Image Generation from Contextually-Contradictory Prompts
تقترح هذه الورقة إطار عمل لتفكيك المطالبات يعتمد على الوعي بالمراحل، والذي يسخر النماذج اللغوية الكبيرة لتوليد مطالبات وسيطة متماسكة سياقياً، مما يمكّن نماذج الانتشار من تحويل النص إلى صورة من حل التناقضات الدلالية بدقة وتحسين المواءمة مع المطالبات المدخلة المعقدة والمتعارضة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك فناناً موهوباً جداً، ولكنه عنيد قليلاً، يدعى Diffusion. هذا الفنان بارع في رسم أي شيء تطلبه منه، لكن لديه عادة قوية وهي اتباع "قواعد ذهنية" تعلمها من خلال النظر إلى ملايين الصور.
على سبيل المثال، إذا طلبت منه رسم "دب يقوم بحركة الوقوف على اليدين (Handstand)"، سيصاب الفنان بالارتباك. لماذا؟ لأن في ذاكرته، الدببة دائماً ما تكون على أربع، وحركات الوقوف على اليدين هي للبشر أو لجمبازيين. عقل الفنان يقول: "دب + وقوف على اليدين = مستحيل!". لذا، بدلاً من رسم دب يقف على يديه، قد يرسم دباً واقفاً على قدميه، أو إنساناً يقوم بحركة الوقوف على اليدين، أو مجرد دب يبدو مرتبكاً. هو معتاد جداً على الطريقة "الطبيعية" للأشياء لدرجة أنه لا يستطيع تخيل الطريقة الغريبة التي طلبتها منه.
الورقة البحثية التي شاركتَها تقدم طريقة ذكية جديدة تسمى SAP (التلقين المدرك للمراحل - Stage-Aware Prompting) لإصلاح ذلك. فكر في SAP كـ مخرج ذكي يتدخل لتوجيه الفنان خطوة بخطوة، حتى لا يعلق الفنان في عاداته القديمة.
إليك كيف يعمل الأمر، باستخدام تشبيه بسيط:
المشكلة: "الفنان العنيد"
عندما تعطي الفنان أمراً مثل "تنين ينفث الماء"، يصاب الفنان بالذعر.
- منطق الفنان: "التنانين دائماً تنفث النار! هذه هي القاعدة! إذا نفثت الماء، فهي ليست تنيناً!"
- النتيجة: يتجاهل الفنان طلبك ويرسم تنيناً ينفث ناراً، أو مزيجاً غريباً من النار والماء يبدو مثل البخار.
يحدث هذا لأن الأفكار لدى الفنان "متشابكة". هو يعتقد أن "التنين" ملتصق بـ "النار"، تماماً كما يعتقد أن "الفراشة" ملتصقة بـ "الزهور". إذا طلبت منه فراشة في "خلية نحل"، سيتجاهل الفنان الخلية ويرسم فراشة على زهرة لأن هذا هو ما يعرفه جيداً.
الحل: "المخرج المدرك للمراحل" (SAP)
تدرك طريقة SAP أن الفنان لا يرسم اللوحة بأكملها دفعة واحدة، بل يرسم في مراحل:
- أولاً: يرسم الهيكل العظمي والخلفية (الرسم المبدئي).
- ثانياً: يضيف الأجسام الرئيسية والألوان.
- أخيراً: يضيف التفاصيل الدقيقة (العيون، الملامس، الأفعال المحددة).
المشكلة هي أن الفنان يعلق في المرحلة الأولى. إذا قرر في وقت مبكر أن الخلفية هي "وقت الليل" بسبب "ذئب يعوي للقمر"، فلن يستطيع تغييرها إلى "وقت النهار" لاحقاً، حتى لو طلبت منه ذئباً يعوي وقت الظهيرة.
تقوم SAP بإصلاح ذلك عبر تقسيم طلبك إلى سلسلة من "الأوامر البديلة" (مثل سيناريو للمخرج):
الاستراتيجية: "تغيير الملابس"
لنفترض أنك تريد رسم "دب يقوم بحركة الوقوف على اليدين".
