当AI绘画工具频繁将"穿红裙的女孩"画成"戴其他颜色帽子的男孩"，当"没有辣椒的川菜"始终飘着红油，创作者们不得不接受这样的现实：即便最先进的扩散模型，也可能在人类指令理解上频频"出现偏差"。9月17日，腾讯混元团队正式开源PromptEnhancer框架，通过"思维链提示重写"这一创新思路，在不改动任何预训练模型权重的前提下，使文本-图像对齐精度实现突破性提升。尤其在处理"猫比狗小三分之一且在左侧"这类复杂空间关系，或"用枫叶拼成的蝴蝶"等抽象组合场景时，准确率提升幅度高达17%。
项目地址: https://ai.gitcode.com/tencent_hunyuan/HunyuanImage-2.1 与此同时，为推动提示优化技术的标准化研究，腾讯混元同步发布了包含6000条精细标注数据的人类偏好基准测试集。该数据集聚焦AI绘画的三大核心痛点场景，不仅为PromptEnhancer的训练提供了关键支撑，更为整个行业建立了衡量"人类意图理解度"的新标尺。
从"猜指令"到"懂意图"：T2I模型的三大认知盲区
近年来，随着HunyuanDiT、Flux等模型的迭代，AI绘画在视觉真实度与风格多样性上已臻成熟，但在"指令理解"这一核心环节仍存在系统性缺陷。腾讯混元团队通过大规模用户调研与模型测试，总结出当前T2I模型普遍面临的三大挑战：
属性绑定错位成为最频发的问题。当用户输入"戴蓝色围巾的黑猫坐在棕色沙发上"，模型往往出现"猫是蓝色的"或"沙发围围巾"的荒诞结果。这种将颜色、材质等属性错误匹配到对象的现象，本质是模型对"主谓宾"语法结构的理解失效。更复杂的多对象场景中，如"穿条纹衬衫的医生和戴圆点领带的律师握手"，属性混淆的概率呈指数级增长。
否定指令失效则暴露了模型的逻辑推理短板。在对"没有柠檬片的柠檬水"、"不戴眼镜的程序员"等指令的测试中，目标元素（柠檬片、眼镜）的出现概率仍高达63%。这源于现有模型缺乏对"不存在"概念的认知能力，只能通过关键词匹配进行正向生成，无法处理"应该避免什么"的逆向思维。
复杂关系失控最具挑战性。当指令包含"位置关系"（鸟在塔顶正上方）、"数量约束"（五片花瓣的蓝色玫瑰）、"抽象组合"（用书本堆叠成的城堡）等要素时，模型的生成质量急剧下降。尤其在处理"如果大象长着翅膀就会飞过城市"这类反事实场景时，现有模型几乎完全丧失创作逻辑。
这些问题的根源，在于用户简洁指令与模型所需的"结构化描述"之间存在巨大语义鸿沟。传统解决方案要么依赖模型微调导致通用性缺失，要么采用CLIP分数等单一指标难以定位具体错误。这种现状使得专业创作者不得不通过数百字的冗长提示词进行"咒语式创作"，将AI绘画变成一场依赖运气的"开盲盒"游戏。
PromptEnhancer双引擎架构：让AI学会"像设计师一样思考"
PromptEnhancer的革命性突破，在于构建了一套与底层生成模型完全解耦的优化系统。该框架包含"CoT-based重写器"与"AlignEvaluator奖励模型"两大核心模块，通过"理解-评价-优化"的闭环机制，实现对人类意图的精准捕捉。
如上图所示，框架左侧展示了PromptEnhancer的技术架构，包含SFT监督训练阶段与GRPO强化学习阶段，右侧则呈现了不同风格的优化效果对比。这一架构设计既保证了对复杂指令的解析能力，又通过可视化案例直观呈现了技术落地价值，为开发者提供了清晰的应用路径。
CoT重写器：将简单指令转化为创作蓝图
不同于传统提示优化工具的"关键词堆砌"策略，PromptEnhancer的重写器引入了认知科学中的"思维链（Chain-of-Thought）"机制。这一设计模拟人类设计师的创作思考过程，将原始指令系统拆解为三个逻辑步骤：首先识别核心主体（对象、动作、场景），接着分析潜在歧义点（如"汤姆"是猫还是人），最后补充专业细节（材质、光影、构图）。
