使用

这两天有机会体验了下 Devin，感受到一些小小的震撼。

虽然之前已经用过 cursor 和 windsurf，它们用的模型都一样，理论上能完成的任务和智力是差不多的，但用 Devin 感受还是不太一样，有种 AGI 已经实现了的感觉。

Cursor 和 Devin 核心区别是交互范式，Cursor 是 Copilot，在你工作写代码过程中，实时辅助完成编程任务，而 Devin 是一个员工，交给他复杂任务后不用管它，它主动帮你搞定。可能现在这两者完成的很多任务是一致的，但体验有差异。

我试用的其中一个任务，是扔给它开源项目 JSPatch 的 github 地址，告诉它找个 issue 修一下。它会分解任务逐步执行，包括：

1. 访问 github 网站，浏览issue列表，随机看几个 issue 详情
2. 挑了个 block 相关 issue，浏览项目相关文件，寻找与 issue 相关联的代码文件，制定修复计划
3. 写测试用例 → 修改项目代码尝试修复 issue → 跑用例验证(没 iOS 环境没跑起来) → commit 和提交 PR

这个过程是自动和异步的，它跑在虚拟机里，不需要你提供环境，不需要盯着它，它会自己去调研怎么完成这个任务，做完了会来告诉你（如果用 slack，这个体验过程更顺畅，@它下达任务，任务完成slack回复），这跟给一个员工布置任务，等他做完验收结果的体验很一致。

畅想

现在 Devin 解决问题的能力肯定还有限，真正用下来磕磕碰碰很多任务还是完成不好，现在的模型能力下 Cursor 这种 Copilot 的形态是更实用的，但未来理想的形态肯定是 Devin 这种“员工”形态，因为可以解放注意力，无限扩展同一时间能做的事。

可以想象，这种形态未来的优化速度会很乐观：

1. 基础模型的思维规划能力还没收敛，从sonet o1 到 o3 可以看到还在快速提升
2. 即使基础模型能力放缓了，模型在领域上的调优还有很大空间。
3. 更多工具的接入，也能带来更强大的能力和体验。

以及，模型成本必然比摩尔定律更快速的下降，Devin 会持续用最好的模型最贵的方案，但今天 500美金的效果，一年后成本可能只要5美金就能做到。

Devin 所实现的概念早在 23年初 AutoGPT 就提出，只是当时模型能力还不具备，Claude Sonnet / GPT 4o / GPT o1 这种级别推理能力的模型出现后，才具备可用性，Devin 是实现了这个概念下初步可用的雏形，让人看到这个方向已经初步 ready，剩下的就是持续往这个方向优化和扩展了，Devin 确实称得上是数字员工的开端，设计师agent，交易员agent，数据分析师agent，电商agent，预计会陆续出现。

原理

Devin 是怎么实现的？

有个开源项目 OpenHands（前身 OpenDevin），尝试用开源社区的方式去构建类似 Devin 做的事，虽然能力和效果上不能完全对标 Devin，但可以看个基本雏形。相关论文：https://arxiv.org/abs/2407.16741

文中的这张架构图，可以比较好描述 OpenHands 是怎么做：

三个主要部分：

1. Event Stream：记录每一步指令和执行结果，Action 是指令，Observation 是指令对应的工具执行的结果，Action 和 Observation 最终都是以纯文本记录结果。
2. Runtime：程序运行在独立的 docker 容器里，提供一些工具给 Agent 调用执行，当前包括 Python 运行、终端命令行、浏览器
3. Agent：把 Event Stream 里的所有内容作为上下文，输入到 LLM 推理下一步Action。

还有个关键点没有在图上画出来，为什么把 Event Stream 的所有内容输入到 LLM，LLM 就会按照要求推理出下一步 Action？因为输入到 LLM 的除了 Event Stream 的上下文，还有 Agent 本身的 Prompt，这个 Prompt 描述一些处理原则、当前环境、可用的工具、每个工具的参数、预期输出的格式等，以及还配套了一个示例，指引模型按要求输出。这个 Prompt 本身贴在了文末。

我们跟着图上 Event Stream 的示例，跑一下这个流程：

1. 用户输入一个任务命令：“Can you create a list of numbers from 1 to 10, and create a web page to display them at port 5000?” 到 Event Stream
2. 当前 Event Stream 只有这一条命令内容，输入到 Agent，Agent 会拿它跟上述预置 prompt 一起输入给 LLM，LLM 会推理出下一步是调用 Python 去创建 app.py 文件，输出 Action 指令到 Event Stream。
3. 工具 IPython 对应的 Observation 监听到这个指令，在 Runtime 环境执行了这个命令，输出执行结果“app.py created” 记录在 Event Stream 上
4. Event Stream 接收到 Observation 新的执行结果后，Agent 程序会自动继续把整个 Event Stream 记录连同预置 Prompt 输入给 LLM，推测下一步 Action。推测出来的下一步 Action 是把一大段代码用调用 python 命令的方式写入刚才创建的文件
5. IPython Observation 接收到这个 Action，在 Runtime 环境执行命令，输出执行结果到 Event Stream。

接下来就是不断的循环：Action 驱动 Observation 用工具做处理 → 处理结果输出到 Event Stream → Event Stream 拿所有前文内容到 LLM 输出下一步 Action → 驱动Observation 用工具做处理…

后面的6-9步用了命令行工具和浏览器工具，流程是一样的。这个循环流程什么时候结束？有一个特殊的 Action 叫 finish，如果一个任务 LLM 认为完成了，就会输出调用 finish Action，程序接收到就退出循环，等用户下一步输入。

整体就是自动循环让 LLM 预测下一步动作 → Agent 程序调用工具执行动作 的过程。补充一些点：

1. 整个项目不涉及模型训练，纯工程方案，使用通用 LLM 模型，可以配置 Claude/GPT/Deepseek 等，不过可预见的演进是根据用户使用数据去优化模型以达到领域内更好的效果。
2. 这里没有实现像 Devin 在输出 Action 前先会规划好任务的步骤再一步步执行，但要在上述这个系统加上这个规划能力预计不难。
3. 项目使用 BrowserGym 去和浏览器交互，Agent 对浏览器的操作和识别是另一个大课题，有单独的 benchmark 多种方案，待调研。
4. 随着 Event Stream 里链路的不断增加，上下文会越来越长，到一定程度 openhands 会做两种处理，一种是压缩内容，把前面的上下文发给 llm 精练总结，用更简短的内容作为后续的上下文。另一种是让 LLM 对过去的内容进行重要度排序，只选择对预测下一步重要的几个记录作为上下文，具体逻辑在 condenser.py 里。更长的上下文会用向量数据库 ChromeDB 存储。

附：预置prompt

You are OpenHands agent, a helpful AI assistant that can interact with a computer to solve tasks.
<IMPORTANT>
//
* If user provides a path, you should NOT assume it's relative to the current working directory. Instead, you should explore the file system to find the file before working on it.
* When configuring git credentials, use "openhands" as the user.name and "openhands@all-hands.dev" as the user.email by default, unless explicitly instructed otherwise.
* The assistant MUST NOT include comments in the code unless they are necessary to describe non-obvious behavior.
RuntimeInfo(available_hosts={'http://localhost:54090': 54090, 'http://localhost:55602': 55602})
</IMPORTANT>

<RUNTIME_INFORMATION>
The user has access to the following hosts for accessing a web application,
each of which has a corresponding port:
* http://localhost:54090 (port 54090)
* http://localhost:55602 (port 55602)

When starting a web server, use the corresponding ports. You should also
set any options to allow iframes and CORS requests.
</RUNTIME_INFORMATION>
You have access to the following functions:

---- BEGIN FUNCTION #1: execute_bash ----
Description: Execute a bash command in the terminal.
* Long running commands: For commands that may run indefinitely, it should be run in the background and the output should be redirected to a file, e.g. command = `python3 app.py > server.log 2>&1 &`.
* Interactive: If a bash command returns exit code `-1`, this means the process is not yet finished. The assistant must then send a second call to terminal with an empty `command` (which will retrieve any additional logs), or it can send additional text (set `command` to the text) to STDIN of the running process, or it can send command like `C-c` (Ctrl+C) to interrupt the process.

Parameters:
  (1) command (string, required): The bash command to execute. Can be empty string to view additional logs when previous exit code is `-1`. Can be `C-c` (Ctrl+C) to interrupt the currently running process.
---- END FUNCTION #1 ----

---- BEGIN FUNCTION #2: finish ----
Description: Finish the interaction when the task is complete OR if the assistant cannot proceed further with the task.
No parameters are required for this function.
---- END FUNCTION #2 ----

---- BEGIN FUNCTION #3: web_read ----
Description: Read (convert to markdown) content from a webpage. You should prefer using the `web_read` tool over the `browser` tool, but do use the `browser` tool if you need to interact with a webpage (e.g., click a button, fill out a form, etc.).

You may use the `web_read` tool to read content from a webpage, and even search the webpage content using a Google search query (e.g., url=`https://www.google.com/search?q=YOUR_QUERY`).

Parameters:
  (1) url (string, required): The URL of the webpage to read. You can also use a Google search query here (e.g., `https://www.google.com/search?q=YOUR_QUERY`).
---- END FUNCTION #3 ----

---- BEGIN FUNCTION #4: browser ----
Description: Interact with the browser using Python code. Use it ONLY when you need to interact with a webpage.

See the description of "code" parameter for more details.

Multiple actions can be provided at once, but will be executed sequentially without any feedback from the page.
More than 2-3 actions usually leads to failure or unexpected behavior. Example:
fill('a12', 'example with "quotes"')
click('a51')
click('48', button='middle', modifiers=['Shift'])

Parameters:
  (1) code (string, required): The Python code that interacts with the browser.

The following 15 functions are available. Nothing else is supported.

goto(url: str)
    Description: Navigate to a url.
    Examples:
        goto('http://www.example.com')

go_back()
    Description: Navigate to the previous page in history.
    Examples:
        go_back()

go_forward()
    Description: Navigate to the next page in history.
    Examples:
        go_forward()

noop(wait_ms: float = 1000)
    Description: Do nothing, and optionally wait for the given time (in milliseconds).
    You can use this to get the current page content and/or wait for the page to load.
    Examples:
        noop()

        noop(500)

scroll(delta_x: float, delta_y: float)
    Description: Scroll horizontally and vertically. Amounts in pixels, positive for right or down scrolling, negative for left or up scrolling. Dispatches a wheel event.
    Examples:
        scroll(0, 200)

        scroll(-50.2, -100.5)

fill(bid: str, value: str)
    Description: Fill out a form field. It focuses the element and triggers an input event with the entered text. It works for <input>, <textarea> and [contenteditable] elements.
    Examples:
        fill('237', 'example value')

        fill('45', 'multi-line
example')

        fill('a12', 'example with "quotes"')

select_option(bid: str, options: str | list[str])
    Description: Select one or multiple options in a <select> element. You can specify option value or label to select. Multiple options can be selected.
    Examples:
        select_option('a48', 'blue')

        select_option('c48', ['red', 'green', 'blue'])

click(bid: str, button: Literal['left', 'middle', 'right'] = 'left', modifiers: list[typing.Literal['Alt', 'Control', 'ControlOrMeta', 'Meta', 'Shift']] = [])
    Description: Click an element.
    Examples:
        click('a51')

        click('b22', button='right')

        click('48', button='middle', modifiers=['Shift'])

dblclick(bid: str, button: Literal['left', 'middle', 'right'] = 'left', modifiers: list[typing.Literal['Alt', 'Control', 'ControlOrMeta', 'Meta', 'Shift']] = [])
    Description: Double click an element.
    Examples:
        dblclick('12')

        dblclick('ca42', button='right')

        dblclick('178', button='middle', modifiers=['Shift'])

hover(bid: str)
    Description: Hover over an element.
    Examples:
        hover('b8')

press(bid: str, key_comb: str)
    Description: Focus the matching element and press a combination of keys. It accepts the logical key names that are emitted in the keyboardEvent.key property of the keyboard events: Backquote, Minus, Equal, Backslash, Backspace, Tab, Delete, Escape, ArrowDown, End, Enter, Home, Insert, PageDown, PageUp, ArrowRight, ArrowUp, F1 - F12, Digit0 - Digit9, KeyA - KeyZ, etc. You can alternatively specify a single character you'd like to produce such as "a" or "#". Following modification shortcuts are also supported: Shift, Control, Alt, Meta, ShiftLeft, ControlOrMeta. ControlOrMeta resolves to Control on Windows and Linux and to Meta on macOS.
    Examples:
        press('88', 'Backspace')

        press('a26', 'ControlOrMeta+a')

        press('a61', 'Meta+Shift+t')

focus(bid: str)
    Description: Focus the matching element.
    Examples:
        focus('b455')

clear(bid: str)
    Description: Clear the input field.
    Examples:
        clear('996')

drag_and_drop(from_bid: str, to_bid: str)
    Description: Perform a drag & drop. Hover the element that will be dragged. Press left mouse button. Move mouse to the element that will receive the drop. Release left mouse button.
    Examples:
        drag_and_drop('56', '498')

upload_file(bid: str, file: str | list[str])
    Description: Click an element and wait for a "filechooser" event, then select one or multiple input files for upload. Relative file paths are resolved relative to the current working directory. An empty list clears the selected files.
    Examples:
        upload_file('572', '/home/user/my_receipt.pdf')

        upload_file('63', ['/home/bob/Documents/image.jpg', '/home/bob/Documents/file.zip'])

---- END FUNCTION #4 ----

---- BEGIN FUNCTION #5: execute_ipython_cell ----
Description: Run a cell of Python code in an IPython environment.
* The assistant should define variables and import packages before using them.
* The variable defined in the IPython environment will not be available outside the IPython environment (e.g., in terminal).