- المرحلة 1 (الهيكل العظمي): يخبر المخرج الفنان: "أولاً، ارسم فقط مشهد حديقة لشخص يقوم بحركة الوقوف على اليدين".
- لماذا؟ الفنان يعرف كيف يرسم شخصاً يقوم بهذه الحركة. هذا يحدد الشكل والوضعية الصحيحة دون تفعيل انحياز "الدب = يمشي على أربع".
- المرحلة 2 (الانتقال): يقول المخرج: "الآن، حافظ على هذه الوضعية، ولكن حول الشخص إلى رجل يرتدي زي دب".
- لماذا؟ الفنان الآن مرتاح مع وضعية الوقوف على اليدين. يحتاج فقط إلى استبدال "الجلد" أو المظهر الخاري.
- المرحلة 3 (التفصيل النهائي): يقول المخرج: "أخيراً، قم بإزالة الزي واجعله دباً حقيقياً، مع الحفاظ على نفس وضعية الوقوف على اليدين تماماً".
- لماذا؟ بحلول الوقت الذي يصل فيه الفنان إلى التفاصيل، يكون شكل "الوقوف على اليدين" قد تم تثبيته بالفعل. لا يمكن للفنان العودة وتغييرها إلى دب يمشي. يتم إضافة هوية "الدب" في النهاية، لذا فهي لا تتصارع مع شكل "الوقوف على اليدين".
كيف يعرف "المخرج الذكي" ما يجب فعله؟
تستخدم ورقة البحث نموذج لغة كبير (LLM) ليكون هذا المخرج. فكر في الـ LLM كأنه أمين مكتبة حكيم يعرف كل قواعد العالم.
- تخبر الـ LLM: "أريد تنيناً ينفث الماء".
- يفكر الـ LLM: "آه، التنانين عادة تنفث النار. هذا تناقض. دعني أخدع الفنان".
- يكتب الـ LLM سيناريو:
- الخطوة 1: "تنين ينفث دخاناً أبيض" (الدخان يشبه الماء، لذا سيكون الفنان سعيداً).
- الخطوة 2: "تنين ينفث ماء" (الآن بعد أن أصبح شكل الدخان موجوداً، استبدله بالماء).
لماذا يعد هذا أمراً هاماً؟
قبل هذا، إذا طلبت من الذكاء الاصطناٍ لشيء غريب أو متناقض، فإنه عادة ما يفشل أو يعطيك نتيجة عامة ومملة. كان الأمر يشبه طلب "آيس كريم حار" من طباخ، فيقوم بإعطائك آيس كريم بالفانيليا فقط لأن "الآيس كريم ليس حاراً".
SAP تشبه إعطاء الطباخ وصفة تقول:
- اصنع قاعدة الآيس كريم.
- أضف الصوص الحار إلى القاعدة بينما لا تزال سائلة (لكي يمتزج جيداً).
- جمدها.
الآن، ستحصل على ما طلبته بالضبط: آيس كريم حار.
الملخص
- المشكلة: مولدات صور الذكاء الاصطناٍ هي "عنيدة" جداً وتعتمد على عاداتها القديمة، فتفشل عندما تطلب منها تركيبات غريبة (مثل دب يقوم بالوقوف على اليدين).
- الحل: طريقة جديدة تسمى SAP تعمل كمخرج.
- السحر: تقوم بتقسيم طلبك إلى خطوات صغيرة يمكن إدارتها. تخبر الذكاء الاصطناٍ أن يرسم الشكل أولاً (باستخدام جسم مشابه وآمن)، ثم يستبدل التفاصيل الغريبة لاحقاً، بمجرد أن يتم تحديد الشكل.
- النتيجة: يمكن للذكاء الاصطناٍ أخيراً رسم الأشياء المستحيلة التي تطلبها، دون أن يرتبك بسبب تدريبه.
إنها في الأساس تعلم الذكاء الاصطناٍ أن يفكر في طبقات، مما يضمن بناء الأساس بشكل صحيح قبل محاولة بناء الطابق العلوي الغريب والرائع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.