谷歌新AI火了！世界最长单词都能画
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
朋友，你知道这个英文单词是什么吗？Pneumonoultramicroscopicsilicovolcanoconiosis.这个世界公认最长——由45个字母组成的单词，意思是“因肺部沉积火山矽质微粒所引起的疾病”（俗称火山矽肺病）。但如果说，现在不是让你拼读这个单词，而是……把它给画出来呢？（读都读不出来，还画画？？？）谷歌最新提出来的一个AI——Parti，它就能轻松hold住这事。在把这个单词“投喂”给Parti后，它就能有模有样地生成多张合情合理的肺部疾病图片：但这只是Parti小试牛刀的能力，据
朋友，你知道这个英文单词是什么吗？
Pneumonoultramicroscopicsilicovolcanoconiosis.
这个世界公认最长——由45个字母组成的单词，意思是“因肺部沉积火山矽质微粒所引起的疾病”（俗称火山矽肺病）。
但如果说，现在不是让你拼读这个单词，而是……把它给画出来呢？
（读都读不出来，还画画？？？）
谷歌最新提出来的一个AI——Parti，它就能轻松hold住这事。
在把这个单词“投喂”给Parti后，它就能有模有样地生成多张合情合理的肺部疾病图片：
但这只是Parti小试牛刀的能力，据谷歌介绍，它是目前最先进的“文本转图像”AI。
例如，跟它说句：“把悉尼歌剧院和巴黎铁塔做个结合”，输出结果是这样的：
（不知道的还真以为是画报呢）
而且在算法路数上，还不同于谷歌自家的Imagen，Parti可以说是把“AI作画”卷出了新高度。
就连谷歌AI负责人Jeff Dean也连发数条推文，玩得不亦乐乎：
可扩展到200亿参数：更逼真，更“聪明”
事实上，Parti的能力还不止于此。
得益于模型可扩展到200亿参数，一方面，它生成的图像更加细节逼真。
不管是短短几个字，还是五十多个个单词的小段落，都能清晰展现出来。
比如，The back of a violin，小提琴的背面。
亦或是照着梵高《星空》来描述的夜晚画面。ps，这段有67个单词。
结果Parti也不在话下，一揽子把各种风格的图全给你画出来了~
这也正是Parti的第二大能力，不光细节到位，风格也能做到多变。
还有像“浣熊穿正装，头戴礼帽，拄着拐杖，拿着个垃圾袋”这种奇特的描述，它也能在整出花活的同时还不落细节。
风格上，则有梵高风、埃及法老风、像素风、中国传统绘画风、抽象主义风……
甚至有时候它还会讲双关笑话。
（Toad’ay，癞蛤蟆）
具体在测试结果上，MS-COCO、Localized Narrative（LN，4倍长的描述）上FID分数，Parti都取得了最先进的结果。
尤其在MS-COCO零样本的FID得分仅为7.23，微调FID得分为3.22，超过了此前的Imagen和DALL-E 2。
所有组件都是Transformer
时隔一个月，谷歌再把AI作画卷出新高度，结果作者却说：秘诀很简单。
Parti主要是将文本生成图像视作序列到序列之间建模。这有点类似于机器翻译，将文本标记作为编码器的输入，目标输出从文本变成了图像。
从结构上看，它的所有组件只有三部分：编码器、解码器以及图像标记器，且都是基于标准Transformer。
首先，使用基于Transformer的图像标记器ViT-VQGAN，将图像编码为离散的标记序列。
然后再通过Transformer的编码-解码结构，将参数扩展到200亿。
以往关于文本生成图像的研究，除了最早出现的GAN，大体可以分成两种思路。
一种是基于自回归模型，首先文本特征映射到图像特征，再使用类似于Transformer的序列架构，来学习语言输入和图像输出之间的关系。
这种方法的一个关键组成部分就是图像标记器，将每个图像转换为一个离散单元的序列。比如DALL-E和CogView，就采用了这一思路。
另一种则是这段时间以来进展频频的路线——基于扩散的文本到图像模型，比如DALL-E 2和Imagen。
他们摒弃了图像标记器，而是采用扩散模型来直接生成图像。可以看到的是，这些模型产生的图像质量更高，在MS-COCO零样本FID得分更好。
而Parti模型的成功，则证明了自回归模型可以用来改善文本生成图像的效果。
与此同时，Parti还引入并发布了新的基准测试——PartiPrompts，用于衡量模型在12个类别和11个挑战方面的能力。
但Parti还是有一定的局限性，研究人员也展示了一些bug：
比如，对否定的描述就没招了~
