实测百度iRAG技术：大模型终于知道如何去掉“AI味儿”了

出品｜三言Pro 作者｜DorAemon

今日，2024百度世界大会在上海举办，百度创始人李彦宏在会上发表了题为《应用来了》的演讲。

在会上，李彦宏谈到过去24个月对于大模型行业而言，最大的变化是“大模型基本上消除了幻觉”，回答问题的准确性大大的提升了。 “让AI从一本正经的胡说八道变得可用，可被信赖。”

李彦宏在会上介绍了百度最新的iRAG技术，依托该技术，可以让AI大模型文生图功能准确性大增，不再有“幻觉”，也就是说，AI制作的图片已经不再有“AI味儿”了。

其实李彦宏对AI大模型的评价是非常到位的，AI文生图的“AI味儿重”曾经闹出不少笑话，到现在已经进化到摆脱“AI味儿”了。

曾经“图不对题”

如今用iRAG消除模型幻觉

记得去年国内大模型发布之后，文生图功能迅速吸引了一批用户，但是也很快成为网友调侃对象。

大家为什么调侃呢，因为那时候大模型对用户“文生图”的关键词理解是真从“字面意义”上认知的。

如果不说上面这五张图的正确答案，恐怕大家很难猜得出这些图到底表达的是什么意思。而一旦知道了“谜底”，会立刻“笑喷”。

上面这五张图是彼时大模型画的锤子手机、虎皮鸡蛋、胸有成竹、鱼香肉丝和驴肉火烧。

除了上述这类比较“逗乐”的问题外，AI文生图产品也经常会犯一些常识性错误。比如要求大模型生成一张天坛图片，但大模型给出的结果是一座四层形似天坛的图片，而天坛实际上只有三层。

这就是AI文生图的“AI味儿”。

但在笔者看来，最开始大模型文生图出现这样令人啼笑皆非的结果，首先证明其是真“自己理解、自己生成”，而非简单粗暴的复制网络内容；其次，这些问题随着产品进化也得到修复，以文心大模型为代表的国产大模型正在不断进化。

百度世界2024上，百度正式发布iRAG技术，即image based RAG检索增强文生图技术。采用该技术的文生图能力不仅不再犯上面这种“搞笑错误”，更是在生成特定物品、生成特定人物与任意背景结合的图片，比如“某人物在某地点做某事”。iRAG所生成的图片是真实、无模型幻觉的，准确性高，没有“AI味儿”。

那么，拥有更强文生图能力的文小言，实际效果如何呢？笔者决定亲自测试，并且也尝试了其他两种不同大模型产品进行简单对比。

测试过程中，包括文心一言在内的三个大模型使用的关键词均一致，只对比不同大模型文生图结果区别。

iRAG技术实际测试：准确率非常高

为了能够得到更加真实的测试结果，笔者决定让不同大模型生成十张图，然后对比结果差异。

1. 让大模型生成一张马斯克在吃蛋糕的图片。

先来看文心一言的结果，文心一言提供了两张图片，首先这两张图片中人物为马斯克的特征非常多，可以说一眼就能看出是马斯克；一张中马斯克身穿西服，手里拿着蛋糕；另一张中则是马斯克身着T恤，双手端着盛有蛋糕的盘子。无论哪张，都准确无误。

另一款大模型产品，这里叫“大模型A”吧，一次给出了三张“马斯克吃蛋糕的图片”。可以看出，大模型A在特定人物刻画上，虽然也能够看出是马斯克，但并没有那么细致；此外，还存在一些错误，有一张图片中，“马斯克”手持蛋糕的姿势很“诡异”，而且指头长度明显不对。

再看今天测试的第三个大模型的结果，这里称之为“大模型B”吧。大模型B画的马斯克与马斯克真人相差甚远，更别提其手持蛋糕的手指画错。

2. 生成一张安妮海瑟薇吃炸酱面的图

文心一言生成了两张安妮海瑟薇吃炸酱面的图片，同样，两张图中海瑟薇的细节特征拉满，炸酱面、人物手部等也都准确；

大模型A则一口气生成四张图片，其中，有一张面部不很像海瑟薇本人；其余三张虽然也能准确画出海瑟薇，但在人物手部细节、餐具细节上仍有错误。

大模型B还是完全无法准确画出海瑟薇形象，而且面碗看上去也过于巨大。

3. 生成一张霍金在篮球场打麻将的图片

这个题目笔者认为是比较“刁钻”的，因为“元素过多”。先来看文心一言生成的两张图中，可以说正确率在90%，唯一错误则是霍金“没有轮椅”，除此之外，人物形象、篮球场、打麻将这些细节都得到体现。