Parameters:
  (1) code (string, required): The Python code to execute. Supports magic commands like %pip.
---- END FUNCTION #5 ----

---- BEGIN FUNCTION #6: str_replace_editor ----
Description: Custom editing tool for viewing, creating and editing files
* State is persistent across command calls and discussions with the user
* If `path` is a file, `view` displays the result of applying `cat -n`. If `path` is a directory, `view` lists non-hidden files and directories up to 2 levels deep
* The `create` command cannot be used if the specified `path` already exists as a file
* If a `command` generates a long output, it will be truncated and marked with `<response clipped>`
* The `undo_edit` command will revert the last edit made to the file at `path`

Notes for using the `str_replace` command:
* The `old_str` parameter should match EXACTLY one or more consecutive lines from the original file. Be mindful of whitespaces!
* If the `old_str` parameter is not unique in the file, the replacement will not be performed. Make sure to include enough context in `old_str` to make it unique
* The `new_str` parameter should contain the edited lines that should replace the `old_str`

Parameters:
  (1) command (string, required): The commands to run. Allowed options are: `view`, `create`, `str_replace`, `insert`, `undo_edit`.
Allowed values: [`view`, `create`, `str_replace`, `insert`, `undo_edit`]
  (2) path (string, required): Absolute path to file or directory, e.g. `/workspace/file.py` or `/workspace`.
  (3) file_text (string, optional): Required parameter of `create` command, with the content of the file to be created.
  (4) old_str (string, optional): Required parameter of `str_replace` command containing the string in `path` to replace.
  (5) new_str (string, optional): Optional parameter of `str_replace` command containing the new string (if not given, no string will be added). Required parameter of `insert` command containing the string to insert.
  (6) insert_line (integer, optional): Required parameter of `insert` command. The `new_str` will be inserted AFTER the line `insert_line` of `path`.
  (7) view_range (array, optional): Optional parameter of `view` command when `path` points to a file. If none is given, the full file is shown. If provided, the file will be shown in the indicated line number range, e.g. [11, 12] will show lines 11 and 12. Indexing at 1 to start. Setting `[start_line, -1]` shows all lines from `start_line` to the end of the file.
---- END FUNCTION #6 ----


If you choose to call a function ONLY reply in the following format with NO suffix:

<function=example_function_name>
<parameter=example_parameter_1>value_1</parameter>
<parameter=example_parameter_2>
This is the value for the second parameter
that can span
multiple lines
</parameter>
</function>

<IMPORTANT>
Reminder:
- Function calls MUST follow the specified format, start with <function= and end with </function>
- Required parameters MUST be specified
- Only call one function at a time
- You may provide optional reasoning for your function call in natural language BEFORE the function call, but NOT after.
- If there is no function call available, answer the question like normal with your current knowledge and do not tell the user about function calls


----------

Here's a running example of how to perform a task with the provided tools.

--------------------- START OF EXAMPLE ---------------------

USER: Create a list of numbers from 1 to 10, and display them in a web page at port 5000.

ASSISTANT: Sure! Let me first check the current directory:
<function=execute_bash>
<parameter=command>
pwd && ls
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
/workspace
openhands@runtime:~/workspace$

ASSISTANT: There is no `app.py` file in the current directory. Let me create a Python file `app.py`:
<function=str_replace_editor>
<parameter=command>create</parameter>
<parameter=path>/workspace/app.py</parameter>
<parameter=file_text>
from flask import Flask
app = Flask(__name__)

@app.route('/')
def index():
    numbers = list(range(1, 11))
    return str(numbers)

if __name__ == '__main__':
    app.run(port=5000)
</parameter>
</function>

USER: EXECUTION RESULT of [str_replace_editor]:
File created successfully at: /workspace/app.py

ASSISTANT: I have created a Python file `app.py` that will display a list of numbers from 1 to 10 when you run it. Let me run the Python file for you:
<function=execute_bash>
<parameter=command>
python3 app.py > server.log 2>&1 &
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
[1] 121
[1]+  Exit 1                  python3 app.py > server.log 2>&1

ASSISTANT: Looks like the server is running with PID 121 then crashed. Let me check the server log:
<function=execute_bash>
<parameter=command>
cat server.log
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
Traceback (most recent call last):
  File "/workspace/app.py", line 2, in <module>
    from flask import Flask
ModuleNotFoundError: No module named 'flask'

ASSISTANT: Looks like the server crashed because the `flask` module is not installed. Let me install the `flask` module for you:
<function=execute_bash>
<parameter=command>
pip3 install flask
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
Defaulting to user installation because normal site-packages is not writeable
Collecting flask
  Using cached flask-3.0.3-py3-none-any.whl (101 kB)
Collecting blinker>=1.6.2
  Using cached blinker-1.7.0-py3-none-any.whl (13 kB)
Collecting Werkzeug>=3.0.0
  Using cached werkzeug-3.0.2-py3-none-any.whl (226 kB)
Collecting click>=8.1.3
  Using cached click-8.1.7-py3-none-any.whl (97 kB)
Collecting itsdangerous>=2.1.2
  Using cached itsdangerous-2.2.0-py3-none-any.whl (16 kB)
Requirement already satisfied: Jinja2>=3.1.2 in /home/openhands/.local/lib/python3.10/site-packages (from flask) (3.1.3)
Requirement already satisfied: MarkupSafe>=2.0 in /home/openhands/.local/lib/python3.10/site-packages (from Jinja2>=3.1.2->flask) (2.1.5)
Installing collected packages: Werkzeug, itsdangerous, click, blinker, flask
Successfully installed Werkzeug-3.0.2 blinker-1.7.0 click-8.1.7 flask-3.0.3 itsdangerous-2.2.0

ASSISTANT: The `flask` module is installed successfully. Let me run the Python file again:
<function=execute_bash>
<parameter=command>
python3 app.py > server.log 2>&1 &
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
[1] 124

ASSISTANT:
Let me check the server log again:
<function=execute_bash>
<parameter=command>
cat server.log
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
* Serving Flask app 'app'
 * Debug mode: off
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
 * Running on http://127.0.0.1:5000
Press CTRL+C to quit

ASSISTANT:
The server is running on port 5000 with PID 124. You can access the list of numbers by visiting http://127.0.0.1:5000. If you have any further questions, feel free to ask!

USER: Now kill the server, make it display the numbers in a table format.

ASSISTANT:
Sure! Let me stop the server first:
<function=execute_bash>
<parameter=command>
kill 124
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
[1]+  Terminated              python3 app.py > server.log 2>&1

ASSISTANT:
Now let me display the numbers in a table format:
<function=str_replace_editor>
<parameter=command>str_replace</parameter>
<parameter=path>/workspace/app.py</parameter>
<parameter=old_str>return str(numbers)</parameter>
<parameter=new_str>return '<table>' + ''.join([f'<tr><td>{i}</td></tr>' for i in numbers]) + '</table>'</parameter>
</function>

USER: EXECUTION RESULT of [str_replace_editor]:
The file /workspace/app.py has been edited. Here's the result of running `cat -n` on a snippet of /workspace/app.py:
     3
     4  @app.route('/')
     5  def index():
     6      numbers = list(range(1, 11))
     7      return '<table>' + ''.join([f'<tr><td>{i}</td></tr>' for i in numbers]) + '</table>'
     8
     9  if __name__ == '__main__':
    10      app.run(port=5000)
Review the changes and make sure they are as expected. Edit the file again if necessary.

ASSISTANT:
Running the updated file:
<function=execute_bash>
<parameter=command>
<parameter=command>
python3 app.py > server.log 2>&1 &
</parameter>
</function>

USER: EXECUTION RESULT of [execute_bash]:
[1] 126

ASSISTANT:
The server is running on port 5000 with PID 126. You can access the list of numbers in a table format by visiting http://127.0.0.1:5000. Let me know if you have any further requests!
<function=finish>
</function>

--------------------- END OF EXAMPLE ---------------------

Do NOT assume the environment is the same as in the example above.

附：任务 Prompt示例

以下是真实执行一个任务时，循环添加输入 LLM 的 Prompt case：

--------------------- NEW TASK DESCRIPTION ---------------------
创建一个可以调用deepseek模型的程序，并运行测试确保可用
--------------------- END OF NEW TASK DESCRIPTION ---------------------

PLEASE follow the format strictly! PLEASE EMIT ONE AND ONLY ONE FUNCTION CALL PER MESSAGE.


----------

Let me start by checking the current directory and listing its contents:

<function=execute_bash>
<parameter=command>pwd && ls</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
/workspace
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 0]

----------

I see we are in the `/workspace` directory. Let's create a Python file that can call the DeepSeek model. First, I'll create a new file called `deepseek_app.py`:

<function=str_replace_editor>
<parameter=command>create</parameter>
<parameter=path>/workspace/deepseek_app.py</parameter>
<parameter=file_text>
from deepseek import DeepSeekModel

def call_deepseek_model(input_text):
    model = DeepSeekModel()
    response = model.generate(input_text)
    return response

if __name__ == "__main__":
    test_input = "Hello, DeepSeek!"
    result = call_deepseek_model(test_input)
    print("Model Response:", result)
</parameter>
</function>

----------

EXECUTION RESULT of [str_replace_editor]:
File created successfully at: /workspace/deepseek_app.py

----------

Now, let's check if the `deepseek` module is installed. If not, we'll need to install it:

<function=execute_bash>
<parameter=command>pip3 show deepseek</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
WARNING: Package(s) not found: deepseek
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 1]

----------

The `deepseek` module is not installed. Let me install it using pip:

<function=execute_bash>
<parameter=command>pip3 install deepseek</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Collecting deepseek
  Downloading deepseek-1.0.0-py3-none-any.whl.metadata (3.9 kB)
Requirement already satisfied: requests in /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages (from deepseek) (2.32.3)
Requirement already satisfied: charset-normalizer<4,>=2 in /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages (from requests->deepseek) (3.4.1)
Requirement already satisfied: idna<4,>=2.5 in /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages (from requests->deepseek) (3.10)
Requirement already satisfied: urllib3<3,>=1.21.1 in /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages (from requests->deepseek) (2.3.0)
Requirement already satisfied: certifi>=2017.4.17 in /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages (from requests->deepseek) (2024.12.14)
Downloading deepseek-1.0.0-py3-none-any.whl (4.5 kB)
Installing collected packages: deepseek
Successfully installed deepseek-1.0.0
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 0]

----------

The `deepseek` module is now installed. Let's run the `deepseek_app.py` program to test if it works:

<function=execute_bash>
<parameter=command>python3 deepseek_app.py</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Traceback (most recent call last):
  File "/workspace/deepseek_app.py", line 1, in <module>
    from deepseek import DeepSeekModel
ImportError: cannot import name 'DeepSeekModel' from 'deepseek' (/openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages/deepseek/__init__.py)
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 1]

----------

It seems the `DeepSeekModel` class is not available in the `deepseek` module. Let me check the documentation or available classes in the `deepseek` module:

<function=execute_bash>
<parameter=command>python3 -c "import deepseek; print(dir(deepseek))"</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
['DeepSeekAPI', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '__version__', 'api', 'const']
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 0]

----------

The `deepseek` module provides a `DeepSeekAPI` class instead of `DeepSeekModel`. Let me update the `deepseek_app.py` file to use the correct class:

<function=str_replace_editor>
<parameter=command>str_replace</parameter>
<parameter=path>/workspace/deepseek_app.py</parameter>
<parameter=old_str>
from deepseek import DeepSeekModel

def call_deepseek_model(input_text):
    model = DeepSeekModel()
    response = model.generate(input_text)
    return response
</parameter>
<parameter=new_str>
from deepseek import DeepSeekAPI

def call_deepseek_model(input_text):
    api = DeepSeekAPI()
    response = api.generate(input_text)
    return response
</parameter>
</function>

----------

EXECUTION RESULT of [str_replace_editor]:
The file /workspace/deepseek_app.py has been edited. Here's the result of running `cat -n` on a snippet of /workspace/deepseek_app.py:
     1        from deepseek import DeepSeekAPI
     2        
     3        def call_deepseek_model(input_text):
     4            api = DeepSeekAPI()
     5            response = api.generate(input_text)
     6            return response
     7        
     8        if __name__ == "__main__":
     9            test_input = "Hello, DeepSeek!"
    10            result = call_deepseek_model(test_input)
Review the changes and make sure they are as expected. Edit the file again if necessary.

