當(dāng)你對(duì)著一個(gè)AI說"給我畫一只綠色的蘋果和一只紅色的小鳥"時(shí)，你可能會(huì)發(fā)現(xiàn)一個(gè)有趣的現(xiàn)象：AI經(jīng)常會(huì)把這兩樣?xùn)|西搞混，要么畫出一只綠色的小鳥，要么干脆把蘋果和小鳥融合成一個(gè)奇怪的生物。這個(gè)看似簡單卻讓人頭疼的問題，最近被來自韓國FuriosaAI公司和首爾國立大學(xué)的研究團(tuán)隊(duì)巧妙解決了。

這項(xiàng)由FuriosaAI公司的姜元俊、李敏栽、Kevin Galim、吳承赫和Ajou大學(xué)的具亨日，以及首爾國立大學(xué)的趙南益共同完成的研究，于2025年8月發(fā)表在計(jì)算機(jī)視覺頂級(jí)會(huì)議上。研究論文的標(biāo)題為"UNCAGE: Contrastive Attention Guidance for Masked Generative Transformers in Text-to-Image Generation"，有興趣深入了解的讀者可以通過https://github.com/furiosa-ai/uncage獲取完整代碼和論文資料。

為了理解這個(gè)問題有多棘手，不妨回想一下你小時(shí)候?qū)W畫畫的經(jīng)歷。當(dāng)老師要求你同時(shí)畫一只貓和一條狗時(shí)，你需要在腦海中清楚地分辨出什么是貓的特征，什么是狗的特征，然后確保在紙上把它們畫成兩個(gè)獨(dú)立的動(dòng)物，而不是畫成一個(gè)"貓狗混合體"。對(duì)AI來說，這個(gè)看似基礎(chǔ)的能力卻異常困難。

傳統(tǒng)的AI圖像生成技術(shù)就像一個(gè)容易分心的畫家，在創(chuàng)作過程中經(jīng)常把不同物體的特征搞混。當(dāng)它要畫"一只粉色蘋果和一輛汽車"時(shí)，常常會(huì)產(chǎn)生一只長得像汽車形狀的粉色蘋果，或者干脆忽略掉其中一個(gè)物體。這種現(xiàn)象在學(xué)術(shù)界被稱為"屬性泄露"和"物體混合"，聽起來很專業(yè)，但本質(zhì)上就是AI的"注意力不集中"。

研究團(tuán)隊(duì)發(fā)現(xiàn)，問題的根源在于現(xiàn)有的蒙版生成變換器（Masked Generative Transformers，簡稱MGTs）在決定先畫哪部分內(nèi)容時(shí)缺乏有效的指導(dǎo)。這就好比一個(gè)廚師在同時(shí)烹飪多道菜時(shí)，如果沒有合適的時(shí)間安排，很容易把不同菜品的調(diào)料搞混，最終做出味道奇怪的菜肴。

一、揭秘AI繪畫的"注意力機(jī)制"

在深入了解解決方案之前，我們需要先理解AI是如何"看"和"畫"的。蒙版生成變換器可以想象成一個(gè)特殊的畫家，它不像人類畫家那樣從左到右、從上到下依次作畫，而是采用一種更像拼圖的方式。

這種AI畫家的工作方式頗為獨(dú)特。它首先會(huì)把整張畫布分成許多小格子，然后在每個(gè)時(shí)間步驟中，選擇其中一些格子進(jìn)行繪制，而把其他格子暫時(shí)"蒙起來"。隨著時(shí)間推移，被蒙住的區(qū)域逐漸減少，最終形成完整的圖像。這個(gè)過程就像是在玩一個(gè)巨大的填字游戲，AI需要根據(jù)已有的線索來決定下一步填入什么內(nèi)容。

這種方法的優(yōu)勢在于效率。與傳統(tǒng)的自回歸模型（就像一個(gè)嚴(yán)格按順序作畫的畫家）不同，蒙版生成變換器可以同時(shí)處理多個(gè)位置的內(nèi)容，大大提高了生成速度。然而，正是這種并行處理的特性，讓AI在面對(duì)復(fù)雜的多物體場景時(shí)容易出現(xiàn)混亂。