一个没有香蕉的盘子，旁边一个没有橙汁儿的玻璃杯。
还会犯一些常识性错误，例如不合理地缩放。比如这张图，机器人竟然比赛车高出好几倍。
一个穿着赛车服和黑色遮阳板的闪亮机器人自豪地站在一辆F1赛车前。太阳落在城市景观上。漫画书插图。
谷歌“自己卷自己”
在这项研究来自Google Research，团队中的华人居多。
研究核心工作人员包括Yuanzhong Xu、Thang Luong等，目前均就职于谷歌从事AI相关研究工作。
（Thang Luong在谷歌学术上的引用量高达20000+）
△左：Yuanzhong Xu；右：Thang Luong
不过有意思的是，同为“说句话让AI作画”，同为出自谷歌之手的Imagen，它跟Parti还真有点千丝万缕的关系。
在Parti的GitHub的项目文档中就有提到：
感谢Imagen团队，他们在发布Imagen之前与我们分享了其最近完整的结果。
他们在CF-guidance方面的重要发现，对最终的Parti模型特别有帮助。
而且Imagen的作者之一Burcu Karagol Ayan，也参与到了Parti的项目中。
（有种谷歌“自己卷自己”那味了）
不仅如此，就连“隔壁”DALL-E 2的作者Aditya Ramesh，也给Parti在MS-COCO评价方面做了讨论工作。
以及DALL-Eval的作者们，也在Parti数据方面的工作提供了帮助。
One More Thing
有一说一，就“文本生成图像”这事，可不只是研究人员们的宠儿。
网友们在“玩”它这条路上，也是乐此不疲（脑洞不要太大好吧）。
前一阵子让Imagen画一幅宋朝“虎戴VR”，直接演变成AI作画大战。
△图：Imagen作画
DALL·E、MidJourney等“闻讯赶来”参与其中。
△ DALL·E作画
甚至还有把Wordle和 DALL-E 2搞到一起的：
……
不过回归到这次的Parti，好玩归好玩，但还是有网友提出了“直击灵魂”的问题：
啥时候商业化？要是自己“关门玩”就没意思了。
Parti论文地址：
https://parti.research.google/
GitHub项目地址：
https://github.com/google-research/parti
参考链接：
[1]https://twitter.com/lmthang/status/1539664610596225024[2]https://gizmodo.com/new-browser-game-combines-dall-e-mini-and-wordle-1849105289[3]https://imagen.research.google/
理解GitHub Copilot CLI v1.0.111的高级请求百分比、用户提示活动图与实际路由模型窗口，区分显示口径和任务状态。
按维护分支、利用权限与节点类型对应四项修复，区分正式补丁、Beta和临时缓解的适用边界。
Wallet连接用于消费与预算回答，Memory Summary用于查看和调整记忆；二者数据对象与地区范围不同，Wallet连接仅提供只读账户权限。
按正式、预发布和1.x维护渠道对应补丁，再结合Redis、Agent端点和Pinecone索引判断适用范围。
Codex CLI 0.169.0提供有明确说明的终端工作区能力；0.171.0-alpha.2为预发布，当前没有功能清单，选用时应分开评估。
WorkBuddy 用得高效的关键在四层：选对默认/计划/仅问答三种工作模式并用模板组织需求；把素材目录设为工作空间、拖拽上传、在同一任务里继续追问；用技能、专家、连接器复用能力，周期工作交给定时任务；用 ⌘K 全局搜索、任务切换快捷键和批量管理减少翻找。本文按 13 步演示每个提效入口，附模型选择对照表与高效使用速查表。
llama.cpp b12345的预发布构建为Hexagon HTP后端增加Q5_0和Q5_1支持。选择模型时需要核对完整量化名称及实际运行后端，不能只看到“Q5”就视为同一种格式。
llama.cpp b12344的预发布构建调整了MCP工具调用的取消行为：客户端断连或调用超时时，服务器会向MCP服务发送带请求ID的取消通知。使用服务端工具的Web界面也属于这项变更范围。
OpenAI已将Sites发布异常标为已恢复。此前发布失败的用户，可以重新检查个人站点的发布结果；官方服务恢复与某个站点已经发布成功，需要分别确认。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