----------

Now that the file is updated, let's run the program again to test if it works:

<function=execute_bash>
<parameter=command>python3 deepseek_app.py</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Traceback (most recent call last):
  File "/workspace/deepseek_app.py", line 10, in <module>
    result = call_deepseek_model(test_input)
             ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "/workspace/deepseek_app.py", line 4, in call_deepseek_model
    api = DeepSeekAPI()
          ^^^^^^^^^^^^^
  File "/openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages/deepseek/api.py", line 9, in __init__
    raise ValueError("DEEPSEEK_API_KEY is missing")
ValueError: DEEPSEEK_API_KEY is missing
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 1]

----------

The program requires an API key to use the `DeepSeekAPI`. Let me update the program to include the API key as an environment variable. First, I'll modify the `deepseek_app.py` file:

<function=str_replace_editor>
<parameter=command>str_replace</parameter>
<parameter=path>/workspace/deepseek_app.py</parameter>
<parameter=old_str>
from deepseek import DeepSeekAPI

def call_deepseek_model(input_text):
    api = DeepSeekAPI()
    response = api.generate(input_text)
    return response
</parameter>
<parameter=new_str>
import os
from deepseek import DeepSeekAPI

def call_deepseek_model(input_text):
    api_key = os.getenv("DEEPSEEK_API_KEY")
    if not api_key:
        raise ValueError("Please set the DEEPSEEK_API_KEY environment variable.")
    api = DeepSeekAPI(api_key=api_key)
    response = api.generate(input_text)
    return response
</parameter>
</function>

----------

EXECUTION RESULT of [str_replace_editor]:
The file /workspace/deepseek_app.py has been edited. Here's the result of running `cat -n` on a snippet of /workspace/deepseek_app.py:
     1        import os
     2        from deepseek import DeepSeekAPI
     3        
     4        def call_deepseek_model(input_text):
     5            api_key = os.getenv("DEEPSEEK_API_KEY")
     6            if not api_key:
     7                raise ValueError("Please set the DEEPSEEK_API_KEY environment variable.")
     8            api = DeepSeekAPI(api_key=api_key)
     9            response = api.generate(input_text)
    10            return response
    11        
    12        if __name__ == "__main__":
    13            test_input = "Hello, DeepSeek!"
    14            result = call_deepseek_model(test_input)
Review the changes and make sure they are as expected. Edit the file again if necessary.

----------

Now, let's set the `DEEPSEEK_API_KEY` environment variable and run the program again. Please provide the API key for DeepSeek, and I will set it up for you. If you don't have one, you may need to sign up for an API key from DeepSeek's official website.

<function=execute_bash>
<parameter=command>export DEEPSEEK_API_KEY=your_api_key_here && python3 deepseek_app.py</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Traceback (most recent call last):
  File "/workspace/deepseek_app.py", line 14, in <module>
    result = call_deepseek_model(test_input)
             ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "/workspace/deepseek_app.py", line 9, in call_deepseek_model
    response = api.generate(input_text)
               ^^^^^^^^^^^^
AttributeError: 'DeepSeekAPI' object has no attribute 'generate'
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 1]

----------

It seems the `DeepSeekAPI` class does not have a `generate` method. Let me check the available methods in the `DeepSeekAPI` class:

<function=execute_bash>
<parameter=command>python3 -c "from deepseek import DeepSeekAPI; print(dir(DeepSeekAPI))"</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
['__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_post_request', 'chat_completion', 'completion_impl', 'fim_completion', 'get_models', 'user_balance']
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 0]

----------

The `DeepSeekAPI` class provides methods like `chat_completion`, `fim_completion`, and `get_models`. Let's update the `deepseek_app.py` file to use the `chat_completion` method instead of `generate`:

<function=str_replace_editor>
<parameter=command>str_replace</parameter>
<parameter=path>/workspace/deepseek_app.py</parameter>
<parameter=old_str>
api = DeepSeekAPI(api_key=api_key)
    response = api.generate(input_text)
    return response
</parameter>
<parameter=new_str>
api = DeepSeekAPI(api_key=api_key)
    response = api.chat_completion(input_text)
    return response
</parameter>
</function>

----------

EXECUTION RESULT of [str_replace_editor]:
The file /workspace/deepseek_app.py has been edited. Here's the result of running `cat -n` on a snippet of /workspace/deepseek_app.py:
     4        def call_deepseek_model(input_text):
     5            api_key = os.getenv("DEEPSEEK_API_KEY")
     6            if not api_key:
     7                raise ValueError("Please set the DEEPSEEK_API_KEY environment variable.")
     8            api = DeepSeekAPI(api_key=api_key)
     9            response = api.chat_completion(input_text)
    10            return response
    11        
    12        if __name__ == "__main__":
    13            test_input = "Hello, DeepSeek!"
    14            result = call_deepseek_model(test_input)
Review the changes and make sure they are as expected. Edit the file again if necessary.

----------

Now, let's run the program again with the updated method. Please provide the `DEEPSEEK_API_KEY` environment variable:

<function=execute_bash>
<parameter=command>export DEEPSEEK_API_KEY=your_api_key_here && python3 deepseek_app.py</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Traceback (most recent call last):
  File "/workspace/deepseek_app.py", line 14, in <module>
    result = call_deepseek_model(test_input)
             ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "/workspace/deepseek_app.py", line 9, in call_deepseek_model
    response = api.chat_completion(input_text)
               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "/openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages/deepseek/api.py", line 62, in chat_completion
    response = self._post_request(API_CHAT_COM, payload, stream)
               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "/openhands/poetry/openhands-ai-5O4_aCHf-py3.12/lib/python3.12/site-packages/deepseek/api.py", line 25, in _post_request
    raise Exception(f"HTTP Error {response.status_code}: {response.text}")
Exception: HTTP Error 401: {"error":{"message":"Authentication Fails (no such user)","type":"authentication_error","param":null,"code":"invalid_request_error"}}
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 1]

----------

The error indicates that the provided API key is invalid or does not correspond to a valid user. To proceed, you will need to:

1. Obtain a valid API key from DeepSeek's official platform.
2. Ensure the API key is correctly set in the environment.

Once you have a valid API key, you can set it and run the program again. Let me know if you need further assistance!

----------

key: *** ///在这里输入了key，隐藏

----------

Thank you for providing the API key. Let's set the environment variable and run the program again:

<function=execute_bash>
<parameter=command>export DEEPSEEK_API_KEY=sk-4a727097b1ef4e61a3444ec96e1e0db0 && python3 deepseek_app.py</parameter>
</function>

----------

EXECUTION RESULT of [execute_bash]:
Model Response: Hello! How can I assist you today? 😊
[Python Interpreter: /openhands/poetry/openhands-ai-5O4_aCHf-py3.12/bin/python]
[Command finished with exit code 0]

Transformer 作为新 AI 时代的基石，有必要深入了解下。网上对 Transformer 的教学文章/视频非常多，很多讲得很好，像 3Blue1Brown 的讲解视频，以及这篇文章。整个详细过程原理写不来，本文主要记录一下其中我觉得比较容易混淆的 Attention 模块运算过程，主要是里面的 Q K V 的概念/运算过程/作用。

这是 Transformer 架构图，左边是 encoder，右边是 decoder，实际 LLM 大模型是只由右边 decoder 构成，这里面大部分是常用的 Feed Forward（前馈网络）/ Add（残差连接）/ Norm（层归一化），核心还是 Multi-Head Attention 模块，我们来具体看看 Multi-Head Attention 模块里做了什么。

输入

假设一个字是一个 token，输入是”我有一个玩”（用于推测下一个字”具“），5 个字，每个字用一个向量表示，每个向量假设是 9 维（GPT3 是 12288 维），也就是用 9 个数值表示这个字，那每个词顺序排下来，就组成了 5 行 9 列的输入矩阵，称他为 X，每一行代表一个词。

6每一个圈圈代表一个数值。”我“字由蓝色的9个数值表示，“有”字是绿色的9个数值。这 9 个数值组成一个 9 维向量，这里每个字对应的向量值是一开始定好的，至于怎么定的不细说，可以看看相关文章。

这个输入矩阵经过 Multi-Head Attention 模块运算，输出另一个同宽高的矩阵，接下来详细看看这个运算过程。

权重矩阵 & Multi-Head Attention

Multi-Head Attention 是由多个 Self Attention 模块拼接而成，如果它只有一个 head，就是一个 Self Attension 模块。

Self Attention

Self Attention 模块里，会包含 Wq Wk Wv 三个参数权重矩阵，模型训练过程就是不断调整 Wq Wk Wv 里的数值。

这几个权重矩阵的行和列数，需要满足：

1. 行数：输入矩阵 X 会与它们进行相乘，所以行数需要与输入词向量的维度匹配，也就是 9。
2. 列数：Transformer 中整个 Attention 模块的输入数据和输出数据维度应该是一致的，才能多层重复叠加，从矩阵相乘特性知道，这些权重矩阵的列数也应该对齐词向量的维度，还是 9。

所以如果这里是单个 Self Attention，Wq Wk Wv 就是行数和列数都是与词向量维度一致的矩阵，也就是 9×9。

Multi-Head Attention

但这里希望模型能捕获到单词间的多种不同注意力，所以会把它拆出来再拼接。假设把它拆成 3 个 head，那就是能捕获到 3 种单词之间不同的关系。这里拆出来的 3 个 head 就是 3 个 Self Attention 模块，每个模块有自己的 Wq Wk Wv 矩阵，行列数是 9 x 3。这里每个 Self Attention 独自进行注意力运算后，再组合拼接。

这里文字描述得比较绕，见后续运算过程和结果的图示比较清晰。

Attention 运算过程

先来看这里每个 Self Attention 模块的运算过程。

这里输入向量分别与 Wq Wk Wv 相乘，得到新的矩阵 Q K V，Q(query) K(key) V(value) 名字已经对应了它的含义，看完它的运算过程后，再来补充下对它含义的理解。

可以认为这里 Q K V 这几个新的矩阵，每一行仍然是表示一个单词 token 向量，只是换了种表示 （矩阵的乘法特性，例如第一行里的每一个数据都是由原矩阵第一行与 W 矩阵运算得来，与其他行无关）。

下图是 Q 矩阵的运算过程，K V 的过程一样，只是 W 权重矩阵的值不同，略过。

接着要做的是，计算每一个单词对于其他单词的 Attention 系数，这是一个两两可重复排列组合。上面 5 个单词，每个单词都 K 矩阵里的自己以及其他所有单词逐一计算出一个值，生成一个 5 x 5 的矩阵。这个矩阵的计算方式就是 Q*KT(K的转置矩阵)，由矩阵乘法特性可以看出，这样算出来的矩阵，就是单词之间的关系值，比如第一行第五列数值，就是“我”和“玩”之间的注意力关系值。下图用颜色表示这个过程。

相乘后对这个矩阵进行 softmax （在这之前还会除以 √dk 向量维度，可以先忽略），每一行的和都为1，这里的矩阵第 i 行的数据表示的是第 i 个单词与其他单词的关系，这里归一化后，数值可以表示理解为，从全文范围上，每个单词对这第 i 个单词的重要程度比例。

最后这里的 Attention 系数矩阵，与矩阵 V 相乘，得到的是新的结合了每个单词之间 Attention 信息的矩阵。输出的矩阵中每一行还是表示一个单词，但这个单词向量经过这里注意力运算后，每个单词向量都集合了上下文每个单词的注意力信息。

单独拆除这里的第一行看看它的意义，单词”我“跟每一个字的注意力权重，再乘以每个字在 V 矩阵里的向量表示，结果再相加，组成最后的结果。比如这里第一个字”我“跟第三个字”一“的权重是0.1，那”一“的向量值对运算后最后表示”我“这个字的向量结果影响很小，如果是 0 就是没有影响。

上述整个过程，可以用这个数学公式表示：

Multi-Head Attention 模块里每个 Self Attention 模块都做同样的运算（但里面的 Wq Wk Wv 权重不同，数值结果不同），拼接起来，形成最终的结果，这个结果矩阵里，每一行每个字的表示，都已经集合了与其他所有字的注意力关系信息。

整个过程实际上还有个掩码的机制，按上述运算，这里输出的每个单词向量都包含了上下文所有的信息，通过掩码机制，会变成每个单词只包含单词所在前面位置的信息，比如第二行“有”只包含了“我”和“有”的信息，没有后面”一“”个“”玩“的信息。这里不继续展开了。

这里每一行包含了前面所有单词的注意力信息，也就可以通过这里的表示预测下一个单词，所以从这个矩阵最后一行“玩”的向量数值，就可以用于预测对应下一个单词是什么。

整个 Multi-Head Attention 的运算过程大致是这样了。实际模型如 GPT3，单词向量维度是12288，上下文长度2048（每个 token 都要跟2048个token计算注意力），每个 Multi-Head Attention 分成 96 个 head，同时有 96 层叠加，也就是 96 个 Multi-Head Attention，运算量是巨大的。

Q K V 的作用

Q 可以理解为原输入的词数据，拿着这个数据找谁跟我有关系。K 是被找的数据，用于计算输入的每个词之间的关系。Q 和 K 是为了算出 Attention 关系系数，知道每个 K 的数据跟 Q 是什么关系。

如果 Q 和 K 是同个输入变换来的，那就是自注意力，如果是不同输入变换来，那就是交叉注意力，比如 Stable Diffusion 里 Unet 的交叉注意力模块中，Q 是文字 prompt，K 和 V 是图片信息，Q 与 K 计算的是文字与图片信息的 Attention 关系系数。

K 和 V 是同个数据源，这个数据源，从 Q 和 K 的运算知道每个 Q 与数据源的关系系数，再与数据源做运算就是把这个关系数据作用到源数据上，源数据去做相应偏移，也就是可以在 Q 的作用下对源数据做相应推测。

感想

为什么这样一个算法架构，能衍生出智能，而且这个架构能扩展到多模态，语音、图像、视频基于它都有非常好的效果？我个人理解，最核心有两个点：

1. 上下文信息充足
2. 并行计算能力强

其他算法架构如果能充分融入上下文信息，规模大了也能有智能，只是 Transformer 可并行运算的特性，让目前的计算机算力可以触摸到涌现的那个点。

能，但还比较勉强。

在客户端上跑大模型，一定是未来的趋势。

1. 上个时代 AI 的核心应用是推荐系统，推荐是依赖海量数据的，海量数据只有服务端上存在，在推荐这主场景下客户端 AI 上能做的事很少，发展得比较吃力。
2. 生成式 AI 时代，最大的应用就是模型本身，只有训练时依赖海量数据，使用时并不依赖数据，那理论上只要客户端硬件资源足够，在客户端使用，跟在服务端使用，场景和效果是一致的。
3. 生成式 AI 在端上跑模型，最大的优势是成本。成本是当前生成式 AI 应用除了效果以外第二大关键因素，在用户客户端上跑模型，对服务提供方来说就是 0 成本，0 成本使更多场景大规模免费应用成为可能。其他的优势还包括 隐私保护、实时性、离线可用。

