声明：本文源自微信公众号量子位（ID:QbitAI），作者QbitAI，经微新创想授权转载发布。腾讯混元大模型再添新功能！发布仅两个月，混元大模型便迎来全新升级，不仅语言模型性能大幅提升，更悄然上线了AIGC领域最火爆的文生图功能。与Midjourney独立出图不同，混元文生图实现了与对话功能的完美融合，用户可边聊边画，体验与DALL·E3相似。已通过测试的用户可立即体验，排队用户也无需等待，我们已抢先实测了热门效果，现分享给大家。
混元文生图上手实测
根据腾讯官方介绍，混元大模型文生图的核心优势体现在三方面：真实感、中文理解力、风格多样性。接下来，我们将逐一验证其表现。
首先测试人像生成能力，复刻Midjourney爆火的“写实90年代北京情侣”效果。请生成一张摄影风格照片，场景设定为20世纪90年代北京，一位男性和一位女性面带微笑坐在屋顶，身着夹克和牛仔裤，周围环绕着建筑群。真实感表现令人满意，写实风格的人像生成精准，人物姿态自然，亚洲人脸特征与国外AI生成效果相比更加真实。小技巧提示：若想获得写实风格，建议使用“生成一张……”指令，而“画一张……”则可能生成插画风格。
写实人像表现优异，接下来测试风景生成能力。混元大模型不仅支持通用风景描述，还能指定真实景点，如“桂林山水”或“长城”。虽然AI生成图像与真实景观存在差异，但整体效果令人满意。更具挑战性的是场景组合，尝试生成“桂林山水中融入长城”的摄影风格图像，要求高度细节。混元大模型成功完成了这一离奇需求，甚至还原了水面波纹，证明其不仅重现训练数据，更具备独立理解概念的能力。
接下来挑战更复杂的概念，曾因不理解中文菜名闹出笑话的AI，经过半年发展已显著进步。“红烧狮子头”不再出现狮子，“夫妻肺片”也不会变成恐怖片，甚至看起来相当诱人。比菜名更具挑战的是古诗词，尝试生成“孤舟蓑笠翁，独钓寒江雪”的水墨画风格图像。整体效果不错，但存在小瑕疵：一张图中缺少“舟”，另一张舟上坐了两位“翁”，未能体现孤独意境。诗词这种凝练语言对AI仍有一定难度。
但别担心，混元助手同时具备聊天对话能力，支持多轮交互。借助强大的语言模型，我们找到了解决方案。通过使用“这些要求”、“上述要求”等指代词，实现两个功能的联动。再次生成图像时效果更稳定，并增加了雪花飘落细节。建议将此指令保存为快捷方式，从对话框右侧的魔法棒图标快速调用，只需修改描述内容即可。此外，支持一键分享至微信，4张图可同时分享让好友选择，无需反复截图。点击分享链接可放大查看图像，并开启新对话。
混元大模型在中文理解能力上表现突出，风格多样性同样令人印象深刻。作为腾讯出品，游戏插画风格自然不在话下，如赛博朋克风。初步效果不错，但仍有提升空间。结合语言模型明确风格特点，并手动添加细节，效果更佳。测试多种游戏画风，从3D到2D甚至像素风格，混元助手都能完美驾驭。同一主题和风格限定下，也能呈现不同画风，Furry爱好者可喜大普奔。
腾讯透露，内部多个场景已应用混元大模型文生图能力。虽然具体应用方式未知，但测试发现用《王者荣耀》作为风格限定词也能被理解。除了游戏场景，广告场景也能发挥真实感优势。腾讯的内容业务同样受益，玄幻小说插图效果出色。
这样的文生图效果背后究竟有何原理？业界已有不少开源文生图模型，腾讯是基于现有方案改进，还是完全自研？我们与混元大模型文生图技术负责人芦清林深入交流，了解技术细节。
模型全自研，用20亿+图文数据锤炼
芦清林表示，从算法、数据系统到工程平台，腾讯混元大模型文生图功能完全自研，确保生成自由度和数据安全，更符合用户需求。当前文生图模型普遍存在三个难点：语义理解差、构图不合理、画面细节无质感。
语义理解方面，模型难以理解中文，尤其是中英文混杂的描述。业界普遍采用CLIP算法，但存在两个问题：未建模中文语言，中文输入依赖翻译导致错误（如“红烧狮子头”生成狮子）；图文对齐能力不足。构图方面，直接基于开源扩散模型可能生成“三只手”等异形。画面细节方面，开源模型因数据集分辨率和质量问题，生成图像清晰度不足。
为解决这些问题，腾讯混元团队采用三类模型组合“逐个击破”。语义理解上，自研跨模态预训练大模型，实现中英文、图像三者的跨模态对齐。生成构图上，采用扩散模型与Transformer混合架构，巧妙运用旋转位置编码技术，既掌握全局信息又理解局部细节。画面细节上，自研超分辨率模型并结合多种算法优化，提升图像质感。该架构不仅能生成1024×1024分辨率的图片，微调后还能支持图生图、文生视频。
数据是文生图质量的关键。OpenAI在DALL·E3论文中强调数据对指令跟随的重要性。腾讯同样重视数据，自研了三方面技术提升数据质量。
数据质量上，通过改善图-文数据集中的文本描述，提升图文相关性。数据效果上，对训练数据进行“金银铜”分层，20+亿青铜数据用于预训练，6亿+白银数据提升生成质量，1.12亿+黄金数据用于精调训练。数据效率上，建立数据飞轮自动化构建训练数据，加快模型迭代，解决数据长尾场景难题，如及时更新“玲娜贝儿”等新词。
工程平台是算法和数据的结合体。腾讯自研Angel机器学习平台，包括训练框架AngelPTM和推理框架AngelHCF。训练上，基于4D并行+ZeROCache机制实现千亿参数混元大模型的快速训练，AngelPTM速度比业界主流框架DeepSpeed-Chat快1倍。推理上，AngelHCF支持多种并行能力、服务部署管理、自研模型无损量化，速度提升1.3倍。Angel平台还升级了混元语言模型，代码能力显著提升。
混元大模型代码能力实测
首先测试代码生成能力，以帮老师写“随机点名程序”为例。混元大模型迅速生成带注释的完整代码：
“`python
import random
#假设班级里有50个学生，这里是他们的学号
student_ids = [‘001′,’002′,’003′,’004′,’005′,’006′,’007′,’008′,’009′,’010’,
‘011’,’012′,’013′,’014′,’015′,’016′,’017′,’018′,’019′,’020′,
‘021’,’022′,’023′,’024′,’025′,’026′,’027′,’028′,’029′,’030′,
‘031’,’032′,’033′,’034′,’035′,’036′,’037′,’038′,’039′,’040′,
‘041’,’042′,’043′,’044′,’045′,’046′,’047′,’048′,’049′,’050′]
#使用random.choice（）函数从学生学号列表中随机选择一个学生
random_student_id = random.choice(student_ids)
#打印随机选中的学生学号
print(“随机抽取的学生学号是:”, random_student_id)
“`
代码运行流畅，每次都能抽取不同学生。更惊喜的是，混元大模型还能帮忙查代码bug，成为程序员省心利器。
现在，无论是文生图还是代码能力，都已在腾讯混元助手中开放体验。
