多模态 LLM 能在零样态中进行审美推理

生成式艺术（GenArt）的快速技术进步使视觉吸引力的图像创建民主化，但实现真正的艺术影响——即与观众在更深层次上产生共鸣的效果——仍然具有挑战性，因为这需要精细的审美洞察力。这种洞察力涉及超越单纯视觉吸引力的多层次认知过程，而当前的计算方法往往忽视了这一点。本文 pioneering 地提出一种方法，通过研究多模态 LLM（MLLM）的推理能力如何有效地执行审美判断。我们的分析揭示了一个关键挑战：在审美推理过程中，MLLM 存在迷惑现象，表现为主观意见和无依据的艺术解释。我们进一步展示，这些迷惑可以通过采用基于证据且客观的推理过程来抑制，具体而言，通过我们提出的基准方法 ArtCoT 实现。受此原则启发的 MLLM 能够产生多层次、深入的审美推理，与人类判断的一致性显著提高。这些发现直接应用于 AI 艺术辅导和图像生成的奖励模型。最终，我们希望本工作为开发能够真正理解、欣赏并与人类审美价值相吻合的艺术作品的 AI 系统铺路。项目主页: https://github.com/songrise/MLLM4Art。