這項由香港中文大學郭子宇、張任瑞等研究人員聯(lián)合北京大學、上海人工智能實驗室等機構開展的突破性研究，于2025年1月發(fā)表在arXiv預印本平臺，論文編號arXiv:2501.13926v2。有興趣深入了解的讀者可以通過https://github.com/ZiyuGuo99/Image-Generation-CoT訪問完整論文和代碼。

想象一下，你讓AI畫一張"紅蘋果放在橢圓盤子上"的圖片。傳統(tǒng)的AI就像一個悶頭苦干的畫師，拿起筆就開始畫，經(jīng)常畫出奇怪的結果——比如蘋果是綠的，或者盤子變成了正方形。而現(xiàn)在，研究團隊教會了AI像人類畫家一樣"邊畫邊思考"：先想想"我要畫什么？""這一筆畫得對嗎？""需要修改什么？"然后再繼續(xù)畫下去。

這種讓AI"思考著畫畫"的方法，就是從OpenAI的o1模型那里借鑒來的"鏈式思維推理"技術。就好比教孩子做數(shù)學題時，不是直接給答案，而是教他們一步步分析："第一步要做什么？""第二步呢？""這樣做對不對？"現(xiàn)在，研究團隊把同樣的思路應用到了AI繪畫上，讓機器也能像人一樣有條不紊地創(chuàng)作。

研究團隊發(fā)現(xiàn)了一個有趣的現(xiàn)象：現(xiàn)在主流的AI繪畫模型大多采用"擴散模型"技術，就像在一張模糊的畫布上逐漸清晰化圖像。但還有另一類模型叫"自回歸生成模型"，它們的工作方式更像人類畫畫——一個區(qū)域一個區(qū)域地逐步完成，每畫一筆都要考慮前面已經(jīng)畫好的部分。這種特性讓它們天然適合"邊畫邊思考"的訓練方式。

研究團隊以Show-o模型為基礎，就像選擇了一個有潛力的學徒畫師，然后通過三種巧妙的訓練方法來提升它的繪畫水平。第一種方法叫"測試時驗證"，就像給畫師配了一個嚴格的評審員，畫完每一步都要檢查："這一筆畫得怎么樣？"如果不滿意就重新畫。第二種方法是"偏好對齊訓練"，相當于讓畫師多看優(yōu)秀作品和糟糕作品的對比，逐漸培養(yǎng)出好的審美品味。第三種方法是把前兩種結合起來，既有嚴格的評審，又有不斷的品味培養(yǎng)。

在"測試時驗證"的探索中，研究團隊發(fā)現(xiàn)了一個關鍵問題：傳統(tǒng)的評判標準不太適用于繪畫過程。就像評價一個廚師，你不能只看最后的菜品，還要看整個烹飪過程中的每個步驟。對于繪畫AI來說，早期的畫面往往很模糊，就像素描的初稿，很難判斷好壞；而后期的畫面雖然清晰，但不同路徑畫出的結果往往很相似，也難以區(qū)分優(yōu)劣。

為了解決這個問題，研究團隊開發(fā)了一個專門的"潛力評估獎勵模型"（PARM），就像培訓了一個既懂繪畫技法又有長遠眼光的藝術老師。這個老師不僅能看出現(xiàn)在的畫面質(zhì)量，還能預測"這樣畫下去最終會是什么效果"。更厲害的是，PARM還知道什么時候該開始認真評價——太早了畫面還太模糊沒法判斷，太晚了已經(jīng)定型沒法修改，只有在恰當?shù)臅r機才給出指導意見。

PARM的工作方式分為三個步驟，就像一個經(jīng)驗豐富的繪畫導師。首先是"清晰度判斷"：它會觀察當前的畫面，判斷是否已經(jīng)足夠清晰到可以進行評價。如果畫面還太模糊，就耐心等待；如果已經(jīng)比較清晰了，就進入下一步。然后是"潛力評估"：它會分析這個畫面繼續(xù)畫下去是否有希望達到理想效果，就像一個老師看學生的草圖時能預判最終作品的質(zhì)量。最后是"最終選擇"：從所有被判定為"有潛力"的畫作中挑出最好的一個作為最終結果。

研究團隊還開發(fā)了PARM++，這相當于給AI畫師增加了"自我反思"的能力。當PARM++覺得畫作還不夠好時，它會具體指出哪里有問題，比如"物體顏色不對"或"位置關系錯誤"，然后引導AI重新修改。這就像一個畫家畫完后自己審視作品，發(fā)現(xiàn)問題后主動修正，而不是被動接受批評。

在實際測試中，研究成果表現(xiàn)令人驚喜。在GenEval這個專業(yè)的圖像生成評測基準上，經(jīng)過"思維訓練"的AI比原來的基礎模型提高了24%，甚至比著名的Stable Diffusion 3模型還要高出15%。這就好比一個原本中等水平的畫師，經(jīng)過系統(tǒng)訓練后不僅大幅提升了自己的水平，還超越了一些知名畫家。

研究團隊特別關注那些最考驗AI繪畫能力的場景，比如畫多個物體、數(shù)數(shù)、準確表達顏色、描述空間位置關系等等。傳統(tǒng)的AI在這些方面經(jīng)常出錯，比如讓它畫"三個紅蘋果"，結果畫成了兩個綠蘋果；讓它畫"藍色杯子在紅色書本左邊"，結果位置關系完全顛倒。而經(jīng)過"思維訓練"的AI在這些方面都有了顯著改善，就像一個原本粗心的學生變得細致認真了。