關(guān)鍵問題出現(xiàn)在AI的"注意力機(jī)制"上。每當(dāng)AI要決定在某個(gè)位置畫什么時(shí)，它會(huì)查看文本描述中的所有詞匯，并計(jì)算每個(gè)詞匯對(duì)當(dāng)前位置的"注意力權(quán)重"。理想情況下，如果要在某個(gè)位置畫蘋果，AI應(yīng)該主要關(guān)注"蘋果"和"綠色"這兩個(gè)詞，而忽略"小鳥"和"紅色"。但現(xiàn)實(shí)中，AI的注意力經(jīng)常會(huì)同時(shí)分散到所有相關(guān)詞匯上，導(dǎo)致最終生成的圖像出現(xiàn)屬性混合的問題。

研究團(tuán)隊(duì)通過大量實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)AI的注意力圖譜能夠清晰地區(qū)分不同物體時(shí)，生成的圖像質(zhì)量就會(huì)顯著提升。相反，如果注意力圖譜模糊不清，不同物體的特征就會(huì)相互干擾，產(chǎn)生令人困惑的結(jié)果。這個(gè)發(fā)現(xiàn)為他們后續(xù)的解決方案奠定了重要基礎(chǔ)。

二、UNCAGE方法的巧妙設(shè)計(jì)

基于對(duì)注意力機(jī)制的深入理解，研究團(tuán)隊(duì)開發(fā)了一種名為UNCAGE（Unmasking with Contrastive Attention Guidance）的創(chuàng)新方法。這個(gè)名字聽起來很技術(shù)化，但其背后的思路卻出奇簡單：教會(huì)AI在每一步繪制過程中，優(yōu)先選擇那些能夠清晰表達(dá)單一物體特征的位置進(jìn)行繪制。

UNCAGE的工作原理可以用一個(gè)生動(dòng)的比喻來解釋。想象你是一個(gè)室內(nèi)設(shè)計(jì)師，需要在同一個(gè)房間里擺放一套紅色沙發(fā)和一盞綠色臺(tái)燈。傳統(tǒng)的AI方法就像是一個(gè)新手設(shè)計(jì)師，可能會(huì)隨意選擇擺放位置，結(jié)果不小心把紅色沙發(fā)和綠色臺(tái)燈放得太近，導(dǎo)致整體效果混亂。而UNCAGE則像是一個(gè)經(jīng)驗(yàn)豐富的設(shè)計(jì)師，它會(huì)仔細(xì)分析房間的每個(gè)角落，優(yōu)先選擇那些最適合單獨(dú)展示某件家具特色的位置。

具體來說，UNCAGE通過一種"對(duì)比注意力引導(dǎo)"的策略來改進(jìn)AI的繪制順序。對(duì)于圖像中的每個(gè)位置，系統(tǒng)會(huì)計(jì)算兩個(gè)關(guān)鍵指標(biāo)：正向配對(duì)得分和負(fù)向配對(duì)得分。正向配對(duì)得分衡量的是這個(gè)位置對(duì)目標(biāo)物體及其屬性的關(guān)注程度，而負(fù)向配對(duì)得分則衡量這個(gè)位置對(duì)其他無關(guān)物體的關(guān)注程度。

以"一個(gè)綠色蘋果和一只紅色小鳥"為例，當(dāng)AI考慮某個(gè)位置是否適合繪制蘋果時(shí)，UNCAGE會(huì)計(jì)算這個(gè)位置對(duì)"蘋果"和"綠色"的注意力強(qiáng)度（正向得分），同時(shí)計(jì)算這個(gè)位置對(duì)"小鳥"和"紅色"的注意力強(qiáng)度（負(fù)向得分）。只有當(dāng)正向得分明顯高于負(fù)向得分的位置，才會(huì)被優(yōu)先選擇用來繪制蘋果。

這種方法的精妙之處在于它的簡潔性和有效性。研究團(tuán)隊(duì)沒有試圖修改復(fù)雜的AI模型結(jié)構(gòu)，而是巧妙地利用了現(xiàn)有模型已經(jīng)產(chǎn)生的注意力信息，通過重新排序繪制優(yōu)先級(jí)來解決問題。這就像是給一個(gè)優(yōu)秀但略顯混亂的畫家提供了一個(gè)更好的作畫順序建議，而不需要重新訓(xùn)練他的繪畫技能。

