体验完百度世界2024上的iRAG，我觉得AI绘图也可以没有幻觉了。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
体验完百度世界2024上的iRAG，我觉得AI绘图也可以没有幻觉了。
原创 数字生命卡兹克 数字生命卡兹克 2024-11-12 16:10 江苏
作为受邀媒体，我现在人在2024百度世界大会现场。
在论坛中，听李彦宏讲了最重要的1小时。
这一小时里，他说了很多重要的东西，有智能体、有很好用的正式上线的自由画布，有一个无代码开发工具秒哒。
但是最让我眼前一亮，觉得有点东西的，可能是一个跟AI绘图有关的产品。
iRAG。
检索增强的文生图技术。
这个东西，还是值得单独拿出来说说的。
不过在说之前，我觉得还是先需要跟一些产业外的人，科普一下什么叫RAG，就是把百度这个iRAG去掉一个i。
RAG的出现，就是为了解决大模型本身的幻觉的，去年ChatGPT刚出来的时候，很多人都觉得他是万能的学者，无所不能的神。
直到对话对的越来越多，大家才发现，神其实并不是无所不能，神，甚至还会跟你一本正经的胡说八道。
于是，为了解决这个痛点，RAG出现了。
本质上，他是不是大模型按照自己的知识库回答，然后先通过一些工程化手段，比如联网搜索，比如文档搜索等等，先把相关信息给找出来，让大模型根据这些信息来进行回答。
直接把答案拍你脸上，你总不能胡说八道了吧。
现在你能看到的绝大多数的AI搜索、知识库、AI客服等等，几乎都是RAG的延伸。
但是，这些RAG，你能看到，几乎都是文生文模态的，几乎没有跨模态的而。
而百度这个iRAG，有意思的点就是，他不是解决文字大模型生成的幻觉问题的，而是解决图片的。
没错，图片生成，其实很多时候，跟AI绘图一样，也是有幻觉问题的。
比如我用Midjourney生成一副天坛的图片。
左边是Midjourney，右边是天坛实拍照片。
如果你不看实拍照片的对比，让你单看Midjourney生成的天坛照片，你可能还会觉得像模像样的。
但是当你看了实拍，你就会发现，细节的错误实在太多了。天坛的这个标志的祈年殿，是三层蓝瓦金顶，中间挂着祈年殿的牌子。
而AI呢，变成了两层，还把祈年殿的牌子丢了。这个就是幻觉问题，而且在一些实际项目中，危害很大，特别是一些跟甲方的合作项目，你们都懂的。
你但凡甲方的车换一下遭形，你看看他们会不会拿搬砖敲你。
不敲进医院都是我觉得最大的仁慈了，真的。
而百度的这个iRAG，他们就是想解决这个问题，所以叫iRAG，image based RAG。
这是他们早上展示的一个case，爱因斯坦在天坛前面抽烟。
左边是iRAG加持后的效果，天坛极准，爱因斯坦也很像。
而右边的四兄弟基本就垮了，有的是天坛崩，有的是任务崩，不过我还真的挺好奇左下那一张是哪家模型的，在没有iRAG的加持下，天坛能那么稳定，还是有点东西的。
这个东西在早上李彦宏讲话的时候，就应该已经全量上线了，我也以最快的速度去文心一言上做了一波测试。
在李彦宏后面的发言几乎没听、错过了AI眼镜的发布，测了一早上之后。
我觉得这个iRAG确实有用，但是也会有很多它的局限。
我总结的最好的公式是：
某人物在某地点做某事。
对明确的物品、明确的人、明确的场景表现较好，但是对于一些抽象的比如logo之类的东西效果就不尽人意了。
我之前妄图想生成挂着百度logo的腾讯滨海大楼，就会非常的抽象。。。
而如果你说人地事，效果就很好了。
比如我可以直接在文心一言里面说：
生成一张图：特朗普和霸王龙一起在广州塔前剥豆角。
就能得到如此抽象的结果。
极其精准。
特朗普、霸王龙、广州塔，没有一个有错的。
你也可以生成：
甄嬛在玩小米mix fold折叠屏手机。
我的上一部小米折叠屏就长这样，壁纸几乎一样，icon也有小米的影子，就是还有点bug，不是完全一样，但是百度iRAG能做到这个程度，我已经是佩服到底了，更别提，这还是一个甄嬛传的场景，甄嬛的元素，几乎也跟真人一样。
又或者，你可以让建筑，随便出现在任何地方，比如沙漠中的自由女神像。
比如，在海底生锈的埃菲尔铁塔。
iRAG的优势在此刻被展现的淋漓尽致，那就是，绝对精准。
整体技术路径虽然百度没说，但是我大概能猜到，就是根据用户要求，先去实时检索图片，然后把这部分图片做一些重绘和注入，加入一些其他的内容。但是肯定会有很多更为繁琐的工程细节。
而且我发现，他还可以上传图，来保证绝对的精准。
比如我把我的照片传上去了，让他给我生成一张男人穿着花大袄子在打麻将。
然后。。。就出现了非常抽象的图。。。
emmmmmmm，像是真的像。。。
就是这一股子东北气息，是我真的不敢尝试的风格。
非常坦率的讲，百度的AI绘图底模还不够好，在质量和审美上，跟Midjourney、Flux这种还有一些距离，但是瑕不掩瑜，iRAG作为一种基础能力手段，是可以复刻到所有的AI绘图产品中去的。
毕竟精准，是很多时候，非常强的痛点。
我也强烈建议，所有的AI绘图产品，把iRAG这种技术，用在自己的产品里面。
Midjourney如果加上iRAG，那想象空间是真的大。
百度这一波。
是真的做了，非常优秀的东西。
有趣且有意思。
希望后面，再度进化，能再给这个行业，一些小小的震撼。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@gmail.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言