Jun, 2024

负面指示的影响：何时何种情况下会产生效果？

PDF
TL;DR该论文首次全面研究了负面提示的机制和效果，揭示了负面提示的两个主要行为：延迟效果和通过中和效应的删除效果，为负面提示的潜在实际应用提供了重要的见解。
negative promptsconditional generation modelsempirical analysisdelayed effectdeletion through neutralization
发现论文，激发创造
  • 优化负面提示以提升文本到图像生成中的美观和真实度

    通过使用负向提示，优化负向提示生成方法，可以显著提高图像生成质量。与其他方法相比，该方法在万能评分上提高了 25%，超过了测试集中的参考负向提示。此外，我们可以根据需求有针对性地优化最重要的指标，并构建了一个负向提示数据集。

    Mar, 2024

  • 情感条件图像生成

    本论文提出一种计算共创环境下生成图像的新方法，利用经过心理学验证的三元素方法来量化所需影响， 通过训练神经网络以实现对文本和图像情感内容的估计，从而可对各种生成模型进行控制和影响。

    Feb, 2023

  • 消极刺激与心理学在大型语言模型增强中的应用

    负性提示将消极情绪刺激引入大型语言模型，提供了一种提高性能的机制，通过实验评估和注意力可视化得到了相关结果，为真实世界应用中大型语言模型的改进提供了新的见解。

    May, 2024

  • 能否控制暗示？对文本 - 图像生成模型的比较分析

    通过综合分析基础提示、修饰词和顺序对 AI 文本生成模型进行的研究，揭示了稳定扩散、DALL-E 3 和 Adobe Firefly 等领先的文本到图像模型中社会偏见的微妙编码方式，从而推动了 AI 伦理学的发展并为控制偏见的未来研究提供了新的框架。

    Jun, 2024

  • 扩散模型中的提示工程研究

    本论文提出了使用文本转图片模型（比如 DALL-E 2、Imagen、Mid Journey 和 Stable Diffusion）时遇到的一个问题：如何选择正确的提示词以达到预期的艺术输出效果。作者提出了一种衡量提示词效果的技术，并给出了选择提示词以实现预期效果的指导（见附录）。

    Nov, 2022

  • 评估离散提示的健壮性

    本文研究了离散提示在下游自然语言推理任务中的鲁棒性，通过应用 AutoPrompt 并在两个自然语言推理数据集中测量其表现，发现尽管基于离散提示的方法对自然语言推理输入的扰动相对较为鲁棒，但对提示令牌的移动和删除等其他类型的扰动非常敏感，而且其在不同的自然语言推理数据集上的泛化能力较差。

    Feb, 2023

  • 在零样本设置中评估多项选择任务的提示

    本文研究大型语言模型如何通过自然语言提示实现令人印象深刻的零 - shot 性能，归纳和标准化提示任务属性后，发现包含选项和使用未在预训练中使用的提示可以显著提高性能。

    Mar, 2022

  • 大型语言模型是否真正理解提示语？一个否定提示案例研究

    本研究发现，在处理否定提示的任务时，语言模型的大小与其零 - shot 表现之间不存在按比例的关系，而是一种倒数的规律，并指出目前的 LMs 和方法存在重要限制。作者呼吁学术界开发新的方法来开发真正遵循给定指令的 LMs，并提供了探索否定提示的代码和数据集。

    Sep, 2022

  • 提示驱动模型真正理解其提示的含义吗？

    本研究证实了即使是故意无关或甚至有误导性的提示，也可以让一些零样本或少样本学习模型像 “好” 的提示一样快地进行学习，这一模式适用于模型尺寸大小，这引出一个问题，问这种改进是不是源于模型像人类一样理解掌握任务提示。

    Sep, 2021

  • 学习可转移的负提示用于超出分布检测

    通过负面提示学习，在 ID 和 OOD 图像之间界定边界，以解决存在于开放词汇学习场景中的高误报率，超越了现有的基于提示学习的 OOD 检测方法，并在闭合和开放词汇分类场景中保持了一致优势。

    Apr, 2024