更重要的是，UNCAGE是一個(gè)完全免訓(xùn)練的方法。這意味著研究人員不需要收集大量新的訓(xùn)練數(shù)據(jù)，也不需要花費(fèi)大量計(jì)算資源來重新訓(xùn)練模型。只需要在現(xiàn)有模型的基礎(chǔ)上添加這個(gè)智能引導(dǎo)系統(tǒng)，就能顯著提升圖像生成的質(zhì)量。這種設(shè)計(jì)哲學(xué)體現(xiàn)了研究團(tuán)隊(duì)的實(shí)用主義思維：用最小的改動(dòng)獲得最大的效果改善。

三、從實(shí)驗(yàn)室到現(xiàn)實(shí)：全面的性能驗(yàn)證

為了驗(yàn)證UNCAGE方法的有效性，研究團(tuán)隊(duì)設(shè)計(jì)了一系列全面而嚴(yán)格的實(shí)驗(yàn)。他們的測試策略就像是為一個(gè)新產(chǎn)品進(jìn)行全方位的質(zhì)量檢測，從多個(gè)角度確保方法的可靠性和實(shí)用性。

實(shí)驗(yàn)的基礎(chǔ)是兩個(gè)權(quán)威的數(shù)據(jù)集：Attend-and-Excite數(shù)據(jù)集和SSD（相似主體數(shù)據(jù)集）。Attend-and-Excite數(shù)據(jù)集包含了動(dòng)物-動(dòng)物、動(dòng)物-物體、物體-物體三種不同類型的組合，每種組合都有幾十到上百個(gè)測試樣本。而SSD數(shù)據(jù)集則更加挑戰(zhàn)性，專門收集了語義上非常相似的物體組合，比如"獵豹和老虎"、"鷹和禿鷲"等，這些組合即使對(duì)人類來說也需要仔細(xì)觀察才能區(qū)分。

研究團(tuán)隊(duì)采用了三種不同的評(píng)估方法，確保評(píng)估結(jié)果的客觀性和全面性。第一種是CLIP文本-圖像相似度，它通過計(jì)算生成圖像與原始文本描述之間的語義相似度來評(píng)估質(zhì)量。第二種是CLIP文本-文本相似度，它首先用另一個(gè)AI模型將生成的圖像轉(zhuǎn)換回文字描述，然后比較這個(gè)描述與原始文本的相似程度。第三種是基于GPT的評(píng)估，讓先進(jìn)的語言模型充當(dāng)"評(píng)委"，對(duì)生成圖像的質(zhì)量進(jìn)行打分。

實(shí)驗(yàn)結(jié)果令人印象深刻。在傳統(tǒng)評(píng)估指標(biāo)上，UNCAGE方法在幾乎所有測試場景中都超越了現(xiàn)有的最佳方法。特別是在語義相似物體的區(qū)分上，改進(jìn)效果最為顯著。當(dāng)測試"一只豹子和一只老虎"這樣的困難樣本時(shí)，傳統(tǒng)方法經(jīng)常會(huì)生成一個(gè)模糊不清的大型貓科動(dòng)物，而UNCAGE則能夠生成兩個(gè)特征分明的獨(dú)立動(dòng)物。

更有說服力的是用戶研究結(jié)果。研究團(tuán)隊(duì)邀請(qǐng)了十名志愿者，讓他們?cè)诓恢朗褂昧四姆N方法的情況下，對(duì)比評(píng)估不同方法生成的圖像質(zhì)量。結(jié)果顯示，在動(dòng)物-動(dòng)物組合的測試中，有51.6%的情況下用戶更偏好UNCAGE生成的圖像，而只有30.2%的情況下更偏好傳統(tǒng)方法。在兩個(gè)物體的組合測試中，這個(gè)優(yōu)勢更加明顯，達(dá)到了45.3%對(duì)23.0%。

研究團(tuán)隊(duì)還特別測試了方法的計(jì)算效率。他們發(fā)現(xiàn)，UNCAGE僅僅增加了0.13%的推理時(shí)間，這個(gè)開銷幾乎可以忽略不計(jì)。相比之下，其他試圖解決相同問題的方法往往會(huì)將計(jì)算時(shí)間增加一倍以上。這種高效性使得UNCAGE在實(shí)際應(yīng)用中具有很強(qiáng)的可操作性，不會(huì)因?yàn)檫^高的計(jì)算成本而限制其推廣使用。

