训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

2026-08-26

文章插图

作者 | 维克多
自从今年1月份OpenAI祭出120亿参数魔法模型DALL·E，众多科研工作者开始对其进行多方位的剖析，希望也能做出给定“自然语言文字描述直接生成对应图片”的程序或软件。
120亿参数.........这意味着只有“顶级玩家”才能入局。如果缩小模型参数，程序还能跑出高质量的结果么？
今日，谷歌和Hugging Face的研究员们开放了一款DALL·E mini的小程序。顾名思义，作为DALL·E的复刻版，模型规模比原版小了27倍，且只在单个TPU v3-8上训练了3天。
mini版的DALL·E创造思路非常简单：在官方开源代码以及预训练模型的基础上，简化体系结构和减少模型内存需求。
效果如何？作者在博客中说：

“在硬件资源受限的情况下，虽然质量比较低，但结果仍然是令人印象深刻的。”

AI科技评论将其与正版DALL·E进行了对比，结果如下：

文本提示：穿着芭蕾舞短裙的萝卜宝宝在遛狗。

AI生成的图像：

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范

文本提示：写着“OpenAI”字样的店面。

AI生成的图像：

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范

文本提示：鳄梨形状的扶手椅。

AI生成的图像：

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范

通过以上对比，mini版的DALL·E只在“鳄梨形状的扶手椅”交出了令人满意的答卷，在“遛狗”和“店面”测试中，前者生成的是抽象派画面，后者只生成了店面......果然，魔法还是念完完整咒语，才能发挥最完美的效果。

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

目前，已经开放demo，在线可玩。

https://huggingface.co/spaces/flax-community/dalle-mini

考虑到较小规模的模型架构，以及只训练了三天，因此，其模型结构和训练方法对我们也有借鉴意义。

1

模型架构

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

图注：模型训练流程

1.图像通过VQGAN编码器进行编码，该编码器将图像转换为一系列tokens。

2.文字描述通过BART编码器进行编码。其中，BART解码器是一个自回归模型，其目标是预测下一个tokens。

3.损失函数来自VQGAN中真实图像编码和预测值之间的softmax cross entropy。

训练|迷你版DALL-E：模型缩小27倍，训练成本仅200美元，在线可玩！

文章插图

图注：模型推理流程

在推理时候，只有标题（captions）可用，图像生成过程如下：

1.标题通过BART 编码器编码

2.token 通过通过BART解码器传送

上一篇：官方|BVLGARI宝格丽与京东奢品达成官方合作

下一篇：图赏|正版高达 ikbc Z200Pro红渣古机械键盘图赏