在处理"可爱的汤姆穿宇航服在太空漂浮，油画风格"这一指令时，重写器首先通过知识库确认"汤姆"为《猫和老鼠》IP角色，排除人名歧义；随后判断"可爱"需要通过圆睁的眼睛、微笑的嘴角等视觉特征实现；最终生成包含"米白色多层宇航服"、"头盔黄色高光反射"、"厚涂技法太空背景"等专业描述的精细化提示。这种结构化解析使原本20字的简单指令，转化为包含对象属性、空间关系、艺术风格等要素的150字创作蓝图。
为训练这种高级解析能力，团队构建了包含48.5万组数据的监督学习样本库。通过Gemini-2.5-Pro等大模型生成"原始指令-思维链过程-优化提示"的三元组数据，使重写器逐步掌握从"用户语言"到"模型语言"的翻译逻辑。在初始化训练阶段，重写器已能处理85%的日常创作场景，为后续强化学习奠定基础。
AlignEvaluator：24维度的"创作评分卡"
如果说重写器解决了"如何生成更好提示"的问题，AlignEvaluator则建立了"什么是好提示"的评价标准。传统奖励模型如CLIP只能给出整体相似度分数，而腾讯混元团队构建的这套评价体系，将人类意图细分为6大类别24个关键维度，实现对生成效果的"CT扫描式"精准诊断。
在语言理解维度，系统重点评估否定指令执行度（如"无辣椒"是否实现）、代词指代清晰度（"它戴着帽子"中的"它"是否明确）等指标；视觉属性维度则包含物体数量准确性（3只羊是否精确）、材质表现真实度（丝绸vs羊毛的区分）、表情传达准确度（悲伤vs忧郁的细微差异）；复杂关系维度最为全面，涵盖包含关系（杯子里的咖啡）、相似关系（月亮像香蕉）、时空关系（20世纪50年代的上海街道）等8个子项。
这种多维度评分机制带来了质变的优化方向。当生成"牛肉面没画葱"时，系统会在"否定指令"维度给出高分，同时可能在"食材合理性"维度扣分；而"猫的颜色错误"则精准定位到"属性绑定"维度的缺陷。每个维度0-10分的量化评分，为后续强化学习提供了明确的优化梯度。
两阶段进化：从"会写"到"写得精准"
PromptEnhancer通过创新的两阶段训练流程，使重写器实现从"生成合理提示"到"生成有效提示"的能力跃升。在SFT监督训练阶段，模型已掌握结构化描述能力，能生成符合语法逻辑、要素完整的精细化提示；而GRPO强化学习阶段则通过与生成模型的闭环交互，持续优化提示的"模型友好度"。
具体训练过程中，系统会从重写器生成的8个候选提示中，随机选择3个输入冻结的HunyuanImage 2.1模型。AlignEvaluator对生成图像的24个维度进行评分后，通过GRPO算法更新重写器参数——那些在关键维度得分更高的提示，其生成策略会得到强化。这种"生成-评估-反馈"的循环每轮处理1000组样本，经过30轮迭代后，重写器在复杂场景的优化效果提升42%，形成稳定的创作能力。
跨模型验证：从Hunyuan到Flux的全面提升
在HunyuanImage 2.1模型上的标准化测试中，PromptEnhancer展现出显著的性能增益。整体文本-图像对齐准确率提升5.1%，24个评价维度中有20个实现正增长。尤其在三大传统难点场景取得突破性进展："相似关系理解"维度（如"云朵像棉花糖"）准确率提升17.3%，"反事实推理"维度（如"企鹅在沙漠滑雪"）提升17.2%，"数量约束"维度（如"七颗星星"）提升15.0%。
更具说服力的是跨模型兼容性测试。在Flux dev、Qwen-Img等主流模型上，PromptEnhancer同样实现平均8.3%的对齐精度提升，证明其"即插即用"的技术优势。以Qwen-Img处理"没有糖霜的草莓蛋糕"指令为例，原始生成图像中糖霜出现概率71%，优化后降至9%，同时蛋糕的油画质感、木质桌面纹理等细节表现显著增强。
