E.A.R.T.H.：通过生成式 AI 中的模型误差构建创意演化

AI 如何能够从模仿走向真正的创造力？本文提出了 E.A.R.T.H. 框架，这是一个由五个阶段构成的生成式管线，通过误差生成、放大、精炼选择、转化和征集反馈，将模型生成的误差转化为创意资产。基于认知科学和生成式建模，我们认为“创意潜能隐藏在失败中”，并通过结构化提示、语义评分和人类在环评估来实现这一点。该管线采用 LLaMA-2-7B-Chat、SBERT、BERTScore、CLIP、BLIP-2 和 Stable Diffusion 实现，采用基于新颖性、惊讶性和相关性的复合奖励函数。在精炼阶段，创意分数提升了 52.5%（从 1.179 提升至 1.898，t = -5.56, p < 0.001），最终输出达到 2.010，提升幅度达 70.4%。精炼后的标语长度缩短 48.4%，新颖性提升 40.7%，相关性仅下降 4.0%。跨模态测试显示，标语到图像的对齐度良好（CLIPScore: 0.249；BERTScore F1: 0.816）。在人类评估中，生成的输出始终获得高度评价，表现出强大的创意质量和表达清晰度。反馈强调了风格精确性和情感共鸣。这些结果表明，误差中心化、反馈驱动的生成方式增强了创造力，为通向自我演化、人类对齐的创意 AI 提供了可扩展的路径。