XiaoMi-AI文件搜索系统
World File Search SystemPrompt
提示争论：关于PCG级别的大语言模型中的复制和概括
chatgpt4pcg竞赛呼吁参与者向chatgpt提交输入，或提示将其输出引导到INSTUCTIONS，以生成水平作为俄罗斯方块型块的序列。提示提交给比赛的提示是由Chatgpt查询的，以生成类似于英语字母字母的级别。lev-基于与游戏引擎中的目标字母和物理稳定性的相似性评估。这为基于及时的程序内容生成（PCG）提供了定量评估设置，该方法在PCG中越来越受欢迎，就像在生成AI的其他领域一样。本文着重于复制和推广竞争结果。本文中的复制实验首先旨在测试从chatgpt收集的响应数量是否足以说明随机性。我们需要原始提示提交，并在比赛结束后大约六个月后，在不同的机器上重新重新竞争。我们发现结果很大程度上是复制的，只是由于我们只能部分确定的原因，15个提交中的两项在我们的补习中做得更好。在概括方面，我们注意到表现最佳的提示具有针对所有26个目标级别硬编码的说明，这与从示例中生成新的，以前看不见的内容的PCGML目标不一致。我们在更受限制的零射击和少数促使方案的情况下执行实验，并发现对当前方法的概括仍然是一个挑战。
AI生成的作品的作者身份：探索文本提示中的独创性和AI
1 James Hutson和Morgan Harper-Nichols，“生成的AI和算法艺术：破坏意义的框架并重新思考主题 - 对象困境”（2023）23全球计算机科学和技术杂志：D 2“人工智能促使工程作为一种新的数字能力：诸如Chatgpt之类的生成AI技术的分析”（2023）11企业家业务和经济学评论25。 3 Pamela Samuelson，“生成AI符合版权”（2023）381 Science158。 4 Faye F Wang，“对AI生成的作品的版权保护：生成AI的进一步挑战的解决方案”（2023）系列2卷。 5 Amicus Curiae 88。 5 Martin Senftleben，“生成AI和作者报酬”（2023）54 IIC-国际知识产权和竞争法1535年。2“人工智能促使工程作为一种新的数字能力：诸如Chatgpt之类的生成AI技术的分析”（2023）11企业家业务和经济学评论25。3 Pamela Samuelson，“生成AI符合版权”（2023）381 Science158。 4 Faye F Wang，“对AI生成的作品的版权保护：生成AI的进一步挑战的解决方案”（2023）系列2卷。 5 Amicus Curiae 88。 5 Martin Senftleben，“生成AI和作者报酬”（2023）54 IIC-国际知识产权和竞争法1535年。3 Pamela Samuelson，“生成AI符合版权”（2023）381 Science158。4 Faye F Wang，“对AI生成的作品的版权保护：生成AI的进一步挑战的解决方案”（2023）系列2卷。5 Amicus Curiae 88。5 Martin Senftleben，“生成AI和作者报酬”（2023）54 IIC-国际知识产权和竞争法1535年。
生成AI的风险和机会 - 用于创新业务模型的及时工程
Learntec奖2021，ICIS20上的最佳理论论文第一名亚军奖，两个ACM CHI荣誉奖奖（CHI20，CHI21），并在Wirtschaftswoche（WiWO）的前100名中列出了所有年龄段的商业管理和管理研究人员，
及时工程和生成AI
本文探讨了生成AI中迅速工程的新兴领域，强调了其作为艺术与科学之间关键相交的作用。及时工程被确定为通过优化人类沟通来释放生成AI技术的全部潜力的关键。通过对相关文献的全面分析，这项研究说明了迅速工程如何超越技术操纵，需要融合创造力，战略思维和对生成AI能力的深刻理解。本文提供了制定有效提示的各种策略，从简单到复杂的技术，强调道德考虑的重要性以及与及时操作相关的潜在风险。通过建立一组原则和准则，本文旨在提高工程及时的纪律，以提高AI的功能和可靠性，并通过此理由介绍“迅速的Gen [i] e [I] E evaration AI框架的工程学”。毕竟，本文要求采用多学科方法来促使工程技术，并提倡其作为AI素养和应用的关键组成部分的认可和发展。通过这次探索，本文打算为对人类创造力与生成AI能力的整合的不断发展的对话做出贡献，从而洞悉有效和道德AI相互作用的未来。
搜索概念体系结构提示使用Evolution
摘要 - 概念架构涉及对新颖思想的高度创造性探索，通常是从其他学科中获取的，因为建筑师考虑了建筑物的根本新形式，材料，质地和颜色。尽管当今的生成AI系统可以产生显着的结果，但它们缺乏数十年来通过进化算法证明的创造力。Scape是我们提出的工具，将进化搜索与生成AI结合在一起，使用户能够通过简单的点和单击接口来探索其最初输入的启发，并单击接口。scape将随机性注入生成AI，并可以使内存，利用GPT-4的内置语言技能通过基于文本的突变和交叉来改变提示。我们证明，与Dall·E 3相比，Scape可以提高图像新颖性，并提高了使用的质量和有效性；我们表明，仅在三个迭代中，Scape具有24％的图像新颖性，从而有效探索以及用户优化了图像。我们使用20多位独立建筑师来评估Scape，他们提供了明显的积极反馈。
Prompty，一种针对高中生的 AI 素养工具
1 斯坦福大学 2 哈佛大学 {deepakvd、raycellegarcia、psarin、cbywater、benjixie、vrlee}@stanford.edu、jwolf@g.harvard.edu 摘要 在大型语言模型 (LLM) 加速文本生成的时代，使用这些模型批判性地评估和创建有意义的文本的技能往往缺乏。为了帮助课堂教师解决这个问题，我们推出了 Prompty，这是一种专门的教学工具，旨在促进批判性和有效地使用 LLM。Prompty 服务于多个学习目标：它允许学生批判性地评估由 LLM 生成的文本，帮助他们进行写作练习，并更深入地了解 LLM 的运作方式——所有这些都在由基本护栏保护的学生友好环境中进行。Prompty 是斯坦福大学与高中教师合作设计的，是 CRAFT 的一部分，CRAFT 是斯坦福大学为促进 AI 素养而发起的一项计划。它在高中英语课上进行了试点测试，作为 AI 写作助手，专注于对机器生成的文本进行批判性评估。这次试验产生了初步证据，证明该工具在实现其教育目标方面的有效性。试点研究的结果表明，像 Prompty 这样易于使用的工具具有巨大的潜力。这些工具可以根据个别教师的目标进行调整。它们可以帮助实现特定学科的学习目标，同时也是在高中教授 AI 概念的有效方法。
RetLLM-E：问题检索提示策略......
