普林斯顿研究:扩散模型基本视觉技能外推有限,计数仅约50%

NielsRogge · x · 2026-11-23

普林斯顿研究者 Amish Sethi、Boya Zeng、Wenhao Chai、Zhuang Liu 等发布论文《Do Diffusion Models Learn to Generalize Basic Visual Skills?》(arXiv:2611.22427),提出受控实验框架 Visual Generative Lab(VGL),用规则生成合成数据从零训练扩散模型,精确测量其对尺寸、位置、旋转、数量、颜色、形状等基本视觉技能的泛化能力——这是 FID、IS 等分布级指标和 prompt-following 基准无法回答的问题。

核心发现:

论文指出当前评估无法区分模型是真正学到视觉技能还是主要拟合训练模式,代码与数据生成脚本已在 GitHub 开源。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →