你是否遇到过AI生成的图片与文字描述不符，或者画面奇怪不符合审美的情况？一项名为CHATS的新技术试图解决这个问题，它通过巧妙结合人类偏好学习和动态调整策略，让生成的图片既精准又美观。
当前，扩散模型（Diffusion Models）已成为文字生成图片的主流技术。这类模型通过逐步将随机噪声转化为结构化的图像，能够根据文字描述创造出丰富的视觉内容。然而，在实际应用中仍存在两个关键难题：一是生成的图片可能无法准确反映文字描述（如要求“戴眼镜的猫”却生成无眼镜的猫），二是画面质量或风格可能不符合人类审美标准。
以往提升生成质量主要依赖两种独立策略：一是“人类偏好对齐”（Human Preference Alignment），即通过标注数据教会AI区分“好图片”和“差图片”；二是“无分类器引导”（Classifier-Free Guidance），一种在生成过程中动态调整参数的技术。但单独使用这两种方法时，效果往往不尽如人意——要么对齐效率低，需要大量标注数据，要么生成结果缺乏稳定性。
CHATS的核心突破在于首次将人类偏好对齐与生成过程的动态调整（Test-Time Sampling）协同工作。具体来说，它做了两件事：
双分布建模：分别建立“偏好分布”（人类喜欢的图片特征）和“非偏好分布”（需避免的特征），通过对比学习强化模型对优质画面的理解。
代理提示采样：在生成阶段，利用一种基于代理提示的策略，动态融合两种分布中的有效信息。例如，当输入“梦幻风格的森林”时，系统会同时参考“哪些元素符合梦幻感”和“哪些元素可能破坏氛围”，从而优化输出。
与传统方法需要海量标注数据不同，CHATS展现出惊人的数据效率。实验表明，仅需少量高质量的训练样本（如精心筛选的图片排名对），模型就能快速掌握人类审美偏好。这得益于其对数据特征的精准解耦——就像厨师通过少量典型菜谱就能总结出口感规律，而非盲目尝试所有组合。
在标准测试中，CHATS生成的图片在文字对齐度、视觉质量和审美一致性上均超过传统方法。例如，面对“未来感城市夜景”这样的描述，它能避免常见的光污染过度或结构混乱问题，呈现出细节丰富且协调的画面。这种技术不仅适用于普通用户创作，对专业领域的图像编辑、广告设计等场景也有实用价值。
CHATS的成功揭示了AI生成内容的一个关键方向：单一优化策略的“各自为战”存在天花板，而协同多阶段技术（如训练时的偏好学习+生成时的动态调整）可能释放更大潜力。类似摄影中同时调整镜头参数和后期处理，综合策略往往比单独优化某一环节更有效。