本文重点介绍如何使用大型语言模型来帮助助教回答大型学生论坛（如 Piazza 和 EdSTEM）上的问题。由于这些论坛上的学生问题通常与机构、教师和课程传授的特定方面密切相关，因此通用的 LLM 不能直接完成这项任务。我们引入了 RetLLM-E，一种结合文本检索和提示方法的方法，使 LLM 能够对学生的问题提供精确且高质量的答案。当向学生提出问题时，我们的系统会启动一个两步过程。首先，它从 (i) 课程教师提出的学生问题数据集（问答检索）和 (ii) 课程材料的相关部分（文档检索）中检索相关上下文。然后，RetLLM-E 使用检索到的文本和精心设计的提示结构提示 LLM，以得出针对学生问题优化的答案。我们进行了一系列定量和人工评估实验，将我们的方法与学生实际问题测试集中的问题的真实答案进行了比较。结果表明，与没有上下文或仅依赖基于检索的上下文的 LLM 相比，我们的方法对课程相关问题的回答质量更高。RetLLM-E 可以轻松应用于不同的课程，为教师和学生提供上下文感知的自动响应。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
当团队拥抱AI：人类的协作策略时，以创造性设计任务提示生成策略
生成的AI（genai）已用于创意任务中，其中人类与AI在诸如Cretive Writing [15、42]，Drawing [28、34]，Performance [24]，Game Design [18]，Art展览[30、31]和音乐安排等方面与AI合作。生成的内容可以通过提供灵感，提供新颖的思想，促进人类的繁殖和执行艰苦的任务来促进人类的创造过程[15，18，47]。但是，Genai如何在人类合作者团队中工作？现有研究主要关注与Genai在创意任务中的个人提示，这是一项具有挑战性的努力，尤其是对于非专家单用户而言[63]。然而，提示过程对于在Genai中产生理想的产出至关重要。在与创意协作任务中的提示过程互动时，如何共同努力克服这些挑战？除了为我们提供生成含量以出于目的的目的，研究表明，Genai工具具有促进决策[14，49]和共识建设[53]时的潜力[53]。一项研究发现，与没有提高其随着时间的协调性的人类团队相比，与AI合作的团队能够稳步改善[40]。需要研究团队的详细动态 - AI协作需要了解如何最好地适应协作过程中的声音。这使我们能够制定策略，以优化越来越多地与Genai合作的团队中的决策，贡献和有效的合作。与AI合作时，我们是否可以实现最佳性能取决于多种因素，例如对AI的信任或ACCEPS [52]。例如，我们可以通过增加其可感知性或解释性来显着发展用户的信任并增加对AI的接受[12，13]，从而增强人AI的协作。研究一个团队对Genai performence的看法可能会导致设计，以提高和谐，有效的影响，例如对话干预措施或系统，以提高对可靠性或透明度的感知。团队合作通常是在多学科的范围任务中需要的，例如舞台演奏的艺术设计示例[32，33，46]。舞台设计涉及艺术家，导演，设计师，编剧和表演者在跨学科环境中工作，艺术家与表演者进行交谈，或者与设计师进行交谈。舞台设计中的结果既具有视觉和文本元素，并且经常从剧本中的电影等文本中发展出视觉效果。舞台表演的艺术设计提供了一个协作实践的案例研究，其中有必要进行集体意识。受到其协作性质和在创作过程中利用Genai的潜力的启发，我们选择了舞台设计作为研究的任务。我们将本研究的共同提及定义为一个过程，涉及在两个或更多个个体之间共享和讨论Genai系统的提示。我们采用了一种合理的方法来调查创意任务中的共同提及：
及时工程：AI卓越的蓝图
脚本和代码：类似地，生成脚本或代码段需要详细介绍编程语言，手头任务以及任何特定要求（例如功能或要使用的库）。示例脚本生成的示例：“创建一个python脚本，该脚本从新闻网站上删除头条新闻并将其格式化为可读的报告。