这套"用CLIP潜空间、分层做文本条件图像生成"的思路，现在回头看是影响了后面一大批模型的底层做法。我给学生讲AI生图原理的时候经常会拆到这一层：文字先被编码成一个语义向量，模型再一层层把这个向量还原成图像，等于是先想清楚"要画什么意思"，再去落笔画细节。
这跟我们教画画的顺序其实有点像，先立意再铺大形最后抠细节。理解了这个分层的逻辑，学生再去用各种生图工具就不会只当黑箱，遇到出图跑偏也更能猜到是哪一层没对上。
原理这东西不用钻得太深，但知道个大概框架，用起工具来心里有底。
拿它跟画画顺序类比，学生应该好懂多了
先立意再铺形，这个比喻收藏了
1 个赞
把工具当黑箱确实容易用废
老师讲得清楚 
这篇算是后面一堆模型的地基了
顶