AI 图片越改越花，有人开始专门研究怎么修

约 2,000 字 · 阅读约 7 分钟

Juju Radar · 2026 年 9 月 14 日

本期导读

这期先看三个具体的技术问题：图片越改越花，该怎么处理；求解器给出“通过”，为什么还可能有错；语音模型缩小以后，实际能快多少。最后跟进美国政界对 AI 减速提议的新回应。

三篇论文均于 9 月 11 日进入 arXiv 公告，此前尚未收录，本期作为补看。新闻检索截至北京时间 9 月 14 日 07:00。

🎨 AI 图片越改越花，先分清哪些纹理能修

补看 · 图像编辑 / 开源工具 · 7.5/10 · 值得一读

让 AI 换一次背景，再改一次光线，最后调整人物细节，画面可能开始出现细密的格子、颗粒和鳞片状纹理。Mi-Ripple 研究的就是这种反复编辑后的失真：每次把上一张输出喂回模型，也可能把瑕疵一并传下去。

它先把问题分成两类。规律排列、能在频谱里单独识别的干扰，可以尝试定向滤掉；混在头发、树叶、布料里的杂乱纹理，则很难靠一遍降噪解决，处理过头会连正常细节一起抹掉。作者因此设计了诊断、选择处理方式、检查结果的流程，必要时用清理后的参考图重新生成。

代码已经公开，但它还不是一个可以放心批量套用的“修图神器”。论文展示了 14 次仅做定向滤波的处理，以及少量重新生成案例；其中一个对照案例的碎屑密度下降 45%，不能理解为普遍提升了 45% 的画质。重新生成也会改变细节。

这篇最有用的提醒是：修改过程中要保留干净的原图和关键版本。作者还提出，每次修改都从同一张干净参考图出发，减少瑕疵逐轮累积；不过，这种工作方式的质量优势尚未做系统比较。论文 9 月 10 日提交、11 日进入 arXiv 公告，本期补看。

🧠 验证通过了，题意却可能已经翻译错了

补看 · Agent / 自动形式化 · 8.5/10 · 建议深挖

让大模型把文字要求翻译成逻辑表达式，再交给数学求解器检查，是一种常见的可靠性思路。但求解器检查的是它收到的表达式。模型如果在翻译时改错了一个条件，表达式仍可能合法，求解结果也可能碰巧相同。这个“通过”并没有检查原来的意思是否保留下来。

Beyond Solver Verdicts 把这种情况单独做成了验证任务。作者先用 Z3 求解器判断候选表达式与标准答案是否逻辑等价，再把这套离线判断教给一个名为 GenV 的模型，让它在运行时给候选翻译打分。关键在于额外检查翻译本身，补上仅看最终判定发现不了的错误。

实验有个容易被摘要掩盖的细节：系统准确率从 65.5% 提高到 76.8%，但大部分增益来自多次采样。验证器帮助决定何时多算、选哪个结果；把全部 11.3 个百分点都算成验证器的贡献，会高估它的作用。

另一条边界同样重要：它学的是“与指定参考表达式等价”，还不能保证符合所有人对原文的理解。论文披露部分测试题与训练集文字重合，去除重合题后，区分正确与错误翻译的 AUROC 为 0.955；这也不是 95.5% 的准确率。做 Agent 验收时，可以借鉴它对错误类型的拆分，暂不宜把分数当成通用保险。论文 9 月 10 日提交、11 日公告，本期补看。

🎙️ 语音模型少了四层，整套流程能快多少

补看 · 语音 / 推理效率 · 8/10 · 值得一读

小鹏的 X-AuT 尝试给 Qwen3-ASR-0.6B 做减法，把音频编码器从 18 层逐步缩到 14 层。难点在于，删层会改变传给后面语言模型的表示，轻则漏字，重则提前结束。作者先测试哪些层可以一起删，再借助较大模型的指导和分阶段恢复训练，尽量补回识别能力。

在十个中英文测试集上，14 层版本的平均错误率为 5.75%，原版为 5.61%；音频编码器参数减少 20.7%。少删两层的 16 层版本，平均错误率反而降到 5.27%。目前公开的是 14 层完整权重、推理脚本和简化微调示例，不包含全部训练数据与三阶段训练流水线。

真正部署时，还得看整套流程。作者测得车载加速器上的编码器延迟下降 21.4%，端到端延迟只下降 4.7%；在 H800 上，两项分别下降 11.4% 和 2.6%。后面的文字解码仍然要花时间，不能把局部提速直接写成产品响应速度提升。结果来自单次实验，尚无多次运行的误差范围。论文 9 月 10 日提交、11 日公告，本期补看。

🏛️ AI 减速提议之后，美国政界给出新回应

产业政策 / AI安全 · 8.5/10 · 持续观察

昨天提到的 AI 减速倡议，有了新的政治回应。据美联社报道，特朗普 9 月 13 日在爱尔兰接受记者提问时，强调不愿失去对中国的竞争优势。他承认可以设置一些限制，但没有提出具体规则。

同一天，众议院议长 Mike Johnson 在电视采访中表示，希望让政府、国会和 AI 公司负责人一起讨论；如果有可行方案，可以召回议员表决，但国会不会带头制定方案。相关表态由 Axios 汇总报道。目前这些都是立场和讨论安排，尚不是新的监管措施。

接下来值得看的，是谁能把“支持安全”写成具体要求：出了事故向谁报告，哪些评估必须做，什么情况下需要停止部署。公司之间公开赞同放慢速度，也不能代替这些约束。

今天的主线

三篇研究都提醒我们多检查一步：修图有没有把正常细节一起删掉，求解前有没有把要求翻译错，局部省下的计算又能给整套系统带来多少收益。实际使用 AI 时，这些问题往往比总分更有参考价值。

政策讨论则进入了下一步。放慢开发的呼声已经出现，政府和企业对谁来提出方案、如何实施仍有分歧。后续应跟进具体安排，而不是把每一次公开表态都当成政策已经转向。