硬件条件

那当前手机设备硬件条件如何？我们可以通过一些指标对手机和服务端的算力差距有个大概认识。

显存：一个模型能不能跑，取决于显存够不够，显存不够模型无法加载。

1. 服务端一般用独立显卡，有独立显存。
2. 手机通常使用系统级芯片 Soc（System on a Chip），无独立显卡，SoC 中包含了 CPU、GPU、基带等多个组件，使用统一内存架构允许 CPU 和 GPU 共享同一块内存，所以手机 GPU 显存跟手机内存是一个东西。

性能：而模型跑得快不快，取决于芯片性能怎样。

1. 芯片性能取决于很多因素，例如芯片架构、显存带宽，而算力是其中一个，通常用TOPS（万亿次每秒 Tera Operations Per Second）指标来衡量算力。TOPS 默认是针对 INT8 整型数的处理次数，另一个指标 TFLOPS 是针对 Float32 浮点数的处理次数。
2. 在通用 GPU 以外，现代芯片会搭载专门处理 AI 运算的硬件加速器，NVIDIA 是 Tensor Core，手机 SoC 芯片是 NPU （Neural Processing Unit 神经网络处理单元），以下是 Tensor Core 和 NPU 的运算性能指标。
3. 不同芯片性能，特别是涉及不同芯片架构设计的，应该以实测数据作为对比，但当前缺乏这类数据，先用 TOPS 指标看个大概。

我们看看当前常用的英伟达各种显卡芯片，以及移动端设备芯片这几个指标的情况：

手机内存显存与系统共用，正常能提供给 APP 使用的内存只有1/2~2/3，所以可以认为对 APP 来说，手机设备的可用内存需要减半，否则有内存不足 APP 被系统 kill 的风险，像 iPhone 15 Pro 预计是4G，小米14等高端机是8G。

生图模型要求

那当前主流的生图模型，对硬件的要求是怎样？

显存

Stable Diffusion XL base 参数量 3.5B（35 亿），精度 Float16（16位bits，2个字节），换算下来参数总大小 6.5G，实际文件大小6.94G，在模型推理过程中，参数得加载到显存中，也就是显存至少6.9G，同时在模型推理过程过程中，也有一些中间值需要保留在显存中，所以正常需要8G – 12G显存支持。

实测在 Macbook 跑起来，占用了10.3G。极端情况下，通过显存调度之类的技术在 4G 显存也能勉强跑起来，但会性能较差或不稳定。

这个显存要求，在 iPhone 15 Pro 基本是不满足的，Android 高端机整体内存普遍较大，勉强可以支持。

性能

我在 A10 卡和 M1 MacBook Pro 上分别实测了下，SDXL base 模型生成 1024×1024 的图，A10大概6.4秒，M1 大概 95 秒。如果只看 TOPS 指标，A10 220TOPS 是 M1 11TOPS 的20倍，实测跑下来 95秒/6.4秒 = 14.8倍，也就是 M1 与 A10 的实际差距没那么大。

真实性能受各种因素影响，每个芯片有各自的优化方案，单用 TOPS 指标难以衡量，但可以看个大概。如果只看 TOPS 倍率，内存完全足够的情况下，搭载骁龙 8 Gen3 的小米 14 生成同样的图预计需要 17.6s，官方宣传是15s左右。

量化

原 SDXL 模型硬件要求高，但如果可以牺牲部分效果，是有办法对原模型做压缩，让它可以跑在低内存手机的。

模型为了成本、速度考虑，一般会进行不同程度的量化。量化就是降低模型参数的精度，神经网络模型中的参数通常使用32位浮点数 Float32 表示，但 Float32(4个字节) 存储大计算量也大，进一步可以压缩映射到更低的数值表示，包括 Float16、Int8、Int4 甚至 Int2 都有应用，只是会带来不同程度的效果损失。

模型量化后，参数需要的存储空间降低，所需要的显存跟着降低，而因为数据量小了，计算量也相应减小，模型推理速度也会加快。

Draw things 这个应用，将 SDXL base 模型量化到 Int8 的精度，模型大小 2G，可以跑在 4G 内存的 iPhone 上（APP 最多只能使用 2G 内存，为此作者做了系列优化）。实测 SDXL base Int8 模型 在 iPhone 13 Pro Max（A15，6G）上，生成 1024*768 的图需要 180s，跟它硬件 TOPS 算力差得有点多，可以认为是推理架构上为了节省内存做的妥协。

LLM 大模型要求

那在 LLM 大模型上，情况怎样？

我们拿阿里通义千问qwen的模型大概看下它 7B 和 72B 在不同量化下的大小。qwen 最大模型是 72B，而 llama3 最大是 400B(还在训练中)，可以预估 400B 模型会是接近1T的体量。

如果拿400B模型对标GPT4，72B 模型对标 GPT3.5+，可以看到目前可用的 LLM 模型推理成本和硬件要求是非常高的，比图生成高几十倍。

qwen 最小的 1.8B 模型，生成 2048 个 token 最低需要 2.9G 显存，当前高端机是可以跑起来的。但 1.8B 效果差很多，预计只能预训练做特定任务。7B 可用性高一些，可以看到 7B 模型就没多少手机能支持了，骁龙8 Gen3 宣传号称 7B 模型推理每秒执行 20 个token，未搜到相关实测。

Google 用于端侧的 Gemini Nano 有 1.8B、3.25B 两种参数量。苹果之前放出来的 OpenELM 模型有 0.27B ~ 3B 的参数量，最新 iOS18 的 AI 模型估计用的就是 OpenELM，限制了只有最新 iPhone 15 Pro 能跑。

iOS Android 都在往系统级集成端侧 LLM 大模型这个方向做，系统集成有更多的硬件资源调度权限，在当前资源条件下容易先做起来，APP 能用到的资源有限，目前很难跑起来。

所以手机跑 LLM 大模型，用最小的模型，在最高端的手机上理论可行，实际应用还要再等等。

端模型问题

除了硬件理论情况，端模型也有一些问题待解决：

1. 对服务提供方，有技术保密问题：在端上部署模型，模型、prompt、workflow 都是存储在本地，虽然可以做各种加密，但总能破解，如果服务方视这些为核心竞争力，那就难以以这种方案部署，更有可能的是端云协同的架构，部分运算放客户端，云端处理核心和保密部分。
2. 对于手机用户：手机耗电、发热、耗时问题：大量运算跑满 GPU 必然导致手机发热严重耗电高，在持续使用的场景下体验会比云端差，手机芯片跑起来速度也会不如云端快，手机端系统需要做好资源控制和平衡。
3. 生态问题：英伟达的CUDA、PyTorch 生态，相关工具链/社区，在端上都是需要重新建立的，当然只要有场景有诉求，这些可以补上，但需要时间。
4. 场景和价格问题：能运行大模型的手机，在未来几年价格还是高的，目前还没有比较好的理由让用户接受这个溢价，对用户来说，像生图、修图、LLM当前服务端能提供最好的，在端侧跑模型体验没提升，就没必要溢价买个高端机，高端机平民化速度就会慢。在没有 killer APP 的情况下， 需要靠手机厂商和系统强推了，例如 iOS 18 新Siri 只在最高端机可使用。

结论

图生成硬件要求不算高，高端机已经摸到实际应用的门槛，预计再过一两年，硬件进一步提升，不追求效果极致的图生成应用场景，大部分会部署在客户端上。

LLM 硬件要求高，iOS/Android 系统级应用有条件接入，APP 基本还用不了。等系统应用被大众认知和接受，硬件普遍升级，才轮到 APP 端发挥。

当前过渡阶段，端云协同的方案会比较多，预计也会存在很长一段时间。例如图生成，可以将部分运算（比如 VAE 编解码）放到端上，主生成流程放云端。iOS 18 Siri 也会判断如果用户输入的是简单指令，就不请求服务端，直接端模型生成。

接上篇，继续优化我们的黏土风 workflow。

引导图控制

来看看上篇里的最后一个case：

黏土风格效果还可以，但人物动作总会跟原图不一致，一会双手放地板，一会侧身。图生图一般希望整体轮廓、人物姿态与原图一致，有没有办法控制？

我们可以给它加上 ControlNet 节点，用 canny 边缘检测，试试控制画面主体的轮廓结构：

这下就比较准确地还原了原图的姿势了。

ControlNet 介绍

ControlNet 是一种神经网络架构，能做到通过添加额外的引导图片输入（如边缘图、姿态图等）来控制 SD 模型的扩散生成方向，实现对图像生成过程的精确引导。

通过这套架构，可以训练出每种控制方式对应的模型，生图过程中应用这个模型，输入对应的引导图，就能生成对应的图。

以下是 ControlNet 作者训练好的几种模型，以及用这些引导图生成的图片效果：sketch草稿、map法线贴图、depth深度图、canny边缘、line线、edge边缘、场景、Pose人物姿势

看下 ComfyUI ControlNet 相关的这几个节点：

1. 每个 ControlNet 模型的输入，都是预处理好的一张引导图，一般用简单的算法就能处理出来，这里用的是 ControlNet canny 边缘控制的一个模型，对应一个 canny 算法节点，一个古老的算法，python 的 OpenCV 库就有。
2. 接着加载 canny 对应的 ControlNet 模型。
3. 这张边缘图片输入到 ControlNet 模型，跟文本一起，作为模型降噪生成过程中的引导，指引降噪方向，生成符合文本描述、符合图片边缘形状的图。

这里的 canny 可以替换成 sketch、depth、pose 等算法，搭配上对应的 ControlNet 模型，就能实现不同的控制方式。

ControlNet 原理

扩散生图模型出现后，就有很多人探索怎样更好控制它的生成，显然如果只能用文字生图，可控性太差，最直观的还是能通过草图指引控制它画什么。

怎么解这个问题？对模型简单做一个端到端微调是否可行？例如想让模型按 canny 检测出来的边缘去生成图片，那造一堆 原图 – canny图 的配对作为训练集，微调让模型学习到边缘图和最终生图的关系，是否就可以？大思路是这样，但需要解决微调带来的过拟合、破坏原模型能力的问题，需要设计一个网络结构，能很好认得 canny 引导图特征、跟扩散模型很好结合、效果稳定。

有很多人做过不同的研究，提出过多种方法，ControlNet 的方法相对前人有很大优势，能稳定用在各种场景上，效果最佳，应用广泛。

网络架构

来看看 ControlNet 的这张架构图，我把相应的输入输出示意图加上：

理解这个网络结构前，可以看回这篇文章理解下 SD UNet 网络。上采样 = encoder，下采样 = decoder，为了方便和与上图对应，下面就只提 encoder 和 decoder。

这个图左边是 SD 原 UNet 网络，右边是 ControlNet 新加的网络。首先是把 SD 原网络的参数冻结，不参与训练，这跟前面介绍的 LoRA 套路是一样的，训练不影响原网络，只调整新网络，有诸多好处。

接着它把 SD UNet 网络里的 encoder 和 middle 部分复制出来，再用零卷积（zero convolution）连接到原 SD 网络对应的 decoder 层。几个要点：

1. 与 decoder 的连接：
   1. 整个 ControlNet 网络的目的并不是按 UNet 网络流程有一个输入和输出，ControlNet 网络是只有输入没有输出的，它的目的是在 encoder 识别处理引导图（外加与降噪图/文字Prompt/步数的关系），再把这些信息跳跃连接回原 SD 网络的 decoder，所以 ControlNet 网络本身是不需要 decoder 的，图上的零卷积只是把 encoder 层跳跃连接回 decoder 对应的层。
   2. 为什么这样做？SD UNet 网络里 encoder 各层保留了图片的细节信息，decoder 只有宏观信息，所以把 encoder 各层都跳跃连接回 decoder 对应的层，这样 decoder 拥有宏观和微观细节所有信息，进行一步步生图。那 ControlNet 这里做的，就是为 decoder 增加信息，不止是原降噪图的细节信息，还加上引导图信息，指引降噪生成方向。
2. 为什么用 1×1 卷积作为连接，而不是做一个简单的叠加？
   1. 如果叠加，会破坏原生图能力。这个 1×1 的卷积，最开始训练前初始化值为0，encoder 里的参数经过这个零卷积相乘，最终输出是0，叠加作用在 SD 网络里的值也是0，也就是训练一开始这个网络对 SD 生图完全没有影响，保留完整的生图能力。随着训练进行，这里的 1×1 不再是零卷积，会逐渐变成一个个权重值，那参数经过这个卷积叠加到 SD 网络，影响就不再是0，可以指引降噪方向。我理解为整个训练过程中生图能力都没被破坏，引导图 ControlNet 对网络带来的影响是一点一点叠加上去的。
   2. 另一点，自己猜的，与 1×1 卷积 相乘的主要作用是降维，引导图信息有限，低通道低维度的数据已经能比较好地表示，不需要跟降噪生图那么大的数据量，对原网络的影响也小些？
3. 其他几个小点：
   1. 它这里原样地复制了 SD UNet 网络一半的参数，并没有像 LoRA 那样对数据进行压缩，也可以理解为因为这样所以对网络的控制可以更细致。所以它的模型大小是比LoRA大很多，但比原 SD 模型小的。
   2. 一开始输入的 Condition 是像边缘图这样的图片，图上没画出来的是这个图片还会经过一个四层卷积层，把这张图片转化为隐空间的表示。
   3. SD 的输入，包括噪声图、文字 prompt 和 timestep 步数，都会进入到 ControlNet 网络参与训练，因为 ControlNet 是从 UNet 原网络复制出来的，有完整的处理这些输入的能力。

