[ICPC 2021 Yokohama R] Cancer DNA
2026/1/5 19:41:43
生成式模型Nano Banana Pro在低层视觉任务中的表现，如去雾、超分等，传统上依赖PSNR/SSIM等像素级指标。研究发现，Nano Banana Pro在视觉效果上更佳，但传统指标表现欠佳，因生成式模型更追求语义合理而非像素对齐。报告还提出改进方向和新评测范式的思考，强调生成式模型虽有潜力，但与专用模型仍有差距。**
过去几年，文本生成图像（T2I）与多模态生成式模型的能力突飞猛进，已经能稳定地产生高质量、具备细节与语义一致性的图像内容。
报告关注的核心矛盾在于：这些「擅长生成」的模型，是否也能在传统低层视觉任务中充当通用求解器（generalist）？
低层视觉（low-level vision）通常强调对图像退化的「精确逆过程」：例如去雾、超分、去噪、去雨、去模糊、去反射、去光晕等。
这类任务的经典评价方式往往依赖 PSNR/SSIM 等参考指标，强调像素级一致性。但生成式模型天生带有「补全/重建」的倾向：它们可能会依据先验去「合理地编造」高频细节，从人眼观感看更清晰、更「像真的」，却在像素对齐意义上偏离GT。
华中科技大学的研究人员最近发布了一篇报告，把这种冲突概括为「人类感知偏好 vs. 传统指标导向」的张力。
项目主页：https://lowlevelbanana.github.io
论文链接：https://arxiv.org/abs/2512.15110
开源仓库：https://huggingface.co/datasets/jlongzuo/LowLevelEval
报告中提出一个非常直接的问题：Nano Banana Pro能否成为低层视觉全能选手？
报告采用了一个刻意「极简」的使用范式：不训练、不微调，只用「输入图 + 简单文本 prompt」直接让Nano Banana Pro输出结果，对其进行zero-shot基准评测。
零样本+文本提示
14个低层任务的系统基准
研究人员把评测扩展到14个低层视觉任务、40个数据集，覆盖三大类能力：图像恢复（restoration）、图像增强（enhancement）、图像融合（fusion）。
任务清单包括：Dehazing、Super-Resolution、Deraining、Deshadowing、Motion Deblur、Defocus Deblur、Denoising、Reflection Removal、Flare Removal、Low-Light Enhancement、Underwater Enhancement、HDR Imaging、Multi-focus Fusion、Infrared-Visible Fusion；
图中用颜色区分了restoration / enhancement / fusion三类任务。
保守估测性能
报告特别强调：当前结论是对模型能力的保守估计，即研究人员没有做精细 prompt tuning，也没有用多轮推理去「挑选最好看的输出」，而是用固定、简单的提示词来模拟一种更接近「普通用户上手」的用法。
闭源模型的评测约束
在一些任务章节里，研究人员也说明了评测工程细节：由于模型以API方式调用且闭源，无法做任务定制训练；并且生成输出分辨率可能固定在约1024尺度，因此需要将输出resize回与GT一致的分辨率再计算指标，以保证定量比较尽量公平。
视觉「更好看」
但指标「更差」
报告最重要的结论可以概括为一句话：
Nano Banana Pro在主观视觉质量上往往更讨好，但在PSNR/SSIM等传统参考指标上整体落后于专用模型。
研究人员将其归因于生成式模型的内在属性：生成式模型更倾向于追求「语义可信/感知合理」，而非严格的像素级对齐；同时模型输出带有随机性（stochasticity），使得稳定性与可复现性也成为部署障碍。
****系统性现象：感知质量与指标不一致
以Flare Removal为例，研究人员观察到一种非常典型的现象：有些样本视觉上已经「挺干净、挺舒服」，但因为亮度/颜色等与GT存在偏差，量化分数依然不高，这反映了像素级指标对生成式增强的惩罚机制。
同时，研究人员也指出生成模型存在「高上限、低下限」的特征：在合适输入上，它可能在细节恢复上超过 SOTA，但这种优势会被扩散/生成模型的随机性与语义漂移所抵消，出现明显方差与语义幻觉，prompt 工程也只能部分缓解，难以保证工业级确定性。
稳健但不极致：生成式模型有时会选择更保守的输出
在低光增强（Low-Light Enhancement）的分析中，研究人员给出另一个视角：
Nano Banana Pro可能不太会引入显著的光晕、结构破坏、严重色偏等「灾难性伪影」，这使得它在某些实际应用中具备吸引力；
但它也会出现亮度控制不一致、对prompt敏感、以及与benchmark的GT定义不完全匹配等问题，因此整体仍难以与专用方法竞争。
更进一步，报告还给出可能的改进方向：更具体的prompt设计、few-shot示例对齐、轻量适配/微调、以及把统一多模态模型与任务模块结合的混合范式。
报告贡献与意义：它不只是在「打分」，而是在推动重新定义评测与目标
这份报告的价值不止在于给Nano Banana Pro下结论，更在于它把一个长期存在但常被忽略的问题摆到台面上：
- 当生成式模型进入低层视觉后，「像素一致性」是否仍是唯一目标？
- 传统指标是否在系统性地误导我们对生成式恢复/增强的判断？
- 是否需要能同时刻画「感知质量 + 结构/语义稳定性 + 像素保真」的新评测范式？
报告明确指出：Nano Banana Pro作为零样本低层视觉求解器，已经是一个很强的 baseline，并展示出跨任务的「泛化潜力」；但要达到专用模型那种高保真、可控、稳定的水准仍有明显鸿沟。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。