新智元报道

编辑：Aeneas 好困

【新智元导读】最近，这几位TED演讲者，在外网形成了病毒式传播，然而，他们竟然全都不是真人？！答案揭晓后，五百万网友简直惊掉下巴。这5张图里，你能发现几个bug？

最近，这些「TED演讲者」在外网火得一塌糊涂，堪称病毒式传播。

仔细看看，你能发现什么问题吗？

答案揭晓——这五个人中，没有一个是真人！

在线寻人的小哥要哭了

如此逼真，几乎毫无破绽，这种级别的生图AI直接让网友们惊掉下巴。

甚至连AI识别软件，都认不出来这是AI生成的图。

「看起来真实，难道不是因为本来就是真实的照片？」

「没有一张是真人吗？简直令人毛骨悚然！」

网友锐评：这已经超越了恐怖谷，到达了「超真实谷」。

短短十几个小时，分享这张图片的帖子，在推上的观看人数已经破了500万。

随后，作者也被扒了出来——他就是Stable Diffusion团队的前成员Leo Kadieff。

他揭秘道：这些TEDx演讲者，都是用最新的Flux真实版LoRA制作的。

以往的AI生图，人眼多少都会看出违和感，而这次的图片如此逼真，正是靠LoRA技术改进了模型，才大大增加了真实感。

并且，作者介绍说，这个工作流还有一个好处，就是大大简化了复杂的提示词。

这个消息，简直让提示词苦手们狂喜。

这个小小的22MB文件，就可以让我们省去麻烦，不必再在每个提示词中写一堆与真实性相关的Token。

一句「一张RAW超现实主义照片，UHD，8k」，足矣。现实主义爱好者，绝对爱死了这个工具。

作者直言：我们还需要对现实模型进行微调吗？

- 这些图像是Flux+LoRA的原始输出，未经过任何放大或后期处理

- 你需要对应的「RealismLora」文件，以及ComfyUI工作流

Lora：https://huggingface.co/XLabs-AI/flux-RealismLora/tree/main

ComfuUI：https://we.tl/t-zrC5tPFG17

真实版LoRA，效果拔群

从下面这两幅图中不难看出，用LoRA和不用LoRA的效果对比，果然十分明显。

网友已玩嗨

与此同时，「TED演讲者」的分享者Kyrannio，也尝试用Midjourney复刻了一波。

最初的提示词如下：

一位女性在舞台上发言，来自谷歌，白色背景，企业标志被模糊处理，科技会议 --style raw --v 6.1

可以看出，生成效果还不错，但与Leo Kadieff生成的图片差距依然很大。

接着，博主又进行了一些改进：

一位年轻女性微笑着在舞台上发言，来自谷歌，白色背景，企业标志被模糊处理，科技会议 --style raw --v 6.1

并在经过多次生成之后，试出了最为接近的结果：

与此同时，随着谷歌Imagen 3公开可用，网友们也在第一时间拿着这套prompt进行了尝试。

一时间，全网都掀起AI生图的热潮。

Imagen 3全员可用

没错，正如刚刚提到的，谷歌最强文生图模型Imagen 3已经正式开放可用了。

prompt：Photo of a man holding a sign that says: "Imagen Is Now Almost As Good As Midjourney" in New York City.

