关于AIGC人工智能、思维方式、知识拓展,能力提升等。投稿/合作: @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AI发展和互联网发展路径很不一样的一点是:AI在大部分领域要做到足够好,达到甚至超过人类水平才能产生实际商业价值,智商从0到70是巨大的进步,但我们仍然不愿为其付费,甚至免费也不会使用。这有点像水必须烧开到100度才能驱动蒸汽机,99度的水也不行。而互联网和很多其他技术在发展早期就可以开始产生商业价值,56K的拨号上网已经可以支撑足够多的应用场景。这种差异使得用互联网思路去预测AI产业发展容易产生很大差异。
由成甲老师和我共同发起的《AI时代个性化知识管理》主题专栏
将自己的在知识管理领域探索的思考和实践方法,以及在AI时代下,如何用AI辅助进行知识管理的探索,完整的在这个专栏,做集中的输出和分享。
https://xiaobot.net/p/WangJiao?refer=3b1908ec-6bc2-49ff-af0a-2600f0503515
文章风格的逆向工程是个好东西。

逆向工程指的是通过分析和检查一个现有产品或系统,试图了解它是如何设计和制造出来的过程。

那我要模仿写作,是否也可以使用这种方式,说干就干。

prompt 我练出来了,你可以直接使用,在你的领域有效果的话欢迎来评论区反馈。

```
## 任务背景

在这个任务中,你需要对给定的文本进行逆向提示词工程,提取出文本的主要写作元素,然后生成一个可以用于模仿这种写作风格的提示词。这个任务的目标是让AI模型(如ChatGPT)能够根据这些提示词,写出与给定文本风格类似的文章。

## 你的身份和任务

你是一位专业的文本分析师,我将给你一篇文章,你需要对其进行逆向提示词工程。你需要根据‘你具备的能力’、’内容要求’、‘输出注意事项’和’输出案例’输出最终内容。

## 你具备的能力

1. 你能够理解和分析不同的写作风格,包括语气、词汇、句式等。

2. 你能够从文本中提取关键的写作元素。

3. 你能够根据提取的写作元素生成有效的提示词。

4. 你能够对文本进行逆向工程,以理解其背后的写作技巧。

5. 你具备良好的判断力,能够确定哪些元素对模仿特定的写作风格最为关键。

## 内容要求

1. 提取文本的主要写作风格,包括但不限于语气、词汇、句式等。

2. 生成能够模仿这种写作风格的提示词。

3. 提示词应该能够用于任何主题的写作。

4. 提示词应该能够引导AI模型生成与给定文本风格类似的文章。

5. 提示词应该是具体和明确的,能够清楚地指导AI模型的写作。

## 输出注意事项(一条条思考)

1. 不要忽视文本中的任何写作元素,它们都可能对模仿特定的写作风格有所帮助。

2. 在生成提示词时,要确保它们具有足够的明确性和具体性。

3. 提示词应该能够适应任何主题,而不仅仅是原文的主题。

4. 提示词应该能够引导AI模型生成与给定文本风格类似的文章,而不是完全复制原文。

5. 在提取写作元素和生成提示词时,要保持专业和严谨的态度。

## 输出案例

```
这个研究有点强的,我们可能获得了另外一种增强Stable Diffusion控制的方法,它允许你使用富文本书写提示词。
比如指定某个提示词的颜色,例如提示词中有长发这个单词,然后你把长发的文字颜色改成了粉色,那么生成图像的头发颜色就会变成粉色。不只是那种粗略的粉色哦,是带有精确色值的。

下面我们分别来看一下它支持的富文本格式和生效方式:

首先你可以通过字体颜色控制生成对象的颜色,比如下面这张图Hair头发的字体颜色被改成粉色的时候生成图像的头发颜色就会变为粉色。

然后你可以改变对应提示词单词的字体来赋予图像对应的风格,这个就有点意识流了,全看模型对这个字体的感知,比如下面这这张图的guitar吉他的字体如果是比较放松的就会生成彩色的吉他,如果是古朴的手写体吉他就比较有年代感。

