能画画了！混元大模型开放文生图功能
北京日报客户端 | 记者 袁璐
10月26日，腾讯宣布，腾讯混元大模型迎来全新升级，并正式对外开放“文生图”功能。腾讯方面称，升级后的混元大模型中文能力整体超过GPT3.5，代码能力大幅提升20%。作为实用级的通用大模型，目前，超过180个腾讯内部业务已接入该模型。
此外，今年9月首批通过备案后，混元大模型也已经面向消费端用户陆续开放体验，用户通过小程序或网页端，就能与该大模型对话。
文生图是AIGC（生成式人工智能）领域的核心技术之一，也是体现通用大模型能力的试金石，对模型算法、训练平台、算力设施都有较高的要求。自首次公开亮相以来，混元大模型进入了加速升级的轨道。记者注意到，文生图能力是此次混元大模型升级开放的最大亮点之一，据介绍，相比其他大模型，其文生图应用在人像真实感、场景真实感上有比较明显的优势，同时，在风景、动漫游戏等场景等生成上有较好的表现。
人脸画像生成在业界公认难度较高，但记者看到，输入提示词“生成可爱的亚洲4岁女孩穿着棉质连衣裙，大眼睛，古代中国，摄影风格，汉服”，混元大模型生成如下：
另外一个例子中，输入提示词“ 一个城市CBD办公楼，现代化设计，高层建筑，玻璃幕墙，近景拍摄，摄影风格，摄影照片”，混元大模型交出了如下作品：
更简单一些，输入提示词“轻舟已过万重山，水墨画风格”就可以得到下面的图片：
据悉，大模型文生图的难点体现在对提示词的语义理解、生成内容的合理性以及生成图片的效果。针对这三个技术难点，团队进行了专项的技术研究，提出了一系列原创算法，来保证生成图片的可用性和画质。
此外，在内容合理性方面，AI生成人体结构和手部经常容易变形，该大模型通过增强算法模型的图像二维空间位置感知能力，并将人体骨架和人手结构等先验信息引入到生成过程中，让生成的图像结构更合理，减少错误率。经过模型算法的优化之后，该大模型文生图的人像模型，包含发丝、皱纹等细节的效果提升了30%，场景模型，包含草木、波纹等细节的效果提升了25%。
大模型多模态交互能力被认为是通往通用人工智能的必由之路，也是不断扩充大模型能力象限的一个重要方向。记者获悉，目前混元大模型也正在不断强化图片、视频、音频等各类模态的处理能力，相关成果也将很快面向外界推出。
图片来源：混元大模型