加州大学伯克利分校的一项最新研究揭示了大型语言模型（LLM）自动提示修改对图像生成工具DALL-E3的影响。研究团队通过一项涉及1891名参与者的在线实验，比较了DALL-E2、DALL-E3以及使用自动提示修改的DALL-E3在图像生成方面的表现，并深入分析了自动提示修改对图像质量和用户体验的影响。实验结果令人意外，为AI工具的应用提供了新的视角。
最近，加州大学伯克利分校的一项研究显示，由大型语言模型（LLM）进行的自动提示修改，会显着降低DALL-E3生成图像的质量。该研究对1，891名参与者进行了一项在线实验，目的是探讨这种自动重写对图像质量的影响。
实验中，参与者被随机分配到三个组别:DALL-E2、DALL-E3和带有自动提示修订的DALL-E3。参与者需要写十个连续的提示，尽可能准确地再现一个目标图像。结果显示，DALL-E3在图像生成上确实优于DALL-E2，生成的图像与目标的匹配度明显提高。然而，当使用自动修改的提示时，DALL-E3的表现却下降了近58%。虽然使用提示重写的DALL-E3用户仍然优于使用DALL-E2的用户，但这种优势明显减小。
研究者发现，DALL-E3与DALL-E2之间的表现差距主要源于两个因素:一是DALL-E3技术能力的提升，二是用户在提示策略上的适应性。尤其是DALL-E3用户使用的提示更长、更具语义相似性，并且用词更加描述性。参与者并不知道自己在使用哪个模型，但他们的表现已经证明了这种适应性。
研究人员认为，随着模型的不断进步，用户也会不断调整他们的提示，以便更好地利用最新模型的能力。这表明，虽然新模型的出现不会使提示变得过时，但提示仍然是用户挖掘新模型潜力的重要手段。
这项研究提醒我们，自动化工具并非总是能够帮助用户提升表现，反而可能限制他们发挥模型的最大潜力。因此，在使用AI 工具时，用户应该考虑如何最有效地调整自己的提示，以获得更理想的图像生成效果。
划重点:
自动提示修订导致DALL-E3图像质量下降近58%，限制用户表现。
实验发现，尽管DALL-E3优于DALL-E2，但自动修改提示后，效果减弱。
用户需根据模型的进步，调整提示策略，以充分发挥新模型的潜力。
总而言之，该研究强调了用户在AI工具使用中的主动性和适应性，提醒我们不能盲目依赖自动化工具，而应积极探索最佳的交互方式，才能充分发挥AI模型的潜力，获得最佳的图像生成效果。 这对于未来AI工具的研发和应用具有重要的指导意义。