最后你可以给对应提示词的单词增加注释对其进行补充说明,比如下方这个例子中的cat被加上了“一只戴着墨镜、脖子上围着头巾的猫。”这样的注释在不影响整体画面的情况下猫这个主体准确的生成了注释的内容。你也可以给多个单词都加上这样的注释。

下面看一下这个论文大概的原理:
简单来说他们用了一种方法获得了每一个提示词单词对生成图像影响区域的映射,然后用将富文本的属性拿出来单独针对每个影响的提示词单词的区域再进行降噪操作从而修改扩散模型第一次生成的图像。

好了介绍到这里就结束了,希望早日有大神可以将这种方法集成到SD里面,或者开发出更多地富文本格式。
这里是论文的介绍:https://rich-text-to-image.github.io/
这里你可以试玩这个控制方法:https://huggingface.co/spaces/songweig/rich-text-to-image
Open AI重构了他们的 cookbook 页面里面的内容简直是LLM的宝藏,都是Open AI的开发人员精心挑选的工具和相关论文,还有非常多的教程。毕竟这帮人可能是这个星球上最懂LLM的人了,可以去发掘一下。
地址:https://cookbook.openai.com
昨晚偷偷上线了一个产品,118位AI绘画师联合出品共创的《AI绘画一本通》专栏,在小报童上线了!

其实是昨天晚上偷偷上线了,现在已经2500+订阅用户了

【下面是广告,你可以划走了】

365个AI绘画实操案例,MJ+SD,累计50万字,各行各业、变现、应用,不能说一网打尽吧,只能说覆盖面极广!
亮点:
365个Al绘画实操案例
看得懂(每个案例都有详细的教程)
学得会(普通人都可以使用的场景,做头像,做壁纸,做写真等)照着做(把Al绘画变现方式提炼出来)
还不贵
小报童持续推送,目前价格99元!

链接直达(微信内打开):https://xiaobot.net/p/yibentong?refer=3b1908ec-6bc2-49ff-af0a-2600f0503515
在组合创新这,ai 的确超越人类了。
这面相应该是贵不可言了🤣
Jeflon Zuckergates
这一波生成式AI浪潮在我的知识体系中,第一次看到的相对完整且偏行业(而非技术向)的梳理是去年9月红杉美国发的那篇:《Generative AI: A Creative New World》
这里https://www.sequoiacap.com/article/generative-ai-a-creative-new-world/
当时红杉给出了很多观点以及画了好几张直到今天你依然可以在各种关于AI的演讲中会出现的偏行业Maps性质的图片(图1,图2);

然后时隔一年,红杉美国最近又发了这个文章系列的更新:《
Generative AI’s Act Two》
https://www.sequoiacap.com/article/generative-ai-act-two/

文章的内容质量还是很高的,我简单总结下:

1、定义了ACT 1是发现了新的“锤子”---基础模型,现在在向ACT 2(端到端的解决问题)演进;
2、重新画了行业地图(图3),并且按照2C\2B\2内容生产者的框架重新划分;
3、增加了LLM开发者生态的行业地图;(图4)
4、回溯了之前判断中的错误:发展速度比所有人预期的都快、瓶颈不是客户需求而是GPU、应用和底层模型并未分离、竞争的急速加剧、大家伙们并没有落下、壁垒在客户而不是数据;
5、当然也确定了之前一些推论是正确的:生成式AI是一件大事、杀手级应用出现(ChatGPT\Character AI\Midjourney)、开发者很关键、大模型能力持续进化、版权/道德/伦理问题;
6、从月留存和用户活跃(DAU/MAU)数据对比,现在的AI应用相较于古典web2的那些大家伙们还有比较大的差距,他们需要持续的“证明价值”,以度过“awkward teenage years.”;

以及英文不好的同学可以看译稿,这里:
https://mp.weixin.qq.com/s/e2bOOnRfuV36WylWLidLxw
(国内的自媒体生态啊,也是真的够卷的了……)
Back to Top