训练过程

沿着上面这张图再复述一下训练过程：

1. 准备好训练数据：原图 – canny引导图 – 文本描述(可选)
2. 前向传播：
   1. ControlNet：在 SD 每一步降噪过程中，噪声图与引导图 c 叠加，与文本prompt、步数 一起进入 ControlNet 网络，这里的输入跟 SD 原网络是一样的，每层的输出也一样，每一层推理出的噪声图数据表示，都通过 1×1 卷积连接回到 SD 网络。
   2. Stable Diffusion：噪声图、文本 prompt、步数，一起输入网络推理出下一步噪声图，跟原 SD 训练和推理流程一致，只是这里的 decoder 网络已经叠加了 ControlNet 的网络。
   3. SD 这里的文本输入也可以为空，训练网络只拟合边缘图信息，实际上 ControlNet 作者训练的那几个模型，训练过程中有一半数据集是无文本输入。
3. 损失函数计算：我们知道每一步期望这个网络输出的图是什么（参考SD扩散训练过程），评估预测和输出的差异。
4. 反向传播：把差异（损失函数梯度）回传网络，更新网络参数值。SD 网络是锁住的，不回传，参数不变。只在 ControlNet 网络做回传和参数值更新，这里的更新包括每个 encoder 块的参数值，以及1×1卷积的权重值。

训练完后，ControlNet 部分就变成了一个“认得” canny 边缘图片条件的网络，给这个网络输入其他的 Canny 图，经过 ControlNet 作用叠加在 SD 模型上，引导 SD 降噪方向。

论文上还提到一个现象：突然收敛，模型没有逐渐学习识别输入的边缘图片条件，而是在训练到6000多步的时候，突然认得边缘图开始遵循这个输入条件生图。为什么是会突然收敛，也没说为什么，特定架构下的现象，有些玄学。

这是非常通用的架构，只要是跟原图关联的引导图，像上面示例的 sketch、depth、pose 等都可以用同样的方法训练出对应的 ControllNet 模型。

若要自己训练一个 ControlNet 模型，作者有篇详细的教程和探讨：《Train a ControlNet to Control SD》

消融实验

消融实验（Ablation Study）是机器学习领域常用概念，指通过修改或移除模块，来测量这些模块/结构设计对结果的影响，也就是 ABTest。

作者这篇文章分享了做的两个消融实验：《Why ControlNets use deep encoder》。尝试了 ControlNet-Lite 和 ControlNet-MLP 这两个更简单的网络对比效果。这俩不是从原 UNet 网络复制出来，而是自定一个网络，再把这网络作用回原 UNet 网络，ControlNet-Lite是简单的卷积网络，ControlNet-MLP是用像素级多层感知机（Multilayer Perceptron）构造这个网络。

文中可以看出，在 prompt 充足的情况下，这俩简单的架构都能得到很好效果，甚至更简单的架构也能起作用，要指引图片按轮廓生成，并没有很难，难点在与生图模型的结合。在 prompt 不清晰、或没有 prompt 的情况下，这俩架构表现就差多了，生成的图无意义。

之前也有不少其他人的尝试各种方法，比如这篇论文《Sketch-Guided Text-to-Image Diffusion Models》，不足的地方也是与 SD 图生成的语义没法很好结合，只认识边不能让物体与边很好结合。作者认为 ControlNet 现在的架构能做到跟原网络很好结合，两个关键点：

1. 用零卷积连接，确保了训练刚开始时对原网络无影响。上面也有说到，沿用 SD 原网络对物体的理解能力，再逐步调节，每一步训练都完整应用 SD 原本的高质量生图能力。否则按随机初始化叠加，一开始几个训练步骤下来，整个网络识别物体的能力很快被破坏。
2. ControlNet 的网络也需要接收 Prompt 作为输入，这样 ControlNet 编码器才能认识 Prompt 对象，不会与用户输入脱节，比如训练过程中 ControlNet 网络认识了房子的轮廓，如果没有 Prompt 参与训练，就算用户输入蛋糕，网络也会引导向生成房子，而不是蛋糕模样的房子。

ControlNet 先学到这里，我们继续来优化黏土风 workflow。

人脸保持

我们拿目前加了 ControlNet 的 workflow 试试人物的效果：

效果还行，但人脸跟原图有些对不上，如果我们想让人脸更接近原图，做一个人物美化的黏土风，有没有什么办法？

可以试试给 workflow 加上 IPAdapter 节点，IPAdapter 有强大的风格迁移、人脸保持的能力，先看看效果：

用的是针对人脸训练的 ipadapter-face 模型，人脸美化多了，相比之前相似度高一些，算是人脸美化风格的黏土风，但也不怎么像。

提高 IPAdapter 的权重，能得到越来越像的脸，但跟黏土风融合得不是很好，权重越大黏土风格的感觉越弱：

IPAdapter 还有一个专门为人脸保持做的版本 IPAdapter-FaceID，与黏土风格的融合效果好一些，但人脸特征保持程度也一般：

在进一步优化前，先来认识一下IPAdapter。

IPAdapter 介绍

IPAdapter 是垫图神器，提供风格迁移能力，输入一张参考图，模型会按这张参考图的风格去生成图片。IPAdapter 目前有两类模型：

1. IPAdapter
   1. 提供整图风格迁移能力，与直接图生图有本质区别，原理上图生图是在原图加噪点基础上做演化生成，IPAdapter 是让模型认识图片风格要素，生成跟原图宏观风格一致的图片。
   2. 结合 ControlNet 等插件，在一些场景下能得到很惊艳的效果：
   3. IPAdapter 针对 SD1.5 和 SDXL 训了好几个模型，也针对人脸迁移做了优化， **ip-adapter-plus-face** 就是其中之一，使用裁剪的人脸图像作为训练集，对人脸的迁移效果好一些。上面第一步用的就是这个模型。
2. IPAdapter-FaceID
   1. 在 IPAdapter 的架构下，使用人脸特征代替用 CLIP 编码的图片特征，模型对人脸识别能力更强。这个版本实验中，不允许商用。
   2. 跟着上面 IPAdapter-FaceID 的 workflow 说明一下各模块：
      1. 用 InsightFace 提取人脸特征
      2. 人脸特征不像图像特征那么容易学习，因此这个模型配套训练了一个 LoRA 提高学习效果。
      3. 仅使用人脸特征，模型生成结果不稳定，受 Prompt 的影响很大，因此 IPAdapter-FaceID-Plus 版本尝试将人脸特征和 CLIP 编码的图像特征结合起来，所以这里还是需要一个 CLIP 模块。

IPAdapter 原理

IPAdapter 由两部分组成：提取图像特征的编码器，以及把图像特征接入网络而新增的解耦交叉注意力模块。

1. 图片编码器：对参考图编码，提取图像特征
   1. IPAdapter 对参考图的编码，使用了 CLIP 模型，但不是 SD 内置的 CLIP，CLIP 是一个模型家族，作者应该是挑了对图像特征识别编码效果更好的 CLIP 模型。
   2. 后续新出的 IPAdapter-FaceID，是使用了 人脸特征 FaceID 代替图像特征，具体来说是用 InsightFace 库提取人脸特征向量进入网络，更好保留参考图里的人脸身份特征。
   3. 编码后的图像，这里加一个可训练小型投影网络，通过 Linear layer 和 Layer Normalization 投影到长度4的特征序列中，进入网络。
2. 解耦交叉注意力（decoupled cross-attention）：
   1. 回顾 SD UNet 网络的构成，整个网络有16个 Transformer 模块，每个 Transformer 模块里有一个自注意力层和一个交叉注意力层。
   2. 将编码后的图像特征加入到 SD UNet 网络，常规做法是图片特征与文字特征相加，再一起进入 Transformer 模块里训练。但 IPAdapter 用了另一种方式，它向这些 Transformer 模块另外增加一个交叉注意力层，用以处理图像特征，然后把文字和图像两个交叉注意力层相加，称为解耦交叉注意力。
   3. 为什么这样做？不跟文本 prompt 混合，这样图片的特征可以在网络中完整保存下来，跟文字一样具有独立引导能力。
   4. 如果不用解耦交叉注意力机制会怎样？作者做了消融实验，用一般的方法 — 图片特征与文本特征直接连接，一起嵌入到 UNet 的交叉注意力层中，结果如下图的 Simple adapter 所示，能根据图像风格生图，但质量低很多。

ComfyUI 上 IPAdapter 的两个节点，一个是 CLIP 图片编码器，一个是包含架构图里红色区域可训练参数的 IPAdapter 模型。

训练时跟 ControlNet / LoRA 等一样，也是冻结原 SD 网络，只训练新加的 IPAdapter Transformer 网络，大概2200万个参数，IPAdapter SD 1.5 的模型大小基本 44M，对应着 22M 个参数。但 IPAdapter SDXL 的模型大了20倍，原因不明（原 XL 参数量只比 1.5 大 7 倍）。

InstantID

IPAdapter 在很多场景生图场景下做风格迁移和人脸保持都是神器，但在我们黏土风 workflow 下表现一般，我们试试另一个专门针对人脸迁移的技术：InstantID。

人脸特征的保持以及黏土风格融合的效果比 IPAdapter 好很多。试过其他图，人脸轮廓特征也很明显能更好保留下来：

InstantID 原理

InstantID的 原理很简单，可以近似理解为 InstantID = IPAdapter-FaceID + 人脸ControlNet。

看这两张图，ComfyUI 里使用 InstantID 的几个模块，跟架构图对应，由三部分组成：

1. 用 InsightFace 库提取人脸特征，用一个 projection layer 投影映射成跟文本的特征空间一致的向量表示。
2. 添加解耦交叉注意力层，与 IPAdapter 一致。
3. 加一个面部识别的 ControlNet，但有些小改动：
   1. 只使用五个面部关键点（两个用于眼睛，一个用于鼻子，两个用于嘴巴）作为条件输入，而不是细粒度的 OpenPose 面部关键点。防止强调多余的面部特性，比如嘴巴闭合这种是可以由prompt控制，而不需要保持的。
   2. 原 ControlNet 文本 Prompt 是加入网络训练的，这里没有加入，只用人脸信息作为ControlNet 中交叉注意力层的条件，主要是希望这个网络只控制人脸，不受文本对人脸描述的影响。

前两步基本就是 IPAdapter-FaceID，第三步就是一个特制的 ControlNet。

从前面效果看起来，第三步这个人脸特征 ControlNet 对人脸特征保持作用很大，用已有的技术方法做组合微调，已经能很好解决一些问题。

最后

我们使用 ControlNet、IPAdapter、InstantID 对黏土风格 workflow 做优化，希望能达到跟原图一致性较高、人脸迁移较好的效果，其中 InstantID 组合了前面两个技术，有很强的人脸迁移能力，但这也带来副作用。在原网络上叠加各种修改，对原生图模型都会造成不同程度的破坏，比如加了 InstantID 后，原文字 Prompt 和 Canny ControlNet 的控制就没那么精准了，上面几个例子可以看出，原来的 ControlNet Canny 边缘图已经很难起作用了，这很好理解，在原网络上叠加的处理，各部分是相对独立的，很难有非常好的融合，InstantID 把方向强力往人脸保持上引，其他输入条件就会被弱化。

这种 Adapter 类，需要在效果和原模型侵入程度间保持平衡，不同场景选择不同的方案，在某些场景要更好的效果，还是得自行微调模型，目前还没看到很完美的方案。

到这里已经可以有一个还算可以、对人脸风格化友好的黏土风格图生成 workflow 了。目前黏土风 workflow 要再进一步优化到生产环境，就是继续调整 Prompt、调整各组件参数，或者训练专有的 LoRA 模型了。

目前对应 workflow 见下图，可在 ComfyUI 上导入：

参考资料

ControlNet 论文：https://arxiv.org/abs/2302.05543

ControlNet如何为扩散模型添加额外模态的引导信息：https://zhuanlan.zhihu.com/p/605761756

精确控制 AI 图像生成的破冰方案，ControlNet 和 T2I-Adapter：https://zhuanlan.zhihu.com/p/608609941

浅谈扩散模型的有分类器引导和无分类器引导：https://zhuanlan.zhihu.com/p/582880086

使用 diffusers 训练你自己的 ControlNet：https://huggingface.co/blog/zh/train-your-controlnet

深入浅出完整解析ControlNet核心基础知识：https://zhuanlan.zhihu.com/p/660924126

快速理解AIGC图像控制利器ControlNet和Lora的架构原理：https://blog.csdn.net/colorant/article/details/136732221

InstantID技术小结：http://www.myhz0606.com/article/instantID

IP-Adapter 原理和实践：https://zhuanlan.zhihu.com/p/683504661

IPAdapter使用：https://www.runcomfy.com/zh-CN/tutorials/comfyui-ipadapter-plus-deep-dive-tutorial

新一代“垫图”神器，IP-Adapter的完整应用解读：https://developer.jdcloud.com/article/3483

如何在 ComfyUI 中使用 IPAdapter Plus 进行风格迁移：https://www.comflowy.com/zh-CN/blog/IPAdapter-Plus

