DALL-E 2語文水平被吐槽：金子和魚畫成真金·魚，遇到一詞多義就拉胯，失誤率超80%
“Stable Diffusion沒發現這類問題”
明敏 發自 凹非寺
量子位 | 公眾號 QbitAI
以畫畫水平高超而風靡全球的DALL-E 2，語文水平被質疑了。
比如bat這個多義詞，就把它給考住了。
a bat is flying over a baseball stadium（一只蝙蝠/球棍從棒球場上飛過）。
結果它畫出來的圖，蝙蝠和球拍都在天上飛。
而且這不是偶然的失誤，如果輸入“a person is hearing a bat”，畫出來的還是蝙蝠和球棒都存在。
換成另一種情況，輸入a fish and a gold ingot（一條魚和一個金錠）。
好嘛，直接把兩種東西都鑄金了，變成真金·魚。
可不能低估了這些失誤，因為它們意味著DALL-E 2在根據文本生成圖像的過程中，對語言中符號到實體的基本映射關系。
即一個詞對應一個實體。
以bat舉例，畫出蝙蝠或者球棍，都算DALL-E 2理解正確，但是如果兩個都給，那就有問題了。
這就好比本身是單選題，填A或B都對，可是把兩個都寫上就違反了規則。
更何況有時候它還把不同物體的修飾詞弄錯，“上一道題的解法用在下一道上”。
發現這一問題的，是來自巴伊蘭大學、艾倫人工智能研究所的學者們，并且專門寫了篇論文分析。
有趣的是，研究人員約阿夫·高柏（Yoav Goldberg）還提到，這種情況在mini DALL-E和Stable Diffusion中并不常見。
我猜這可能是因為所謂的逆規模現象（inverse scaling）。
簡單理解就是“模型越大性能越差”。
論文具體說了啥？
幾位學者在發現問題后，又反復進行了多次試驗，并把問題主要劃分為三種情況：
- 第一、一個單詞被解釋為兩個不同的事物
- 第二、一個單詞被解釋為兩個不同事物的修飾詞
- 第三、一個單詞在被解釋為一個事物的同時，又被理解成另一種事物的修飾詞
前兩種情況開頭已經提過。
第三種情況舉例來說，輸入“一匹斑馬和一條街道”，輸出的結果中一直都有斑馬線。
在這里，DALL-E 2把斑馬同時解釋了兩次。
在針對這些情況都重復試驗后，作者計算出DALL-E 2在三種情況下，出現失誤的概率都超過80%。
其中第二種情況的失誤率最高，達到97.2%。
第三種情況下，如果給另一個名詞前加上新的修飾詞，可以避免失誤發生。
即輸入一匹斑馬和一條碎石路，路面上就沒有斑馬線出現了。
而在用DALL-E mini和Stable Diffusion時，這些重復解釋的情況并不常見。
作者解釋，未來可以考慮研究模型的文本編解碼器來追溯這些問題，并且可以研究這些問題和模型大小、框架是否有關系。
作者之一Yoav Goldberg是巴伊蘭大學的杰出教授，也是艾倫人工智能研究院以色列分院的研究主任。
之前，他在紐約的谷歌研究中心做博士后。研究興趣方向為NLP和機器學習，尤其對語法解析感興趣。
還曾發現DALL-E 2自創語言
不過就在幾個月之前，一位計算機專業的博士小哥發現，給DALL-E 2喂一些奇怪的語言，它也能生成同一類的圖像。
而這些詞，正是來自DALL-E 2生成圖像中的。
比如輸入“兩個農民談論蔬菜，帶字幕（Two farmers talking about vegetables, with subtitles）”后，DALL-E 2給出的圖像中，出現了一些“亂碼”的詞匯。
而如果再把圖像中的新詞Vicootes”當作描述丟給模型，沒想到，出來這樣一堆圖像：
有蘿卜、有南瓜、有小柿子……難道“Vicootes”就代表蔬菜？
如果再把上圖氣泡中一串“Apoploe vesrreaitais”扔給DALL-E 2，一堆鳥圖出現了：
“難道說，這個單詞代表‘鳥’，所以農民們似乎在談論影響他們蔬菜的鳥類？”
當時，這位博士小哥把自己的發現發布在網絡上后，立刻引起熱議。
有人試圖分析DALL-E 2是如何加密語言的，還有人覺得這只是噪聲。
不過總的來說，在語言理解方面，DALL-E 2總能搞出點讓人意想不到的事。
你覺得這背后原因到底是什么呢？
論文地址：
https://arxiv.org/pdf/2210.10606.pdf
參考鏈接：
https://twitter.com/yoavgo/status/1583088957226881025
- DeepSeek-V3.2-Exp第一時間上線華為云2025-09-29
- 你的AI助手更萬能了！天禧合作字節扣子，解鎖無限新功能2025-09-26
- 你的最快安卓芯片發布了！全面為Agent鋪路2025-09-26
- 任少卿在中科大招生了！碩博都可，推免學生下周一緊急面試2025-09-20
相關閱讀