從技術角度來看，這項研究的創(chuàng)新之處在于首次系統(tǒng)性地將"鏈式思維推理"應用到了自回歸圖像生成領域。研究團隊不是簡單地照搬文本領域的方法，而是深入分析了圖像生成的特殊性，設計了專門適合的訓練和評估策略。他們發(fā)現(xiàn)，相比于傳統(tǒng)的獎勵模型，PARM能夠更好地處理圖像生成過程中的模糊性和漸進性特征。

值得注意的是，這種方法不僅適用于Show-o模型，研究團隊還在LlamaGen和Janus-Pro等其他自回歸生成模型上進行了驗證，都取得了一致的改善效果。這說明"讓AI思考著畫畫"這個思路具有很好的普適性，就像一套好的教學方法可以應用到不同的學生身上。

研究過程中也暴露了一些有趣的現(xiàn)象。比如，單純的"測試時驗證"效果不如"偏好對齊訓練"，這說明讓AI通過對比學習來提升品味，比單純的反復檢查更有效。但是當兩種方法結合使用時，效果會進一步提升，這證實了不同訓練策略的互補性。

從實際應用的角度來看，這項技術可能會改變我們與AI繪畫工具的交互方式。目前的AI繪畫工具往往需要用戶不斷調(diào)整提示詞、反復生成，直到得到滿意的結果。而具備"思維能力"的AI可能會更加智能，能夠理解復雜的描述，自主處理細節(jié)問題，減少用戶的試錯成本。

研究團隊還發(fā)現(xiàn)，讓AI進行"自我反思"雖然會帶來額外的計算開銷，但能夠顯著提升最終結果的質(zhì)量。這就像讓畫家多花一些時間思考和修改，雖然效率略有下降，但作品質(zhì)量會大幅提升。在實際應用中，用戶可以根據(jù)需求選擇是要快速生成還是高質(zhì)量生成。

這項研究的意義不僅限于技術層面，它還為AI創(chuàng)作領域提供了新的思路。傳統(tǒng)上，我們往往把AI看作是一個"黑盒子"，輸入需求就輸出結果。而這項研究展示了讓AI具備"元認知"能力的可能性——不僅知道如何做，還知道如何檢查自己做得對不對，如何改進。

當然，這項技術也有其局限性。目前的方法主要針對自回歸生成模型，對于占據(jù)主流地位的擴散模型還需要進一步的適配和優(yōu)化。此外，增加的"思維"過程會帶來一定的計算開銷，在資源受限的環(huán)境下可能會影響使用體驗。研究團隊在論文中誠實地討論了這些限制，并提出了未來的改進方向。

從更廣闊的視角來看，這項研究是AI能力演進的一個重要里程碑。它不僅僅是讓機器畫畫畫得更好，更重要的是探索了讓機器具備"自我意識"和"反思能力"的路徑。這種"會思考的AI"可能會在更多領域發(fā)揮作用，從寫作、編程到科學研究，都可能受益于這種"邊做邊思考"的智能模式。

總的來說，香港中文大學團隊的這項研究為AI繪畫領域帶來了新的突破，不僅在技術上實現(xiàn)了顯著的性能提升，更在理念上展示了"思考型AI"的巨大潛力。隨著這項技術的進一步發(fā)展和優(yōu)化，我們可能會看到更加智能、更加可靠的AI創(chuàng)作工具，它們不僅能夠理解我們的需求，還能像人類創(chuàng)作者一樣進行思考、判斷和自我完善。

Q&A

Q1：PARM是什么？它跟傳統(tǒng)的AI繪畫評判方法有什么不同？

A：PARM是"潛力評估獎勵模型"的簡稱，是專門為AI繪畫設計的智能評判系統(tǒng)。傳統(tǒng)方法要么只看最終結果，要么對每個步驟都強行評判，而PARM更聰明——它知道什么時候該開始評價（畫面足夠清晰時），能預測畫作的發(fā)展?jié)摿?，就像一個經(jīng)驗豐富的繪畫老師既能看出學生草圖的問題，又能預判最終效果。

Q2：這種讓AI"邊畫邊思考"的方法會讓繪畫速度變慢嗎？

A：確實會增加一些計算時間，因為AI需要額外的"思考"過程來評估和調(diào)整。但研究團隊發(fā)現(xiàn)這種時間投入是值得的——雖然單次生成稍慢一些，但畫出好作品的成功率大大提高，用戶不需要反復重新生成，總體效率反而可能更高。就像畫家多花時間思考構圖，雖然慢一點但能避免返工。

Q3：這項技術什么時候能在日常的AI繪畫工具中使用？

A：目前研究團隊已經(jīng)在GitHub上開源了相關代碼（https://github.com/ZiyuGuo99/Image-Generation-CoT），技術開發(fā)者可以基于此進行開發(fā)。但要集成到像Midjourney、Stable Diffusion這樣的主流工具中，還需要進一步的工程優(yōu)化和適配工作。預計在未來1-2年內(nèi)，我們可能會在一些新的AI繪畫產(chǎn)品中看到類似的"思考型"功能。