تا حالا فکر کردید چطور مدلهای تولید تصویر مثل DiT میتونند با یک متن ساده، تصاویر فوقالعادهای بسازند؟ یک پژوهش جدید نشون داده که برخلاف تصور، همه بخشهای این مدل در فرآیند تولید نقش یکسانی ندارند!
محققان متوجه شدند که تعداد بسیار کمی از «کانالهای عصبی» در این مدلها وجود دارند که به اونها «فعالسازیهای انبوه» (Massive Activations) میگن. این کانالهای خاص، در واقع مغز متفکر مدل هستند:
✅ حیاتی بودن: اگه این کانالها رو غیرفعال کنیم، کیفیت خروجی به شدت افت میکنه.
✅ سازمانیافته بودن: این کانالها تصویر رو بر اساس سوژههای اصلی دستهبندی میکنند.
✅ قابلیت انتقال: میتونید این ویژگیها رو بین پرامپتهای مختلف جابجا کنید تا خروجیهای خلاقانهتری بگیرید.
این کشف یعنی ما داریم به درک بهتری از «درون» مدلهای تولیدکننده تصویر میرسیم که میتونه در آینده کنترل ما روی هوش مصنوعی رو خیلی دقیقتر کنه. 🚀
منبع: arXiv AI