IP‐Adapter‐Face：https://github.com/tencent-ailab/IP-Adapter/wiki/IP‐Adapter‐Face

在前面的学习中，我们把 SD UNet 网络当成黑盒，不太影响对图片生成大致原理的理解，但在继续学 SD 的过程中，发现 ControlNet、T2I-Adapter、IPAdapter 等这些技术，都是在原 SD 网络模型上以各种方式对网络做修改叠加，要理解这些技术，还是得先了解下 SD UNet 网络结构的一些细节，不然看得很费劲。

SD 模型构成

从之前的学习我们知道，Stable Diffusion 模型里包含了三个组件：CLIP、VAE、UNet，这三个组件的参数和大小分布(来源)：

整个生图的核心网络就是 UNet。UNet 最初是用于医学图像分割任务而提出来的，但它的特性展现了在图像其他领域的应用潜力，后续经过扩散模型的改进，很好应用在了图像生成上，所以 Stable Diffusion 的 UNet 实际上在原 UNet 网络架构上做了一些改造。

基础 UNet 网络

我们先来看看原 UNet 网络架构：

1. 左边输入图片，经过整个网络处理，右边输出同尺寸图片。（原 UNet 网络用于医学图像识别分割，所以图上右边标的输出是一张同尺寸分割图。SD 这里的输出是降噪图）
2. 左边下采样（也可以称为编码器），右边上采样（也可以称为解码器），一张图片经过一层层下采样计算，尺寸逐渐减小（图中的网络是减小到32×32），再经过右边层层上采样，恢复到原尺寸。那这里下采样和上采样的作用是什么？
3. 下采样，是使用某种计算方式让更小的数据表示整张图片，这更小的数据代表了对这张图片高纬度的描述，而不是像素级细致的描述。
   1. 越小的数据对图片的表示和描述越宏观，有利于捕捉图片的语义特征。
   2. 例如一张猫在屋子前玩耍的地图，原图能看清所有细节，但因为细节太多，模型想要知道图里有猫和屋子，得把每个像素组合运算才行，但下采样到最小，最宏观的猫和屋子就容易识别。
4. 上采样，是让图片的宏观小尺寸表示恢复成原图片尺寸。
   1. 比如对于图片分割（把图片上的物体分割出来），我们在下采样后的小数据量的高维表示里识别了图片的主体、边缘，最后还是要转回在原尺寸图片上表示，不然识别了也没用。
   2. 那不断下采样过程中肯定把图片细节都丢失了，再上采样，怎么可能还原图片细节？那就要说到跳跃连接（skip connection）了。
5. 跳跃连接，也就是并不是顺着网络的方向连接，而是跳过原网络方向，跳着连接传输信息。说得有点拗口，看图很容易理解，就是图上中间的几条灰色箭头。
   1. 原网络连接方向是图片输入→下采样各节点→上采样各节点→输出图片这个链路，就是图中U字型的路径。
   2. 在这个路径之外，左边的下采样的每一层，都额外连接到右边上采样对应的层上面，将两个网络进行拼接。
   3. 上采样每一层，都在拼接了左边下采样对应层的数据后，再一起作为下一层上采样的输入。
   4. 为什么这样做，很容易理解，左边的每一层网络都保留了图片不同程度的细节，右边的每一层因为是上采样过来的，只有宏观信息，没有图片细节，那把左边图片细节信息拼接过去，右边这个网络宏观特征和微观细节都具备了，每一层都有不同程度的对图片的宏观语义理解和微观细节，就能做各种事情了，包括图片分割、语义生成图片。

UNet 网络大致思路是这样，这里面具体的卷积运算和公式，不看应该不影响对整体思路和作用的理解。

Stable Diffusion UNet 结构

最初的 DDPM（去噪扩散概率模型），和后来改良的 LDM（潜在扩散模型），对 UNet 网络逐步做了一些改造，以适合扩散模型图生成的过程，SD 是基于 LDM 实现的。

最后 SD 里的 UNet，整体结构流程跟上述一致，改造大部分是在上采样和下采样的每一层的实现里，最大的改造是引入了 ResnetBlock（残差模块）和 Transformer 模块。ResnetBlock 提升网络表达能力（原 UNet 是简单卷积模块），而 Transformer 模块的交叉注意力机制，将文本提示（prompt）的嵌入与图像特征进行融合，实现基于文本条件的图像生成。

SD UNet 每个模块的组成如图（图片来源）：

左边下采样每层由2个残差模块和2个Transformer模块连接组成，右边上采样是各3个，中间层是2个残差模块和1个Transformer模块。（高维的d4和u1没有接入Transformer模块，原因不明，可能是试过加入后效果不佳，在高维这里加入 Prompt 交叉注意机制，文字权重太大？）

细分模块结构

里面每一块具体的结构这篇文章画得很详细，摘录学习一下。我们拿其中一个下采样模块看看：

两个残差模块，两个Transformer模块。这图表示了 SD 生图的三个输入：input（噪声图）、prompt_embdding（文字 Prompt）、time_embdding（步数）在这几个模块的流转和处理。这里每一个小模块处理完后，输出的可以近似认为都是一个预测的噪声图的数据表示。

残差模块的输入输出 噪声图+步数 → 预测噪声图，Transformer 模块的输入输出是 噪声图+ Prompt → 预测噪声图。

再细看一下 Transformer 模块，Transformer 模块由下图所示好几个部分组成，最主要的是 自注意力模块（SelfAttention）和交叉注意力模块（CrossAttention）：

展开看看这两个模块：

自注意力模块，Transformer 结构里的 QKV 输入都是图片特征（上一层的处理结果，就是降噪图的特征），这样做可以让模型获得包含整个输入图像的感受野，捕捉图片特征中不同位置之间的关系， 全局感受力是 Transformer 架构的特点。

交叉注意力模块，它的作用是融合不同模态的输入，在这里就是融合噪声图和文本特征，Q的输入是图片特征，KV的输入是文字 prompt_embedding，让图片特征可以关注到文字输入，根据注意力权重调整图片的生成方向。文字 prompt 在整个Transformer模块中只作用在交叉注意力这部分里。

Transformer 的机制原理、QKV的含义，是另一个比较大的话题，可以先看看网上其他相关讲解，比如这篇，后续再细拆深入。

关键几个模块的组成了解了，再回到整个UNet的构成：

现在通过这些结构图，可以大致看到 UNet 网络里的整体处理流程，以及关键模块的作用，经过这些模块的逐个叠加，组合成一个个采样模块，再组合成 UNet 网络架构，完成整个生图运算。

这里面还有很多需要深入学习的点，当前先了解到这个维度，已经可以帮助大致理解后续 ControlNet 等网络的机制原理。

参考资料

UNet 论文：https://arxiv.org/abs/1505.04597

原版实现及 Diffusers 实现源码解读：https://zhouyifan.net/2024/01/23/20230713-SD3/ （周弈帆的博客，看简介挺有意思的一人）

U-Net简明教程：http://www.bimant.com/blog/unet-crash-tutorial/

Stable Diffusion1.5网络结构-超详细原创：https://blog.csdn.net/xd_wjc/article/details/134441396

Stable-Diffusion模型结构详解：https://zhuanlan.zhihu.com/p/638867353

Unet网络详解：https://blog.csdn.net/qq_58529413/article/details/125704059

Stable Diffusion XL网络结构：https://blog.csdn.net/xd_wjc/article/details/134530784

从零开始学扩散模型：https://huggingface.co/datasets/HuggingFace-CN-community/Diffusion-book-cn

最后一刻才动笔，本想不写了，但已经是连续第17年年终博客了，不管好赖，还是不要断了，随便写写。

旅游

疫情开放了，本来想去更多的地方，但真是很难，只在下半年去了香港和马来西亚，一家人出去还是比较紧张的。

关于香港，上一次去是十年前了，今年再去看不到什么变化，很明显能感受到的是香港的科技互联网跟十年前也差不多，很差，比如八达通充值后扣了钱但没到账，一搜一堆人这半年反馈很多，这在国内互联网是P0级别按小时修复的问题，香港好像没打算修，其他还有很多槽点，比如买地铁票被吞/出票错误，因为垄断了这些事不重要吧。但它还是国际化大都市，各国各色的人，多样化国际化的感觉很好。

马来西亚去了吉隆坡和兰卡威，感受了下伊斯兰教清真寺，挺友好的，特别是布城的粉红清真寺，接待人热情，很多宣传资料以非常直白的方式介绍伊斯兰教，探讨生命的意义，探讨的过程挺好，很科学很思辨，但结论是人类的意义就是相信并崇拜安拉，这让人难以接受。在兰卡威首次驾驶右舵汽车，稍微熟悉一下没啥问题，也是个新体验，整个兰卡威感觉还行，不是旅游旺季人很少，是挺舒服的，听说东马仙本那更好点，下次有机会再去。

6月再出差去了次美国，对洛杉矶市中心的印象就是脏乱差，尿骚味，流浪汉。入住的第一天同事的东西在酒店里还全被偷了，还好有苹果的find功能，否则整个街道都没有摄像头，完全不可能找回。旧金山也是脏乱差的代表，坑人、垃圾乱飘、砸车风险高、拥挤，但其他地方似乎又很好，像阿纳海姆就很漂亮，美国太大了，差异很大，有机会都体验下。住了airbnb美国的大house，住的几个小区应该不差，但整个感觉很僻静，很冷清，不怎样。

家庭

今年身体是近十年最差的，有一半的时间在咳嗽，上半年已经连续咳了两个月，6月底中招后又一直持续咳了半年，断断续续咽炎鼻窦炎轮流来，搞得很严重，病总是一直不好，很影响心情。3月中开始健身一直到6月，本来希望坚持锻炼下身体能好点的，结果好像身体免疫力越来越差，平时不运动，马上去健身似乎也不是好事，6月开始咳后也没法继续了，咳的时候不敢运动，等好了还是得再看看别的锻炼方式。

对两个小孩的教育还是很佛系，有点放养，也导致一些问题，难以教育，两个娃在探索上的缺乏，拒绝尝试新东西，看电视也喜欢看已看过的，一遍又一遍，十分念旧，怎么引导他们的好奇心和探索欲，没找到方法。另一个是锻炼缺乏，身体素质不太好，也是我的问题，来年要跟家人一起加油。

年末经历了亲人过世，面对死亡很沉重，怎样能尽可能安心地面对后续可能的离别？好好对待在的人，也好好对待自己，不要时间到了后悔。

学习

在各种行业的萎靡下，AI 的发展几乎是唯一能触动大家神经的，发展速度太快，主要是研究方向明确了，全世界那么多聪明人/先进的组织/最多的资本支持，都沿着这条路跑，自然很快，但跑了一年后，大家期望的大模型跟各行各业结合的应用还没跑出来比较好的，还需要继续探索，总体上，它的未来是显而易见让人兴奋的，今年没有多少时间投入学习，明年得规划好投入，希望有进展。

今年读的书很少，但上下班听讲述和小课程比较多，印象比较深的是华衫讲儒学，听完对很多概念都理解了，格物致知/必有事焉而勿正/中庸/近悦远来/诚意正心，非常强的正气，当然道理都懂但难的就是做到，做到的真是圣人。我至今没找到修身养性的方法，通过多看这些书明白这些概念，远远不行，看的另一本书《悉达多》，明确讲到这个问题，没有任何宗派教义可以教人领悟涅槃，都要靠自己体验，自己领悟。

其他

股票继续跌，我一直放着一直存着希望，这么低的价格，真的不涨回来吗，结果真的不涨，还继续跌，核心是什么都知道，信心很重要，但信心不断被殴打。房子方面年初还有回涨趋势，当时甚至想搞满杠杆进入，还好最后没有，越来越往下走刹不住车，等经济好了，信心有了，房子才有可能回来吧，现在保命就行了，还了房贷，安心活着。

今年35岁了，国内特有的年龄槛，虽然有时候是调侃，但焦虑切实存在，来年加油吧。

疫情

2022是疫情防控拉胯的一年，各种大规模封控带来的不合逻辑的事情频繁出现，到11月顶峰，太多魔幻的事情，真是挺怕要倒退50年，一个不符合逻辑的社会，还好后面止住了。那段时间在家办公关了一个多月，真是给闷坏了，12月放开后，某天开车出去转转，看到街边恢复生气的样子有点感动，自由而归于正常的感觉。

紧接而来的就是大规模的快速感染，速度确实是快到出乎意料，而zf在这块确实继续在拉胯，核酸全撤，抗原不准以及难抢，导致想尽早自我隔离避免感染家人是很难做到的，撤了所有防控措施，药也储备不足，拉胯，全得靠自己。放开后去深圳出了趟差，一不注意，回来就导致全家中招了。

两三天的反复发烧，最高到40度，头痛欲裂，睡不着非常痛苦，脑子乱七八糟转，感觉在非常高速地运转，各种碎片漂移凑不成一块但又停不下来，夹杂着痛苦，在万花筒的世界中。全身酸软、刺痛、咳嗽加剧、肠胃不舒服、鼻塞，症状确实是很猛，还好布洛芬能帮助扛一下。家人有各不一样的症状，总的来说还好，算平安度过，希望以后不要再得了。

不知道世界接下来能不能恢复正常，传播力这么强的病毒，变种又那么多，持续下去受不了。回看以前出去玩的照片，人堆中没有戴口罩，有种恍如隔世，希望世界能恢复。

股票

还以为去年股市已经是惨案了，没想到今年更拉胯，持续下跌，最低只跌剩最高点的20%，我买的都是中概股，跌的也都是中概，也是跟疫情的操作有关，对中国的信心快被疫情期间的各种操作消磨殆尽了，从奋斗变成躺平，爱怎样怎样，放弃幻想，做好打工人，不想玩了。