在低多边形风格测试中，面对"三只戴不同领结的兔子按大小从左至右排列"的复杂指令，Flux dev原始生成存在"大小顺序错误"和"领结颜色混淆"问题。经过PromptEnhancer优化后，不仅准确实现"左大右小"的排列要求，红、蓝、黄三色领结的属性绑定准确率达100%，低多边形的几何特征也更加规范。这种跨架构的稳定性表现，验证了PromptEnhancer作为通用优化模块的技术价值。
6000条指令构建的"意图理解基准"
伴随框架开源的人类偏好基准测试集，代表着腾讯混元对AI绘画研究生态的另一重贡献。该数据集通过6000条精心设计的指令样本，构建了衡量模型意图理解能力的"标准考场"。不同于现有数据集侧重视觉效果，这套体系更关注"人类指令→模型理解→图像生成"的完整链路质量。
数据集构建聚焦三类高价值场景：在日常创作延伸场景中，指令包含"穿条纹围裙的厨师在大理石台面上切红苹果，chiaroscuro明暗对比风格"等要素，测试模型对专业艺术术语的理解能力；抽象关系挑战场景则设计"用云朵形状组成的鲸鱼在紫色天空游动，像素艺术风格"等指令，评估对非常规组合的想象力；反事实推理场景通过"如果猫长着大象的耳朵，它会如何趴在樱花树上，浮世绘风格"等假设性指令，探索模型的逻辑推演边界。
每条指令均配备AlignEvaluator所需的24维度标注，形成"指令-维度-评分"的完整评估链条。数据统计显示，指令长度主要分布在80-120字符区间，峰值约100字符，这种分布既覆盖日常创作的典型场景，又能有效测试模型对多元素关系的处理能力。120字符以上的"长尾指令"占比达23%，专门用于挑战模型的极限理解能力。
维度共现分析则揭示了创作需求的内在规律。热力图显示，"风格属性"与"实体交互"维度共现频率高达676次，反映创作者对"动态场景+特定风格"的强需求；"表情属性"与"角色动作"的332次共现，则验证了"情感化角色塑造"是人物创作的核心诉求。这些发现为模型优化提供了明确方向，使技术迭代更贴合真实创作需求。
从工具到生态：AI绘画的可控创作新纪元
PromptEnhancer的开源发布，不仅带来技术层面的突破，更重塑了AI绘画的产业应用逻辑。这种"模型无关"的优化框架，使企业无需重构现有技术栈，即可通过API集成快速提升产品体验。对于内容创作平台，可将其部署为"提示助手"功能，自动优化用户输入；设计行业则能将其嵌入工作流，使"草图→提示→图像"的创作链路更加顺畅；教育领域可开发基于思维链的提示教学工具，帮助创作者系统掌握AI绘画的"语言逻辑"。
在技术演进层面，该框架开创了"意图理解"的新研究范式。通过将人类创作意图解构为可计算、可优化的24维度指标，为AI绘画建立了从"感性创作"到"理性设计"的桥梁。未来随着多模态输入（文本+草图+参考图）的融合，PromptEnhancer有望发展为更智能的"创作意图翻译官"，实现从"描述需求"到"实现创意"的端到端自动化。
腾讯混元团队表示，PromptEnhancer的开源只是起点。团队计划持续扩充基准测试集规模，增加多语言支持与跨文化场景；同时探索与3D建模、视频生成等领域的技术融合，推动"文本-图像-三维动态"的全链路意图对齐。随着技术的成熟，AI绘画有望真正告别"猜指令"的初级阶段，进入"所想即所见"的可控创作新纪元。
目前，PromptEnhancer框架代码、预训练模型及基准测试集已通过Gitcode平台开放下载。开发者可访问https://gitcode.com/tencent_hunyuan/HunyuanImage-2.1获取完整资源，共同探索AI理解人类创造力的无限可能。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