而大模型A这次属于“彻底翻车”，不仅没有准确生成霍金的外貌，在处理麻将桌上错误百出。

大模型C的结果只能说“轮椅”是正确的，人物形象和麻将牌摆放方法都不准确。

4. 生成一张苹果CEO库克在天坛骑车的图片

文心一言生成的两张图中，可以明显看出人物具有库克特征，同时背景也有天坛以及天坛式建筑。但库克的面部细节还欠点意思；

而大模型A生成的四张图中，具有明显库克特征的只有一张，其余三张人物形象偏差较大；而且骑自行车腿部细节有问题。

大模型C则再次无法生成指定人物，且骑自行车的腿部细节错误。

5. 生成一张乔布斯在工作的图片。

文心一言生成的两张乔布斯工作图基本上没有逻辑错误，人物形象也比较准确，唯一问题可能是画中电脑屏幕显示的系统“并非Mac OS”。

而大模型A给出的四张图中，要么人物形象欠点意思，要么则是对电脑处理存在明显错误；

大模型B的“乔布斯”完全只是个陌生白人老人。

6. 生成一张东方明珠在深山里的图

文心一言对文生图要求比较严谨，不仅体现出东方明珠电视塔在深山的概念，同时也比较符合逻辑地描绘出电视塔的地基等信息。

而大模型A给出的四张图中，则感觉比较“生硬”，有点强行将电视塔PS到山林里的感觉，同时部分图中东方明珠电视塔还存在细节错误。

而大模型B虽然体现了深山元素，但是却完全将东方明珠电视塔描绘错误。

7. 生成一张鱼尾狮在沙漠里的图

感觉这个要求对文心一言来说“轻而易举”，不仅体现了沙漠元素，而且对鱼尾狮这尊雕塑也描绘正确；

这里把大模型A、B放一起说，因为这两个大模型均体现了沙漠，但是却都把鱼尾狮画错了。

8. 生成一张天坛在海边的图。

文心一言描绘的天坛在海边图片中，细节还是很不错的，尤其是处理建筑与水交接地方。

而大模型A生成的四张图中，虽然也能够比较准确描绘出天坛和海的元素，但是也存在把天坛三层建筑画成两层情况。

大模型B干脆把天坛“压扁”……

9.生成一张福建土楼出现在现代都市里的图

文心一言对福建土楼以及现代都市的理解准确率都很高，细节部分也都不错；

大模型A生成的四张图中，也基本准确的完成笔者要求，只有一张近景建筑感觉“奇怪”。

而大模型B的图片则完全把土楼画成类似“天坛”了。

10. 生成一张甄嬛玩手机的图

这个题目其实挺有意思，“甄嬛”历史上并不存在，但是有其原型人物，即清朝孝圣宪皇后；所以“甄嬛”的形象对于大众来说其实来自电视剧《甄嬛传》，那就是演员孙俪的形象；此外，《甄嬛传》还有原著小说，从小说角度来说，每个人心中的“甄嬛”都不一样。

可以看出，文心一言的“甄嬛”是按照孙俪扮演的形象为基础，相信也是很多看过电视剧《甄嬛传》网友的“第一选择”；同时，文心一言的图片在细节处理准确率非常高。

大模型A则完全提供了不同的甄嬛形象，并没有参考孙俪，不过，大模型A的图片中，存在很多手指错误；

大模型B的甄嬛也同样存在手指细节错误，同时手机也有些“一眼假”。

百度要做数百万“超级有用”的应用

整个测试体验下来，说实话，笔者着实被iRAG惊艳到。几个大模型文生图功能对比，文心一言对用户的指令理解能力最好，出图正确率也是最高的。

而文心一言能够领先，当然是基于百度强大的AI能力，而且以搜索起家的百度在这方面更是有得天独厚的优势。

百度的iRAG技术能够将百度搜索的亿级图片资源和强大的基础模型能力相结合，就可以生成各种超真实的图片，整体效果远远超过文生图原生系统，去掉了AI味儿，而且成本很低。iRAG具备无幻觉、超真实、没成本、立等可取等特点。

在今天的测试中，文心一言对特定物品、特定人物认知能力高，同时得出的结果也没有“变形的手指”、“诡异的物品”这种充满“AI味儿”的情况。

再回到本文开头提到的五张去年“闹笑话”的AI成图，如果让现在的文心一言重新生成一次，结果会是什么呢？

锤子手机不再是“真锤子”、虎皮鸡蛋不再是“老虎形状的蛋”、胸有成竹不再是字面意义上的“人和竹子”，鱼香肉丝和驴肉火烧也都是美食形象……今天的大模型完全不会再犯曾经的“搞笑错误”，不仅能够准确理解用户输入词语，而且生成的图片如果不看水印完全认不出是AI做的。

笔者随手用大模型A试了一下让AI生成“胸有成竹”图片，结果这个模型其实还是从字面意义上理解，给出的是人物和竹子两个元素，并不像文心一言一样能够理解成语本意。

大模型的文生图能力是AI应用的很小一个缩影，但同时这个功能能够带来的生产力提升是巨大的。小到普通自媒体工作者的图文编辑，大到上市公司宣传海报制作，大模型能够显著降低工作成本。而这一切都要建立在AI文生图应用“好用、能用”的基础上。

从文生图应用拓展来看，越来越多的AI应用落地才能真正意义让“AI时代”惠及到所有人。所以，发展AI应用其实比“卷大模型”更重要。

李彦宏对大模型的观点也是一以贯之的，他已经不止一次指出，“卷应用”才是大模型发展的方向。其实李彦宏的观点非常正确，应用越多才能使得大模型更加普惠化，否则只是无根之木，难以长久发展。

在今天的百度世界大会上，李彦宏称“我们即将迎来AI应用的群星闪耀时刻”，他还再次强调“超级能干”的应用比只看DAU的“超级应用”更重要，只要对产业、对应用场景能够产生大的增益，整体价值就比移动互联网要大多了。

目前，文心智能体平台已经吸引15万家企业和80万名开发者参与，覆盖应用场景丰富，涵盖制造、能源、交通、政务、金融、汽车、教育、互联网等众多行业。李彦宏称，“百度不是要推出一个‘超级应用’，而是要不断地帮助更多人、更多企业打造出数百万‘超级有用’的应用。”