM3leon 這樣的生成模型正變得越來越複雜。這些模型透過數百萬的範例圖像接受訓練，學習視覺效果與文本之間的關係，但同時也可能反映訓練資料集中存在的偏差 / 偏見。Meta 稱，目前 AI 行業仍處於理解和應對這些挑戰的早期階段，提升透明度才是加速解決這些問題的關鍵。

Meta 使用許可資料集作為 CM3leon 的訓練素材。在預訓練階段，Meta 使用了數百萬張來自 Shutterstock 的授權圖片，有著高達 70 億個參數，這也達到了 OpenAI EALL-E2 模型的兩倍以上。

Meta 方面表示：「在文本到圖像生成領域，圖像資料來源的道德影響已經引發了廣泛的討論。在這一研究中，我們只使用 Shutterstock 上的經過授權的圖像，因此可以避免與圖像所有權和歸屬相關的擔憂，同時不會犧牲性能。」

事實證明，即使使用與先前所有模型的訓練資料都截然不同的資料分布，仍可實現強大的性能。通過全工作流程的透明展示，Meta 希望鼓勵生成式 AI 領域能夠迎來更多合作與創新，打造出不僅更準確、而且對每個人都更加公平和公正的 AI 模型。

CM3leon 的跨任務執行

CM3leon 的強大之處在於更好地遵循輸入提示以生成更連貫的圖像。例如，多數原有圖像生成模型都難以準確還原全域形態和局部細節，而 CM3leon 在這方面表現出色，以下是 CM3leon 在各類任務中的表現（所有任務均由單一模型處理完成）：

文本引導的圖像生成與編輯

一般來說，如果約束條件要求將複雜的物件或提示全部體現在輸出結果中時，圖像生成模型往往難以很好地完成工作。這就讓文本引導的圖像編輯（例如「將天空的顏色更改為蔚藍色」）更具挑戰，因為模型需要同時理解文本指令與視覺內容。CM3leon 在這類場景下表現良好，具體請參考以下範例。

1.文本到圖像

給定具有潛在高組合度結構的提示文本，產生遵循提示的連貫圖像。

例如，CM3leon 根據提示詞創建了以下四幅圖像：

撒哈拉沙漠中戴著草帽和彩色太陽鏡的小仙人掌；人手特定照片，高品質手部模型；動漫風格的浣熊角色準備用武士刀展開戰鬥，蓄勢待發，幻想風，插圖風格；奇幻風格的停車標誌，內容為「1991」。

2. 文本引導的圖像編輯

給定圖像與文本提示，根據文本說明對圖像內容做編輯處理。憑藉強大的通用性，CM3leon 能夠在單一模型之上完成以上與以下各項任務，這全面突破了以往只能借專用模型（例如 InstructPix2Pix）進行文本引導圖像編輯的局限。

3.文本任務

CM3leon 模型還能按照一系列不同提示圖生成或短或長的標題，並回答關於圖像內容的問題。

例如，圖像內容為一隻狗叼著一根棍子。

提示問題: 狗叼著什麼？
模型輸出: 棍子
提示詞: 詳細描述這張圖像的內容。

模型輸出: 在這張圖片中，有一隻狗嘴裡叼著一根棍子。地面有草覆蓋，背景中是一片林地。

Meta 還根據經驗評估了這套指令微調模型在各種圖像標題生成和視覺問答任務中的表現，並將結果與之前最先進的性能基準進行了比較。儘管 CM3leon 模型的文本資料量明顯低於 Flamingo（100B）和 OpenFlamingo（40B），但其在 MS-COCO 字幕與 VQA2 問答上的零樣本性能水準仍與 OpenFlamingo 相當，甚至在 VizWiz 任務上以接近 10 分的成績擊敗了 Flamingo 模型。