想象一下，你手里拿着一根魔杖，只要对着图片说话，就能改变图片的样子。你说：“让这只狗看起来像只猫，”然后“噗”的一声，狗的脸就变成了猫的面孔。这就是基于指令的图像编辑的世界，一个建立在**生成式人工智能（Generative AI）**之上的超能力。这些“计算机大脑”通过对数十亿张照片和说明文字的学习，学会了从零开始绘制新图，或者根据你的话语微调现有的图像。长期以来，这些“巫师”只能做一件事：严格执行你的命令。如果你要求一件“蓝色的夹克”，它们会给你一件百分之百蓝色的夹克。如果你要求“下雪”，整个场景就会变成一场暴风雪。但如果你只想要“一点点”雪呢？或者想要一件“大部分是红色但带有一丝蓝色”的夹克呢？直到现在，这根魔杖还是有点笨拙的；它是一个“开/关”式的开关，而不是一个可以调节亮度的旋钮。

这就是 Kontinuous Kontext 故事的开始。研究人员想要将那个笨拙的“开/关”开关变成一个平滑的、可调节的调光器。他们提出了一个简单的问题：我们能否教会 AI 不仅理解要“改变什么”，还要理解要“改变多少”？他们不只是想让 AI 去猜测合适的程度，而是希望用户能够拖动一个滑块，并看着图像逐渐发生变化，就像调节音乐的音量或调整屏幕亮度一样。这篇论文介绍了一种赋予 AI 这种细粒度控制力的新方法，让我们能够通过一次平滑的动作，将编辑程度从“毫无变化”调节到“完全转变”。

---

问题所在：全或无的“魔杖”

想象你是一位拿着神奇食谱书的大厨。如果你要求“辣汤”，书里给出的汤会烫得让你舌头都烧起来。如果你要求“清淡的汤”，它给出的汤尝起来就像白开水一样。你无法要求“只要一点点辣味”。目前的图像编辑 AI 正是如此。你给它一个文本指令，比如“把夹克变成皮毛”，它要么不做任何改变，要么直接进行彻底的、毛茸茸的转变。不存在中间地带。

以往试图解决这个问题的方法，就像是为每一种食材都去建造一个新的厨房。一些科学家尝试专门训练用于改变发色的模型，另一些用于改变天气，还有一些用于改变物体形状。这就像是为每一道菜都请了一位不同的厨师。虽然有效，但速度慢、成本高，而且你无法轻易地将它们混合使用。你需要的是一位全能的厨师，能够处理任何请求，并让你控制每一次变化的强度。

解决方案：“AI 的音量旋钮”

开发 Kontinuous Kontext（一个结合了“连续/Continuous”与“上下文/Kontext”的俏皮名称）的团队构建了一个系统，它就像是图像编辑的通用音量旋钮。AI 现在不再仅仅听从“把它变蓝”的指令，它还会听从指令加上一个数字，告诉它“有多蓝”。

把 AI 想象成一位正在演奏乐曲的音乐家。文本指令就是乐谱，告诉音乐家要演奏什么。而新的“滑块”就是音量旋钮。过去，音乐家只能选择全音量播放或完全静音。现在，有了 Kontinuous Kontext，你可以将旋钮从零转到十。在零的时候，音乐是静止的（图像保持不变）。在五的时候，音乐是轻柔温和的（细微的编辑）。在十的时候，它是一场摇滚演唱会（完全的转变）。神奇之处在于，从零到十的过渡是完美平滑的，没有任何突跳或故障。

他们是如何教会 AI “滑动”的

你可能会好奇：“他们从哪里获得数据来教 AI 这种技能呢？”毕竟，现实中的人通常不会拍一张照片，稍微编辑一下，再多编辑一点，最后进行大幅度编辑，并且保存过程中的每一个步骤。那种数据在现实世界中并不存在。

