新智元报道
编辑：好困
AIGC 如火如荼发展的当下，中文世界的创作者常有几大痛点：思考英文 Prompts 准确表达的绞尽脑汁，翻译软件词不达意的尴尬，精细构思的 Prompts 在画面生成中找不到一丝痕迹，亦或面对文化误解中的「中国风」哭笑不得……
日前，智源研究院大模型研究团队开源最新双语 AltDiffusion 模型，为中文世界带来专业级 AI 文图创作的强劲动力：
支持精细长中文 Prompts 高级创作；无需文化转译，从原汁原味中国话直达形神兼备中国画；且在绘画水平上达到低门槛中英对齐原版 Stable Diffusion 级震撼视效，可以说是讲中文的世界级 AI 绘画高手。
创新模型 AltCLIP 为这一工作的基石，为原 CLIP 模型补齐更强的跨语言三大能力。AltDiffusion 和 AltCLIP 模型均为多语言模型，中英双语为第一阶段工作，代码与模型已开源。
AltDiffusion
https://github.com/FlagAI-Open/FlagAI/tree/master/examples/AltDiffusion
AltCLIP
https://github.com/FlagAI-Open/FlagAI/examples/AltCLIP
HuggingFace space 试玩地址：
https://huggingface.co/spaces/BAAI/bilingual_stable_diffusion
技术报告
https://arxiv.org/abs/2211.06679
专业级中文 AltDiffusion
——长 Prompt 精细绘画 + 原生中国风，满足中文 AI 创作高手的高需求
得益于以 AltCLIP 为基础的强大中英双语言对齐能力，AltDiffusion 达到近似于 Stable Diffusion 程度的视效水平，尤其具备更懂中国话、更善中国画的独特优势，非常值得专业级中文 AI 文图创作者期待。
1. 长 Prompt 生成，画面效果毫不逊色
Prompt 长短是检验模型文图生成能力的分水岭，越长的 Prompt，越考验语言理解、图文对齐和跨语言这三大能力。
在同样的中英文长 Prompt 输入调校下，AltDiffusion 在不少图片生成案例中表现力甚至更胜一筹：元素构成丰富精彩、细节描摹细腻精准。
左滑一览主流模型同主题创作效果
2. 更懂中国话，更善中国画
除中英文 Prompts 输入表现近似之外，AltDiffusion 还能补齐西方世界里中国画风的不足，利用中文图文对继续微调出中文特色的生成，例如国画风格生成模型，产出真正的「中国风」。
左滑饱览旖旎国风美
AltDiffusion 更懂中文，在中国文化语境中的意义描摹上指哪打哪，秒懂创作者意图。例如对「唐朝盛景」的描绘，避免出现因文化误解而产生的跑题情况。
尤其对原生于中国文化的概念，理解与表现更为精确，得以避免「日本风」与「中国风」混淆，令人啼笑皆非的状况。例如，与 Stable Diffusion 在中英文输入对应唐装人物风格的 Prompts，差异一目了然:
左滑对比两种「中国风」
在特定风格的生成中，会原生以中文文化语境为身份主体，进行风格创作，例如对于下面带有「古建筑」的 prompt，会默认生成中国古代建筑。在创作风格上更加贴合中文创作者身份。
3. 中英双语，生成效果对齐
AltDiffusion 基于 Stable Diffusion，通过将原来 Stable Diffusion 中的 CLIP 替换成 AltCLIP，并且用中英文图文对对模型进行进一步的训练得到。得益于 AltCLIP 强大的语言对齐能力，AltDiffusion 的生成效果在英文上与 Stable Diffusion 很接近，在中英文双语的表现上也体现了一致性。
如「戴帽子小狗」的同义中英文 Prompts 输入 AltDiffusion 后，生成画面效果基本对齐，一致性极高：
在对「男孩」的画面增加描述词为「中国男孩」之后，在原小男孩形象基础上，精准调整成典型「中国」孩子，在语言控制生成中展现出极佳语言理解能力和精准的生成表达结果。
打通 StableDiffusion 原生态
——丰富生态工具与 PromptsBook 应用，可玩性极佳特别值得一提的是 AltDiffusion 的生态打通能力： 所有支持 Stable Diffusion 的工具如 Stable Diffusion WebUI，DreamBooth 等都可应用在我们的中英双语 Diffusion 模型上，为中文 AI 创作提供了丰富选择：
1. Stable Diffusion WebUI
一个优秀的文图生成、文图编辑的网页工具；当我们把北大夜景图霍格沃茨（prompt: Hogwarts）化，瞬间即可呈现梦幻的魔法世界；
左滑直通霍格沃茨
2. DreamBooth
通过少量样本对模型进行调试以生成特定的风格的工具；通过这一工具，在 AltDiffusion 上利用少量中文图片即可生成特定风格，比如「大闹天宫」风格。
3. 充分利用社区 Stable Prompts Book
Prompts 对于生成模型非常重要，社区用户通过大量 prompts 尝试，积累出丰富的生成效果案例。这些宝贵的 prompts 经验，对于 AltDiffusion 用户几乎全都适用！
此外，还可以通过混合中英文方式去搭配一些神奇的风格和元素，或继续挖掘对 AltDiffusion 适用的中文 Prompts。
4. 方便中文创作者微调
开源的 AltDiffusion 提供了中文生成模型的一个基础，大家可以在这个基础上用更多特定领域的中文数据进行模型微调，方便中文创作者表达。
以首个双语 AltCLIP 为基石
——全面增强跨语言三大能力，中英对齐、中文更优，极低门槛
语言理解，图文对齐，跨语言能力，是跨语言研究必备的三种能力。
AltDiffusion 的诸多专业级能力，源于 AltCLIP 以创新性换塔思路，在这三大能力上全面增强：与原 CLIP 中英文语言对齐能力大大提高，可以无缝接入 Stable Diffusion 等所有建立在原 CLIP 上的模型和生态工具；同时赋予其强悍的中文能力，在多项数据集取得中文更优效果。（详细解读请参考技术报告）
值得一提的是，这种对齐方法对训练多语言多模态表征模型的门槛大大降低，相对于重新去做中文或者英文的图文对预训练，只需约 1% 的计算资源与图文对数据。
在全面 CLIP benchmark 中取得了和英文原版一致效果
在一些检索类数据集上如 Flicker-30K 上超过了原版
Flicker-30K 上表现效果超过原版 CLIP
中文 ImageNet 上 zero-shot 结果最优
参考资料：