教育

俩小孩大娃上学了，小娃上幼儿园，小学还好，没有传说中那么卷，作业不多，我们也是很佛系，前面还有每天晚上陪着做作业看英语绘本，后面也少了。虽然不卷，但像英语没有提前学就容易跟不上，跟不上就容易产生厌学情绪。大娃在学习上算是很乖了，目前还没有血压高涨的经历。小娃幼儿园基本就上了一个多月，后面就因为自己感冒、疫情一直没去，社交能力基本为0，希望下学期能正常。

回看小孩的成长，今年2月希希才掉第一颗牙，转眼间牙掉了七八颗，大牙都长出来了，挺快的。希希年初也还不会玩游戏，下半年跟她一起通关了双人成行，现在也玩得很溜了。

旅游

很想旅游的一年，5月去了下潮州汕头转转，7月去了呼伦贝尔，带着大娃三个人，幸运地没被疫情封控影响，完整地游玩了草原，大片大片的草原，金黄色的油菜花田比草原更美，村庄里看漫天繁星，高空秋千和滑草，麋鹿卡丁车骑马，玩得还算不错，不过就景色来说，还是去年的新疆最美。

8月跟公司团队去成都开会，再去了下川西海螺沟一片，不过时间太短过于仓促，没玩什么，仅到此一游，走非常险的山路到若丁山，很适合野营的一个地方，大片草地配合漂亮的山景，下午在那里度过很舒适惬意，要是晚上能住下看星星就更好了。

期望明年可以出国游，可憋太久了，疫情以后不断把自己缩小在两点一线，封控期间还只剩一个点，整个人感觉非常闭塞，长久下去对身心健康不利，希望能更多出游，对在全国全世界留下脚印这事很感兴趣。

玩乐

当前几乎唯一持久的兴趣就是看看NBA，22赛季一整个赛季勇士库里看下来，最后竟然真的夺冠了，有点梦幻，G4感受到库里强悍的意志力，体育不是体能技巧的比拼，精神力量在当中占的比重很高，才会这么有魅力。同时这一年也见识了威少、杜兰特从各种嘲讽中不受影响一步步走出来的坚韧，球星确实身心都很强大，看别人做到自己做不到的事，敬佩。

科技和互联网变得有些无趣，以前喜欢体验感受各种手机，现在千篇一律，已经玩不出花了，iPhone也没什么惊喜，反而摄像头越来越傻大黑粗，VR彻底凉凉的感觉，互联网产品没什么让人惊艳的新品，也就chatGPT稍微亮眼。倒是今年玩了个让人惊叹的游戏–双人成行，每次玩都在感叹它的创意创造力，不愧是年度最佳游戏，强烈推荐亲子或情侣玩。

及时行乐，成了新的标语，之前工作的比重占太大了，现在各方面都无趣的情况下，不如多让自己玩得开心，旅游、游戏、体育娱乐等，看到同事们也在开拓自己的兴趣找乐子，多玩玩多体验生活，别到老了后悔。

最后

2022年元旦全家感冒咳了两个月，年末全家中新冠又是一波，希望来年都能健康，多体验美好生活。

一年没写博客，生疏了，到了年终这篇不知道该写啥，博客这个词现在也变得非常有年代感，差不多要彻底消失了。没写的最主要原因是懒了，另外好像也变得不那么愿意发表观点了。

总的来说今年还是一个对自己不太满意的一年，对自己的期望没达到，一整年时间，做成了什么事情？达成了什么成就？认知有什么提升？回想起来并没有多少值得一提的，只能写写一些生活小事。

经历了一次特别的体验，住在6月份广州疫情最中心地区，被完全封闭在家27天，不能下楼不能收快递，物资紧缺，吃肉成奢侈，体验了一下物资相对匮乏的生活，感受上还好，在哪不是一样拿着电脑手机联网工作，差别不是很大。

还有一次体验，跟一个人聊技术聊了一个多小时，感觉进入了心流的状态，很怀念心流的感觉，岗位不同以后，进入这种状态就变得很困难。当时聊完挺兴奋，工作10年，回想起这个互联网大航海时代，有很多参与其中的回忆，只不过是纯技术的。往后10年，希望能再做些事，为自己留下更多好的回忆。

今年各种政策轰炸，行业一个个毁灭和暴跌，去年那个外滩事情真是中国互联网的拐点。上半年在各种纠结，真是很难，下半年感觉开始佛了，爱怎样就怎样。有时会想，向前看这么简单的道理为什么实践起来难呢，进化论的角度看，是绝对理性倾向向前看的人在原始社会活不下来吗，没想明白。

今年也成了资深韭菜，以前每次股灾一般中概股不会太怎样，今年倒是纯中概股股灾，完全踩在雷区里，美股的资产变成负数，确实自己不是这块料也没有太大兴趣投入，也是直接躺平了。

挤着时间还是转悠了几个地方，带家人去北京，跟朋友去了阳江，两人去了新疆，喀纳斯的美景值得多去看看，是个好地方，青色湖水山色配得上仙境的称呼，可惜在禾木刚好阴天没看到星星银河，这个愿望继续往后推了。

今年大娃小娃健康成长，小娃到2岁还不说话，最近一个月才开始开窍咿咿呀呀各种学说话，是最可爱的时候了。大娃继续经常撒娇可爱，但很多时候不讲理，被气得够呛，以前看的育儿方法在情绪面前都忘光了，情绪控制也是今年对自己很失望的一点，不仅没长进还退步了。

2022年，希望明年回顾时对自己的表现能满意一些。

2020是很特殊的年份，世界发生很多大事，感觉过得很快，又感觉过得很慢，每年都会发生很多不好的事和好的事，看自己更在意和看重哪部分。

工作

今年上半年工作上拿到不错的成绩，年中去晋升答辩，也是一段难忘的经历，前一晚通宵改PPT，大雨的日子，六七点回家还被车栏撞到流血，睡了半个钟匆忙跑去答辩，喝了几瓶红牛咖啡头脑都不是很清醒，顺利讲完回答完问题，然而并没有通过，确实很难。

年末从蚂蚁转岗到lazada，结束三年半蚂蚁的历程，也结束了一年多以来北上广深杭多地跑的处境，今年飞机坐了36次，因为疫情算起来只比去年多几次，但总感觉多了很多，好几次延误凌晨两三点才到家，也经常早上五点出发赶飞机，有点累，对比下现在广深跑简直跟同城没什么区别。刚到新环境，目前状态不错，尽力做好事情，务实解决问题，不着急，就是英语口语这个问题没解决。

蚂蚁上市这历史的一粒尘落头上，作为其中一小员无力影响事情本身，能做是调整心态，做好自己的事，以及相信公司本身的价值。舆论上势头往哪处走，内容就会投其所好地往哪处生产，追涨杀跌是群众普遍行为规律，谁都能上来说两句，看起来讲得头头是道，实际上基本事实都不顾，跟那些养生排毒文章一个性质。巧合的是，2010年11月3日腾讯发表3Q大战“艰难的决定”声明，2020年11月3日，蚂蚁暂缓上市，十年过去。

物质

用心感受一些美好的物质，对提升幸福感很有帮助。

特别喜欢今年的 iPhone 12 pro 的工业设计，用了半个多月每次用还是很有愉悦感，上次有这种感觉的手机是9年前的 iPhone 4s，可能我更偏向喜欢这种规规整整很有秩序感的设计，美轮美奂，爱不释手，全平的屏幕，玻璃跟金属直接衔接感觉很完美，如果摄像头处是平的就更完美了。今年iPhone 买的就是外形工业设计和拍照的提升，5g/A14什么的基本无感，iPhone已经性能过剩，软件没有把提升的性能吃完，就算是三年前的iPhone X用起来速度也是没什么问题。智能手机诞生13年，还没有看到下一代突破的曙光。

今年换了辆车，起初到处试驾一些bba传统车型，感觉跟我的雷凌没什么区别，后面试特斯拉model3，真是有种震撼的感觉，我这个不懂车的理工男太容易被这种产品吸引了，极简（大部分人觉得是粗糙）的内饰，没有一大批乱七八糟的按钮，现代的车机系统，给我第一感受这跟之前试驾的车不是一个时代的东西，冲击比较大，我不知道传统车厂会不会成为诺基亚，但当时确实有类似手机功能机和iPhone 对比的感觉。只是model3这种自己开着爽坐车的人不舒服的体验，不适合我这二胎家庭的需求，所以并没有买model3，而modelX又过于高价，觉得远不值那个价钱，最后买了特别符合我这个实用主义奶爸定位的理想ONE，这车除了外形个人不喜欢，其他表现都很好，车机系统的体验感觉是所有车里最好的，比较满意。

今年开始似乎酒成了我一大爱好，开始品尝各种威士忌，买了各种酒摆柜子上，看着就舒服，有种手办的感觉，喝着也爽，经常小酌。有时不同酒的小差别我也喝不懂，就是喜欢尝，目前喝起来感觉最好的是山崎，就是太贵了。酒吧里的鸡尾酒和氛围也是挚爱，同时我一直想知道酒吧里的冰块哪里有卖，透明无暇实心的冰块可以融化得很慢，自己冻不出来，也没地方买，酒吧的酒就贵在这冰块上了。

家庭

小男孩进入精力旺盛阶段，男孩跟女孩真是天生有巨大差别，大女儿一岁多时经常乖乖坐着玩玩具，小男孩一岁多基本坐不下来，满屋不停乱跑乱爬，举止粗鲁，摔了无数次，破皮流血都好几次，真是累坏人了，茁壮成长中。

大女儿有时特别暖心，有时特别任性，教育的问题长期困扰我们，家里每个人的教育方式理念难达成一致，加上大人自身一些脾气缺陷让孩子学了，经常会闹腾搞得不愉快，不知道怎么教。年末开始听一些育儿类书籍的讲书，正面管教、亲密关系、父母的语言、不吼不叫等等，讲的教育理念其实差不多，就是无条件爱孩子、倾听、说出情绪、正面肯定、理解、保持温柔、不计较、定规则底线、不评价、言传身教、以身作则，我觉得听完是有些作用的，对小孩在努力变得更有耐心容忍度更高一些，有意识实践这些理念，只是小孩性格习惯形成后，并不是一两招一朝一夕就能轻易改变的，任重道远，知行合一不容易，努力做好父亲的角色吧。

今年小孩学钢琴，我也以极其缓慢的速度跟她一起学了，羡慕会弹琴的人，不需要达到多好的水平，只需要有时能玩玩抒发情绪减缓压力，琴棋书画诗词歌赋是抒发和感受情感的介质，少了这些能力，人生会少了一些乐趣。

今年的疫情改变世界，作为普通人被改变的并不是很多，疫情导致年初在老家一家老少十几个人一起待了一个月整，十分难得，这一个月估计我爸妈可开心了，一大家人在一起的感觉多好，几个小朋友也玩得high，离开时小孩哭得很厉害，以后估计很难有这样的机会了。疫情导致全国的感冒大降，因为全年戴口罩，今年我完全没生过病，什么感冒咽喉发炎都没了，口罩的作用很大，只是戴口罩像给人类打了个补丁，只是个临时方案，期望科技能提供更好的方案。

个人

有段时间工作上有些迷失，加上一直多地跑，家庭矛盾等问题，状态很差，那时看脱口秀李雪琴的的专访，说到以前没事桌上的笔掉地上了，都能让自己情绪一下子掉下来，虽然还没那么夸张，但竟然感觉情况特别类似。经过几轮调整后现在好很多，年末这段时间基本恢复正常了。

有时候多看看或听听一些我觉得是“科学式鸡汤”的书对调整心态挺有帮助的，像 正念、被讨厌的勇气、活好 这些书，短期内可以注入一些理念，时刻提醒关注当下，意识上淡化处理压力带来的负面情绪。幸福快乐是种能力，如果不是天生具有的话，是应该花时间学学的。

另一个缓解方式是多跟不同的人聊天，了解广阔世界不同的生活方式价值观，过去几年好像被困在一个圈子里出不来，视野越来越局限在公司内，内心也狭小起来，一些问题在狭小的圈子/体系/空间里可能是致命焦虑的大问题，但在其他多元的世界里它可能不值一提，前提是脑子里有没有这个世界。

2021 期望能持续年末的状态，找好自己的节奏和方法，做点事情赚点钱实现好自己的价值，多点感受身边美好的事物。

背景

随着各业务流量红利逐渐见顶，如何在有限的流量下，提升流量给用户带来的体验，对流量进行精细化运营，进而提升转化效率，成为各业务的重要课题。

蚂蚁数字金融线包含了 保险/理财/信用/借贷 等业务，经过多年建设，形成了多样的金融资产/场景服务/权益/内容等多维度的产品去服务用户，而这些产品分发给用户时，决定曝转率的大体上以产品推荐是否精准，以及产品以什么样的UI表述方式进行展示决定。在产品推荐上，算法已经逐步覆盖，给业务带来很大的效果提升，在产品推荐算法优化到一定程度后，提升的投入产出比已经有限，我们开始在UI展示上探索，是否个性化智能化的展示能为业务带来提升。

探索

淘宝比较早地做了智能UI的尝试，在推荐出商品后，对于商品的UI展现方式进行千人千面个性化，商品列表有两列/三列/横排的布局方式，商品封面有 场景图/白底图/视频 等类型，商品本身有 标题/描述/评价/销量/属性/标签/活动/价格/快递/地区 等一系列字段标签，在列表上无法全部容纳，不同的人对不同的 布局密度/封面/字段标签 会有不一样的关注度，这里就有了智能化的空间，对这些属性进行自由组合千人千面推荐，取得不错的提升成果。