四、深入剖析：技術(shù)創(chuàng)新的精妙之處

UNCAGE方法的技術(shù)創(chuàng)新體現(xiàn)在多個(gè)層面，每個(gè)設(shè)計(jì)決策都經(jīng)過了深思熟慮。研究團(tuán)隊(duì)在論文中詳細(xì)闡述了方法的數(shù)學(xué)原理，但這些復(fù)雜公式背后的直覺卻相當(dāng)直接。

核心創(chuàng)新在于對(duì)比注意力得分的計(jì)算方式。對(duì)于每個(gè)圖像位置，系統(tǒng)會(huì)為每個(gè)物體計(jì)算一個(gè)"清晰度得分"，這個(gè)得分等于該位置對(duì)目標(biāo)物體及其屬性的最小注意力值，減去該位置對(duì)其他物體的最大注意力值。這個(gè)設(shè)計(jì)確保了只有那些專一關(guān)注單一物體的位置才會(huì)獲得高分。

在實(shí)際實(shí)現(xiàn)中，研究團(tuán)隊(duì)還加入了一些精妙的技術(shù)細(xì)節(jié)。比如，他們對(duì)注意力圖譜應(yīng)用了高斯平滑處理，這就像是給一張略顯模糊的照片做銳化處理，讓注意力的邊界更加清晰。他們還設(shè)計(jì)了一個(gè)可調(diào)節(jié)的引導(dǎo)強(qiáng)度參數(shù)，允許用戶根據(jù)具體需求調(diào)整方法的介入程度。

特別值得注意的是，UNCAGE主要在生成過程的前16個(gè)時(shí)間步驟中發(fā)揮作用，而在后續(xù)的48個(gè)步驟中回歸傳統(tǒng)方法。這個(gè)設(shè)計(jì)基于一個(gè)重要觀察：在蒙版生成變換器中，圖像的整體結(jié)構(gòu)主要在早期步驟中確定，后期步驟主要負(fù)責(zé)細(xì)節(jié)完善。通過在關(guān)鍵時(shí)期提供精確引導(dǎo)，UNCAGE能夠以最小的干預(yù)獲得最大的效果。

研究團(tuán)隊(duì)還進(jìn)行了大量的消融實(shí)驗(yàn)，逐一測試方法的各個(gè)組成部分。他們發(fā)現(xiàn)，即使只使用對(duì)比注意力引導(dǎo)的一部分（僅正向引導(dǎo)或僅負(fù)向引導(dǎo)），也能帶來顯著的改善。這種模塊化的效果驗(yàn)證了方法設(shè)計(jì)的合理性，每個(gè)組件都在為整體性能做出貢獻(xiàn)。

更有趣的是，研究團(tuán)隊(duì)發(fā)現(xiàn)UNCAGE的效果在不同類型的物體組合中表現(xiàn)出明顯的差異化特征。對(duì)于語義差異較大的物體組合（如動(dòng)物和汽車），傳統(tǒng)方法本身就表現(xiàn)不錯(cuò)，UNCAGE的改進(jìn)相對(duì)溫和。但對(duì)于語義相近的物體組合（如不同品種的狗），UNCAGE的改進(jìn)效果就非常顯著。這種適應(yīng)性表明，方法確實(shí)在解決最需要解決的問題上發(fā)揮了作用。

五、技術(shù)邊界與未來展望

盡管UNCAGE取得了令人矚目的成果，但研究團(tuán)隊(duì)也誠實(shí)地承認(rèn)了方法的局限性。正如任何技術(shù)創(chuàng)新都有其適用邊界，UNCAGE也面臨一些挑戰(zhàn)。

最主要的限制來自于預(yù)訓(xùn)練模型本身的偏見。當(dāng)原始模型對(duì)某些概念組合存在根深蒂固的誤解時(shí)，UNCAGE也難以完全糾正。比如，如果模型從訓(xùn)練數(shù)據(jù)中學(xué)到了"黑色的蘋果很少見"的概念，那么即使使用UNCAGE，生成"一條狗和一個(gè)黑色蘋果"時(shí)仍可能出現(xiàn)"一條黑狗和一個(gè)紅蘋果"的結(jié)果。這反映了一個(gè)更深層的問題：數(shù)據(jù)驅(qū)動(dòng)的AI系統(tǒng)不可避免地會(huì)繼承訓(xùn)練數(shù)據(jù)中的偏見和局限性。