来源：Risphere

网友chrypnotoad表示，自己还没见过哪个AI能把阿喀琉斯之盾做得这么好的！

能轻松hold住如此复杂的prompt，Imagen 3果然不能小觑。

知名博主「歸藏」在体验之后表示：

生成的内容准确但图片美观度很差。只要涉及人物，你就得仔细斟酌提示词写法，不然大概率无法出图。

好在，他们在提示词的交互上做得很好：

LLM会分析提示词类型，并且给出相关词语你可以直接切换。

来源：歸藏

除了直接生成之外，Imagen 3还支持局部重绘功能，用画笔和提示词对图片进行编辑。

来源：歸藏

当然，几家顶流文生图AI的PK，肯定也少不了：Midjourney V6 vs Imagen 3 vs FLU.1[pro]。

异色瞳的亚洲女性。

美洲原住民。

有美人痣的南亚妇女。

疯狂的艺术家。

很遗憾，谷歌大概因为安全设置过于敏感，并不能生成这个prompt……

留着八字胡的高加索老人。

Runway也来蹭了一波，但…

趁着这股热度，Runway创意总监Nicolas Neubert，还用自家的Gen-3 Alpha生成了一段视频。

果然，AI图片变成视频后，效果依然杠杠的！

而这个帖子，也同样引起了轰动。

网友赞叹道：从一年半前惨不忍睹的威尔·史密斯吃意面，到今天这个程度，进步可谓是疯狂的。

同时，也有火眼金睛的网友发现，这个视频依然有一些细微的bug。

比如人的舌头不会动，牙齿有些弯曲、扁平，第4秒时左臂出现了奇怪的斑点，还有Google标志处的bug，也非常明显。

如果看得再仔细点，会发现所有的阴影都很不自然，比如麦克风的阴影。还有东西接触的地方，很多线条是乱的。

嘴唇的动作也不自然。

眼睛看起来仍然没有灵魂。

总的来说，相比于AI生图，目前AI视频的bug显然要多得多。

背后的原因还是在于，AI根本不理解人类的舌头、头发、眼睛究竟是什么东西。接下来的AI，还是要学会人体解剖和物理学才行。

而且，在文生图这块，Runway就要差得多了。

SD一作携原班人马创业，一出手就是王炸

说回到FLUX.1，其实在8月初的时候它就引起过一波热议。

Stable Diffusion一作、Stabililty AI核心成员Robin Rombach下场创业，官宣成立Black Forest Labs。

祭出的首个产品FLUX.1系列模型，效果直接秒杀Midjourney、DALL-E和Stable Diffusion！

根据官博的介绍，FLUX.1在图像细节、提示词遵循、风格多样性和场景复杂性方面都取得了SOTA。

尤其是FLUX.1[pro]，经过测试在一众文生图模型中拔得头筹。

视觉质量、提示词遵循、尺寸/纵横比变化、排版和输出多样性

ELO得分

为了在可访问性和模型能力之间取得平衡，FLUX.1有三种变体：FLUX.1[pro]、FLUX.1[dev]和FLUX.1[schnell]：

- FLUX.1 [pro]：FLUX.1的顶级版本，提供最先进的图像生成，具有一流的提示词跟随能力、视觉质量、图像细节和输出多样性。

- FLUX.1 [dev]是一个开放权重的指令蒸馏模型，用于非商业应用。由于是从FLUX.1 [pro]直接蒸馏而来，因此FLUX.1 [dev]不仅获得了强大的质量和提示词跟随能力，而且比同规模的标准模型更加高效。

- FLUX.1 [schnell]是最快的模型，专为本地开发和个人使用而设计。（schnell在德语中就是快的意思）

值得一提的是，所有FLUX.1模型都基于多模态和并行扩散Transformer块的混合架构，参数规模为120亿。

其中，团队通过构建流匹配（flow matching）改进了之前的扩散模型，并且通过结合旋转位置嵌入（rotary positional embeddings）和并行注意力层提高了模型性能和改进硬件效率。

团队成员

扒开Black Forest Labs主页，可以看到团队共有15位成员。

创始人正是老熟人Robin Rombach。

Stability AI曾收购了Robin的Latent Diffusion模型，并聘请他成为首席科学家。

在Google Scholar网站上，Robin Rombach参与论文《High-Resolution Image Synthesis With Latent Diffusion Models》已经收获了9000多次引用。

期间他领导了全球著名文生图开源项目Stable Diffusion系列，这也是全球下载最多、使用最广的开源大模型之一。

论文地址：https://arxiv.org/pdf/2112.10752

Andreas Blattmann、Patrick Esser、Dominik Lorenz三人皆是SD论文作者，也是Black Forest Labs创业团队的新成员。

除了Bjorn Ommer，可以说Robin将SD核心元老全都带走了。

《Fast High-Resolution Image Synthesis with Latent Adversarial Diffusion Distillation》，正收Robin离职前发表的最后一篇论文。

论文地址：https://arxiv.org/abs/2403.12015

值得一提的是，在这篇论文中，Andreas Blattmann、Tim Dockhorn、Axel Sauer、Frederic Boesel、Patrick Esser也参与了其中。

除此以外，新团队曾经的创新成果包括创建VQGAN和潜在扩散（Latent Diffusion）、用于图像和视频生成的SD模型（SD XL 、SVD）以及用于超快速实时图像合成的对抗扩散蒸馏（Adversarial Diffusion Distillation）。

看来，AI生图和视频的进步速度，还在不断加快。

再过一年，我们能看到的AI图片和视频，将是惊人的。