在数字金融线的业务，是否也可以这样做？数字金融线各业务的“货”并不是统一标准化的商品，主要由 金融资产/服务/权益/内容 构成。例如财富业务，金融资产(基金/定期等)在购买门槛高的情况下，会通过各种包装降低门槛，包括场景化包装成服务(工资理财/笔笔攒等），配合营销活动包装权益(体验金/财运金/黄金票等)，包装资讯/视频/直播等形式的内容。同时这些包装后的“货”在不同场景有不同的UI展现形式，并不是标准化的，这些“货”也没有多种字段可以直接进行自由组合搭配，如何能做个性化千人千面？

问题

我们可以针对一个个场景设计多个模板样式去匹配不同的人，这也是之前在一些业务上进行过一些尝试的，但有几个问题：

1. 无设计标准：设计什么不同的UI样式才可能有效，没有标准和指导，靠设计师个人经验。
2. 样式生产效能：UI样式需要一定量级进行分人群匹配，设计工作量大。
3. 算法匹配信息不足：算法难以识别不同UI样式间的差别，以 人<->样式ID 的方式匹配效果有限。
4. 无沉淀不通用：不同的场景割裂，设计经验/算法经验/工程链路无法复用，无法沉淀用户偏好，各场景实现成本大。

针对这些问题，我们探索了一套相对通用的个性化UI解决方案。

方案

语义标签体系

首先是根据过往数金各场景的设计经验，由设计团队主导抽象出一套UI语义标签体系，去描述一个UI样式里可能吸引用户点击的关键点。

这个标签体系分表现层和内容层两个层面：

1. 表现层去描述UI长什么样，比如它的风格是实物还是扁平的，色彩是鲜艳的还是偏透明的，字体相对大小。
2. 内容层表示这个UI展现有什么内在含义，比如它是突出权益的(红包/抽奖等)，代表从众心理的(xx人正在购买)，代表认知的(黄金图/人物图/降维描述/品牌权威描述)等等。

我们认为不同人对这里列出来的标签是会有不同偏好的，例如年轻持仓少的，可能用扁平图/从众/降维描述相对能打中，老年人可能对权益/实物图形/大按钮比较敏感。

这套标签期望能产生几个作用：

1. 指导设计往什么方向进行差异化设计。
2. 语义化描述UI，作为特征让算法更好地认识UI的外在和内在含义，多场景通用。
3. 后期可以针对线上数据进行归因分析，语义化看出不同用户的UI偏好差异。

工程算法

标签体系的思路把UI的维度拆细了，为不同人原子化设计不同的元素，我们沿着这个思路打造了相应的工程和算法方案：

1.多样式生成

我们将UI原子化打散-自由组合。一个产品可以以各种方式包装后呈现给用户，主要包括描述产品的创意物料（文案/图片/动画），再配合不同的样式和版式（字号/背景/布局排版）组成，这些元素可以进行自由组合，例如一个单图文模块，我们可以参考标签体系设计10个文案，10个图片，2个排版样式，排列组合就可以生成200个UI样式包，作为丰富的可以匹配不同用户的素材。

2.UI偏好模型

我们将组合生成的UI样式包结合UI标签与用户属性进行匹配关联，以CTR为目标训练模型。训练中取三种数据：

1. 用户属性，包括年龄性别等基础属性，以及像持仓情况、投资次数这样的业务属性
2. 每个UI样式包所打的UI标签数据
3. 每个UI样式包在线上随机投放的曝光点击数据

经过特征工程处理，组成训练集去训练出DNN模型，在线上部署使用，输入是 用户属性 + (UI样式包对应的)UI标签 列表，输出是每个UI包的点击概率排序。

3.工程链路打通

从样式配置，到数据组装，到召回排序，到最后前端渲染，对接各个平台串联整个链路，在各场景实现千人千面UI推荐能力。

落地效果

当前个性化UI在数金多个场景落地，不同场景有不同的提升效果，按流量平均下来CTR（曝光点击率)提升20%左右，同时接入的场景CVR(曝光转化率)也同步提升。

其中流量最大的是支付宝首页财富生活模块，组合了几百种样式进行匹配推荐，CTR的提升在首页大流量的加持下为业务带来很大价值。

CTR提升最大的是理财Tab蓄水版直通车里的黄金和黄金票卡片，一千多 种样式，CTR 和CVR可以提升50%左右。在这个版本里卡片在屏幕占比较大，不同元素的展示对用户点击的影响是非常大的，这也是最适合接入个性化UI的场景。

分析

有效性分析

为什么这套方案会有效提升CTR，尝试回答几个常见问题：

1.疲劳度

是不是用户对一成不变的样式有疲劳度，只要有新的样式点击率就会提高？我们在每个场景里上线个性化UI，会分几个桶进行AB效果对比，其中随机桶是对组合生成的几百个样式进行随机投放，比如这是财富生活的实验数据：

可以看到随机投放组合出来的样式效果并不好，并没有因为样式多了就能提升，反而因为组合出来的某些质量相对差的样式影响CTR下降，这在多个场景里都有类似的的情况，可以看到CTR的提升并不是疲劳度新鲜UI带来的。

2.UI外的因素

是否是UI以外的因素影响CTR，例如不同的产品/权益内容？每个展位接入的AB实验里，产品和权益是固定不变的，个性化UI用不同的表述方式（图片/文案/样式/排版）展示同样的产品和权益在同一时间随机人群进行AB对比，没有其他因素干扰。

3.新样式抢眼

是否有几个很吸引眼球的UI拉高了CTR，没什么人群偏好差别？很有可能因为原来的样式不抢眼，我们组合出来的某些样式加红加粗天然吸引用户注意力，实际上我们实践中因为设计规范的约束不会做太抢注意力的设计，同时我们也分析了，不同样式在随机投放和算法投放的差别，例如下图玩转理财场景里，一些样式算法推荐的人群比这个样式随机投放它的点击率提升了几十个百分点，说明不同人对这些样式有明显偏好，算法把这些样式分配给真正偏好的人，带来了点击率提升的收益。

归因分析

我们看到了用户对不同UI表述展示方式有不同偏好，期望能沉淀出具体人群跟UI的偏好关系，给设计师和业务方在新场景设计中提供参考帮助。得益于UI语义标签体系，我们是可以沉淀出UI偏好和画像的。

我们探索尝试了多种方法去做归因分析，包括：

1. 数据统计，直接统计线上不同人群在不同样式的点击率，在图表上找出点击率的差异，沉淀偏好结论。
2. EBM可解释性模型，解释DNN模型中各特征对最终效果的贡献度，以及交叉特征观察人群特征和UI标签的关联关系。
3. 网格分析，在表格上将多个人群特征-UI标签进行组合，列出所有组合的点击率，从中找出点击率变化规律和差异，找出偏好差异。
4. 标准化偏好，CTR(UI特征,人群特征,对应产品)/CTR(人群特征,对应产品)，衡量单个UI元素在指定人群特征里对点击率的影响程度，再进行对比找出偏好差异。
5. 单样本方法，建模的方式分析人群特征和UI特征的贡献度。

初步可以沉淀出一些偏好洞察，例如：

1. 理财货架场景上，收入较低者偏好产品名称，普通/高收入者偏好产品推荐语。
2. 按钮颜色上，总体红色比蓝色更吸引，但越年轻的用户，越偏好支付宝蓝。
3. 白领/初级投资者偏好金融元素，蓝领/高级投资者偏好品牌元素。
4. 有信用卡者对走势图不敏感，无信用卡者更偏好走势图。
5. 中年(40-50岁)年龄段特别偏好紧迫心理类型的标题，尤其偏好行业风口类。
6. 理财货架中，整体上宫格样式效果远低于列表样式(宫格面积相对小)，但年长者对宫格偏好不低。

归因洞察还未形成稳定分析体系，处于探索期，最终是期望探索到一种或多种分析有效通用的方法，沉淀为平台自动分析能力，能在平台沉淀 业务维度、场景维度、人群维度 的UI偏好画像。

产品化

在方案落地出效果后，我们看到这套能力是具备一定通用性，各业务可以接入获益的，于是我们致力于将它的能力产品化，沉淀多样式生成配置、通用高效的UI偏好模型等能力，让各场景可以快速接入。主要围绕接入效率和接入效果进行优化。

效率优化

个性化UI的接入成本比较高，需要设计素材，人工打标，前端/业务后台/中台对接工程链路，训练UI偏好模型，跟进实验，手工清洗数据分析。涉及流程长，对接的角色多，投入较大。在平台级大流量展位上接入这套能力，能产出很大的业务效果，这样的投入还能接受，但要覆盖更多的长尾场景，这样的接入效率性价比相对低，难以被接受，我们从几个方面建设去提升各场景的接入效率：

1. 一站式配置平台(万花筒平台)，完善样式配置、组合预览、打标、筛选审核、业务干预、样式三板斧发布、数据分析能力。
2. 通用链路，提供从样式包召回、推荐、数据组装的通用工程链路，通过 BFF SDK 输出，普通场景只需要前端BFF接入SDK即可完成接入，减少与业务后台和中台的链路对接。
3. 通用模型，用户特征和UI标签特征在各个场景里是通用的，也就可以训练出一个通用模型，映射用户特征和UI标签特征的偏好关系进行推荐，虽然效果相对专门训练的模型会打折扣，但适合长尾场景快速接入。
4. 专用链路，数金多数场景与各业务平台和中台结合较紧密，我们把个性化UI能力嵌入这些平台，可以提供更好的结合业务和特定场景的一站式使用体验，提升效率，例如对接UCDP/梵高/毕加索建设banner链路、对接洛可建设微贷专有链路等。

以上几点是短期内会建设完成的能力，此外有两个正在探索中的提升接入效率的课题：

1. 素材生成，当前接入的大多数场景需要设计师和运营一起产出多个图片和文案素材，这是接入流程中最大的成本，我们在探索素材自动生成的方案，沉淀符合设计规范的原子图片素材库，提供对不同场景尺寸和组合的处理适配能力，让图片素材可以在多个场景里复用。文案方面在中台智能文案基础上加入更多的业务语料，自动生产的文案更符合业务调性和用户偏好。
2. 自动化打标，当前需要手工对每个元素进行打标，当标签趋于稳定，并且打标量达到一定程度后，可以通过算法理解图片和文本，归类到指定的标签进行自动化打标，减少人工投入。

效果优化

如何对样式推荐的效果进行进一步提升，也是我们持续在探索的，算法效果的提升，很大一部分取决于特征数据的丰富和准确，围绕数据会在这几方面进行尝试：

1. 端智能结合，云端不直接推荐UI样式结果，而是推荐几个样式候选集，端上再进行实时重排。为什么端上重排可能会有效，端上可以根据用户的实时行为，判断用户看了还是没看(停留了、快速划过)，再结合它的行为路径(点了有某个UI标签的展位、快速离开、去了很多二级页等)，去综合判断是否因为疲劳度、兴趣变化等去切换其他样式，更好打中用户。
2. 自动特征工程，训练专用的UI推荐模型时，会根据对场景的理解进行特征筛选和交叉组合处理，这里选择什么特征交叉由个人经验决定，我们借助AI中台的能力，尝试autoCross自动筛选有效的交叉特征，理论上能得到比手工交叉筛选更好的效果，同时减少特征工程的人员投入。
3. 多模态建模，抽取图片素材/文本素材的高维特征，融合后作为UI标签的补充加入训练，丰富模型对UI的理解。
4. UI标签演进，我们一开始构建的表现层/内容层的标签体系，几个场景使用下来有不错的效果，但还没能做到很通用地描述UI，正在尝试以描述因子/驱动因子的方式组织标签，我们会尝试不断迭代标签的描述粒度和通用性。

未来

个性化UI在金融场景我们实现了从0到1的突破，后续从1到100我们还需要做很多工作，除了上面说的产品化效率和效果优化，还有三个方向持续探索：

1. 通用性，当前的标签体系、模型、工程链路都是围绕数金业务进行建设，实际上这套能力在多产品服务分发的场景都能适用，比较适合支付宝的业务形态，后续可提升通用性，在支付宝分发海量产品服务的展位上进行尝试。
2. UI偏好画像，接入的场景足够多，标签体系足够完善，归因的方法探索出通用有效的方案后，可以沉淀用户的UI偏好画像，作为体验端的数据资产，为后续算法模型、业务设计提供价值。
3. 能力扩展，我们围绕单展位模块的千人千面建设个性化UI能力，在这以外，跟智能展示相关的，还会有其他空间可以挖掘，例如全屏的注意力管理，用智能化的手段，避免全屏范围内 动画/红点/抢眼颜色/弹屏 不断抢占用户吸引力，以合适的方式分配用户注意力，提供更好的体验和效果，是一个可以探索的方向。

总结

我们针对数金的业务特性，在对产品的个性化UI展示上提出了 元素打散组合-语义打标-算法推荐-归因分析 的方案，落地取得了不错的效果，当前在将能力进行产品化沉淀的过程中，逐渐完善核心的 多样式生产、精准UI偏好模型、UI偏好画像 能力，让各长尾场景快速接入取得规模化的业务结果。过程中会碰到许多困难，但核心的“不同人有不同UI偏好”已被验证，我们会沿着这个方向，联合设计、产品运营、算法、质量一起持续深耕和拓展个性化UI能力。