另一個(gè)局限性在于改進(jìn)幅度的相對(duì)溫和性。雖然UNCAGE在統(tǒng)計(jì)上顯著優(yōu)于現(xiàn)有方法，但改進(jìn)程度不如某些專門針對(duì)擴(kuò)散模型設(shè)計(jì)的方法那樣顯著。這主要是因?yàn)閁NCAGE堅(jiān)持了免訓(xùn)練的設(shè)計(jì)原則，沒有通過梯度優(yōu)化等計(jì)算密集型方法來獲得更大的改進(jìn)。這種設(shè)計(jì)權(quán)衡體現(xiàn)了研究團(tuán)隊(duì)對(duì)實(shí)用性的重視，但也意味著在某些極端情況下，方法的效果可能不夠理想。

然而，正是這些局限性為未來的研究方向指明了道路。研究團(tuán)隊(duì)在論文中提出了幾個(gè)有前景的改進(jìn)方向。首先是探索更復(fù)雜的注意力引導(dǎo)策略，可能通過引入少量的梯度優(yōu)化步驟來獲得更顯著的改進(jìn)，雖然這會(huì)犧牲一些計(jì)算效率，但可能在關(guān)鍵應(yīng)用場景中是值得的。

其次是將UNCAGE的思想擴(kuò)展到其他類型的生成模型。目前的工作專注于蒙版生成變換器，但類似的注意力引導(dǎo)思想也可能適用于自回歸模型或混合架構(gòu)。這種通用化可能會(huì)為整個(gè)AI圖像生成領(lǐng)域帶來更廣泛的影響。

第三個(gè)方向是開發(fā)更智能的引導(dǎo)參數(shù)自適應(yīng)機(jī)制。目前UNCAGE使用固定的引導(dǎo)強(qiáng)度，但理想情況下，系統(tǒng)應(yīng)該能夠根據(jù)具體的文本內(nèi)容和生成進(jìn)度自動(dòng)調(diào)整引導(dǎo)程度。這種自適應(yīng)能力將使方法更加智能和用戶友好。

研究團(tuán)隊(duì)還特別提到了方法的實(shí)際應(yīng)用前景。UNCAGE的高效性使其非常適合集成到商業(yè)圖像生成產(chǎn)品中，為普通用戶提供更精確的圖像定制服務(wù)。想象一下，未來的AI藝術(shù)助手可能會(huì)內(nèi)置類似UNCAGE的技術(shù)，幫助用戶生成更符合預(yù)期的創(chuàng)意內(nèi)容，從個(gè)人社交媒體到專業(yè)設(shè)計(jì)工作都能受益。

六、學(xué)術(shù)貢獻(xiàn)與行業(yè)影響

從學(xué)術(shù)角度看，UNCAGE的貢獻(xiàn)不僅僅是一個(gè)具體的技術(shù)解決方案，更重要的是它代表了一種新的思維范式。在AI研究領(lǐng)域，面對(duì)復(fù)雜問題時(shí)，研究者通常傾向于設(shè)計(jì)更復(fù)雜的模型架構(gòu)或收集更多的訓(xùn)練數(shù)據(jù)。而UNCAGE展示了另一種可能性：通過深入理解現(xiàn)有模型的內(nèi)在機(jī)制，找到巧妙的引導(dǎo)方式來改善性能。

這種"輕干預(yù)，重理解"的研究理念在當(dāng)前AI發(fā)展的背景下具有特殊意義。隨著大型模型的訓(xùn)練成本不斷攀升，能夠以最小代價(jià)改善現(xiàn)有模型性能的方法變得越來越有價(jià)值。UNCAGE證明了，有時(shí)候最有效的創(chuàng)新不是推倒重建，而是精確的微調(diào)和引導(dǎo)。

從更廣闊的技術(shù)生態(tài)角度看，UNCAGE的成功也為蒙版生成變換器這一相對(duì)年輕的技術(shù)路線注入了新的活力。長期以來，擴(kuò)散模型在圖像生成領(lǐng)域占據(jù)主導(dǎo)地位，而自回歸模型和蒙版生成模型則被視為有潛力但尚未成熟的替代方案。UNCAGE通過解決蒙版生成變換器的一個(gè)關(guān)鍵弱點(diǎn)，為這一技術(shù)路線的發(fā)展掃清了重要障礙。

