May, 2023

生成式 AI 的 Prompt 演进：一种分类器引导的方法

PDF
TL;DR本文提出了一种利用进化算法和多目标实现的新的方式，使用图像分类器引导产生的多样性生成的技术，来改善生成模型无法连接生成输出和期望目标概念 / 偏好的局限性，通过一种通过对生成进化过程规定选择压力和变异性的方式，产生多个更符合用户偏好的图像。
digital artifactsgenerative aievolutionary algorithmmulti-objective instantiationpareto-optimization
发现论文，激发创造
  • 批量指导梯度用于提示演化：增强文本到图像综合的系统性提示优化

    通过多代理框架和迭代过程，基于高质量的初始查询和动态指令优化的图文生成模型，提供了改进用户输入提示设计的机制。

    Jun, 2024

  • 基于生成式 AI 的提示演化工程设计优化与视觉语言模型

    工程设计优化需要高效结合三维形状表示、优化算法和设计性能评估方法，我们提出了一种在车辆设计场景中利用视觉语言模型来惩罚生成模型合成的不切实际汽车设计的快速演化设计优化 (PEDO) 框架。

    Jun, 2024

  • 连接大型语言模型与进化算法产生强大的提示优化器

    通过连接大型语言模型和进化算法，本论文提出了一种用于离散提示优化的新框架 ——EvoPrompt，极大地提升了语言理解和生成任务中大型语言模型的表现，并展示了语言模型与传统算法结合的协同效应。

    Sep, 2023

  • 文本到图像模型的最佳提示及其发现方法

    本研究使用基因算法，结合人类反馈，学习组合最有用的提示关键字，以改善使用描述生成艺术图像的美感。

    Sep, 2022

  • 通过模拟优化选择语言模型提示

    基于模拟优化，提出了一个两阶段框架以实现生成语言模型的提示选择，该框架能够在评估和选择阶段中构建代表提示的中等维度向量的得分模型，并证明了该框架中的顺序评估过程的一致性。数值实验证明了此框架的有效性，为实施提供了实际指导。

    Apr, 2024

  • 零样本和少样本学习在生成模型创意应用的人机交互中的机遇与挑战

    通过提示将零样学习和少样学习赋予 AI 新任务的方法是一种用于人工智能交互的新范例。本文分析了使用提示作为新范式的交互式创意应用程序的关键机遇和挑战，并提出了四个设计目标。我们重点关注创意写作的用例，提出了具体的 UI 设计草图，HCI 和 AI 研究社区可以以此为起点，开发出适当的用户界面，用于零样学习和少样学习模型。

    Sep, 2022

  • 创造力自动化

    基于强化学习方法和计算创造力的不同研究流派，本文提出了一个三重引导 - 响应 - 奖励工程框架，以提高生成人工智能（GenAI）的创造能力。该框架包括了引导模型、响应模型和奖励模型，通过开发创造性的引导、生成出令人惊喜和创新性的输出，并结合 AI、创作者 / 管理者和客户的反馈，逐步提高生成人工智能的创造力。

    May, 2024

  • 基于提示的少样本文本分类的进化语言生成搜索

    本文提出了一种新的进化式口头表述搜索算法用于构建最优的口头表述器，在少量数据情况下使用预训练的语言模型以及任务特定提示能够极大地提高准确性，进一步推进了小样本文本分类的研究。

    Jun, 2023

  • 大型语言模型平衡情感的多目标进化优化

    我们提出了一种特定于提示优化的进化多目标方法（EMO-Prompts），以情感分析为案例研究，结果表明 EMO-Prompts 可以有效生成能够引导大型语言模型同时表达两种相互冲突情感的提示。

    Jan, 2024

  • EvoPrompting: 面向代码级神经架构搜索的语言模型

    使用自然语言模型作为演化神经架构搜索算法的自适应变异和交叉操作，构建 EvoPrompting 方法，可有效设计准确高效的神经网络架构，用于图神经网络搜索等领域。

    Feb, 2023