因此，研究人员成为了“数据魔术师”。他们创建了一个合成数据集——一个虚构但真实的示例库。以下是他们的做法：

1. 设置： 他们选取了 11 万张随机照片。
2. 指令： 他们使用一个智能 AI 助手为每张照片编写了一条独特的指令，例如“把这辆车变成宇宙飞船”。
3. 完整编辑： 他们使用了一个强大的现有 AI（称为 Flux Kontext）来进行完整的编辑，将汽车变成宇宙飞船。
4. 桥梁： 这是最难的部分。他们需要向 AI 展示汽车在 10%、20%、50% 和 90% “宇宙飞船化”程度下的样子。他们使用了一种特殊的“变形（morphing）”工具来创建这些中间图像，就像视频在两个场景之间淡入淡出一样。
5. 清理： 变形工具并不完美。有时它会产生奇怪的伪影，比如一个有着半个轮子的汽车，或者看起来像一团模糊物体的宇宙飞船。研究人员构建了一个严格的过滤器，剔除掉所有“坏”的例子，即那些过渡不平滑或图像看起来破碎的例子。最终，他们得到了 64,000 个高质量的“编辑轨迹”（从起点到终点的平滑路径）。

核心秘诀：“翻译器”投影仪

其核心发明是一个被称为**投影仪（projector）*的小型、轻量化网络。把主 AI 模型想象成一个庞大、复杂的管弦乐队。文本指令告诉乐队要演奏什么*。而这个新的投影仪就是一个位于滑块与管弦乐队之间的微型翻译器。

当用户将滑块拉到“0.5”（一半）时，翻译器并不仅仅是对着乐队大喊“一半！”。相反，它会向乐队的指挥（调制空间/modulation space）低声传递一个非常具体且经过校准的指令。它会说：“好了，针对这条关于蓝色夹克的特定指令，请应用精确的这种程度的蓝色。”

研究发现，如果他们只是尝试将数字输入到文本词汇中（比如加入一个“一半”的标记），音乐会变得跳跃且怪异。但通过将数字输入到调制空间——即 AI 控制图像“氛围”的一个隐藏层——他们可以让变化变得平滑且精准。这就像是意识到，如果你想改变音量，你不应该对着歌手大喊，而应该直接调节放大器的增益旋钮。

研究发现（以及局限性）

结果令人印象深刻。当他们测试该系统与其他方法对比时，Kontinuous Kontext 在平滑度方面是明显的赢家。

• 竞争对手： 其他方法就像一台坏掉的电梯。它们会从一楼跳到十楼，但有时会完全跳过五楼，或者门会在错误的楼层打开。有些方法试图将两张图像融合在一起，但这往往会在中间步骤产生奇怪、模糊的怪物。
• 胜出者： Kontinuous Kontext 的移动就像一部平滑的电梯。随着滑块从 0 移向 1，图像会逐渐且逻辑清晰地发生变化。夹克不会突然变蓝，而是慢慢增加蓝色。雪景不会凭空出现，而是雪花慢慢飘落，地面慢慢变白。

论文还表明，这种方法适用于一切，而不只是某一种东西。无论你是要改变裙子的颜色、材质（让岩石看起来像黄金）、汽车的形状，还是整个场景的天气，同一个滑块都适用。这意义重大，因为这意味着你不需要为每种类型的编辑都准备一个不同的模型。一个通用的模型就可以处理所有事情。

然而，作者也诚实地指出了局限性。该系统擅长于“连续性”编辑，比如改变颜色或材质。但如果你要求一个非常具体且硬性的几何变换——比如将一辆车完美地旋转 90 度——系统有时会遇到困难，因为其构建的基础 AI（Flux Kontext）本身在处理这类问题时也有困难。此外，如果你尝试将滑块推过最大值（比如要求“120% 的蓝色”），系统不知道该如何处理，它要么停在 100%，要么会变得混乱。它是一个调光器，而不是时光机。

为什么这很重要

这篇论文表明，我们正在跨越“是或否”的 AI 时代。我们正在进入“多少”的时代。通过为用户提供一个滑块，Kontinuous Kontext 弥合了人类复杂、富有创造性的细微需求与计算机代码僵硬、二元性质之间的鸿沟。它将图像编辑从一种“碰运气”的游戏（即你希望 AI 能猜中正确的改变程度）转变为一种精确的工具，你可以根据自己的品味来微调结果。

研究人员不仅制造了一个更好的工具，他们还证明了控制强度的“旋钮”其实已经隐藏在这些 AI 模型之中，等待被发现。他们只需要打造一把正确的钥匙来解锁它。现在，你不再是要求 AI “使其完美”，而是终于可以告诉它，“使其接近完美”，然后看着它顺滑地到位。