研究的開源策略也值得稱贊。團(tuán)隊(duì)將完整的代碼和實(shí)驗(yàn)數(shù)據(jù)公開發(fā)布，這不僅有助于同行驗(yàn)證和改進(jìn)研究成果，也降低了技術(shù)轉(zhuǎn)化的門檻。在AI研究日益商業(yè)化的今天，這種開放態(tài)度為學(xué)術(shù)界和產(chǎn)業(yè)界的良性互動(dòng)提供了優(yōu)秀范例。

說到底，UNCAGE最大的價(jià)值在于它解決了一個(gè)真正困擾普通用戶的實(shí)際問題。當(dāng)你下次使用AI工具生成包含多個(gè)物體的圖像時(shí)，可能就會(huì)受益于類似UNCAGE的技術(shù)改進(jìn)，獲得更準(zhǔn)確、更符合預(yù)期的結(jié)果。這種從技術(shù)研究到用戶體驗(yàn)的直接轉(zhuǎn)化，正是衡量一項(xiàng)AI研究價(jià)值的重要標(biāo)準(zhǔn)。

歸根結(jié)底，UNCAGE代表的不僅僅是一個(gè)技術(shù)方法的改進(jìn)，更是AI系統(tǒng)向著更智能、更可控方向發(fā)展的一個(gè)重要步驟。當(dāng)我們的AI助手能夠更準(zhǔn)確地理解和執(zhí)行我們的創(chuàng)意想法時(shí)，人機(jī)協(xié)作的可能性就會(huì)大大擴(kuò)展。雖然完全解決AI的理解問題還需要更長時(shí)間的努力，但像UNCAGE這樣的研究正在為我們逐步接近這個(gè)目標(biāo)鋪平道路。

對(duì)于有興趣深入了解技術(shù)細(xì)節(jié)的讀者，完整的論文和代碼可以在https://github.com/furiosa-ai/uncage找到。這項(xiàng)由韓國FuriosaAI公司、首爾國立大學(xué)和Ajou大學(xué)聯(lián)合完成的研究，不僅推進(jìn)了AI圖像生成技術(shù)的發(fā)展，也為如何以巧妙的方式改進(jìn)現(xiàn)有AI系統(tǒng)提供了有益啟示。

Q&A

Q1：UNCAGE方法具體是如何解決AI畫圖時(shí)把不同物體搞混的問題的？

A：UNCAGE通過一種"對(duì)比注意力引導(dǎo)"策略來改進(jìn)AI的繪制順序。它會(huì)計(jì)算圖像每個(gè)位置對(duì)不同物體的注意力強(qiáng)度，優(yōu)先選擇那些專門關(guān)注單一物體特征的位置進(jìn)行繪制。比如畫"綠蘋果和紅小鳥"時(shí)，系統(tǒng)會(huì)優(yōu)先選擇那些只關(guān)注"蘋果+綠色"而忽略"小鳥+紅色"的位置來畫蘋果，這樣就避免了屬性混合。

Q2：使用UNCAGE方法會(huì)不會(huì)讓AI生成圖像變得很慢？

A：完全不會(huì)。UNCAGE的一大優(yōu)勢就是幾乎不增加計(jì)算時(shí)間，只增加了0.13%的推理時(shí)間，基本可以忽略不計(jì)。這是因?yàn)樗恍枰匦掠?xùn)練模型，只是巧妙地利用了AI已經(jīng)產(chǎn)生的注意力信息來重新排序繪制優(yōu)先級(jí)，就像給畫家提供更好的作畫順序建議，而不需要重新教他畫畫技能。

Q3：UNCAGE方法在哪些情況下效果最明顯？什么時(shí)候效果有限？

A：UNCAGE在處理語義相近的物體組合時(shí)效果最明顯，比如區(qū)分不同品種的狗、不同類型的鳥類等。對(duì)于差異較大的物體組合（如動(dòng)物和汽車），傳統(tǒng)方法本身就表現(xiàn)不錯(cuò)，改進(jìn)相對(duì)溫和。另外，如果原始AI模型對(duì)某些概念存在根深蒂固的偏見，UNCAGE也難以完全糾正，比如模型認(rèn)為黑蘋果很少見時(shí)，仍可能生成錯(cuò)誤結(jié)果。