微软官方亲自出教程，拿捏「Prompt工程」高级玩法
几个月来，ChatGPT、GPT-4等大模型陆续发布。这些模型表现出了强大的涌现能力，但模型生成的结果是随机的，时好时坏，部分原因与Prompt的设计密切相关。很多人将Prompt比喻为大模型的咒语，在引导模型生成内容方面影响很大，如何选择Prompt成了每个AI研究者关注的问题。最近微软官方出了一份教程，该教程介绍了Prompt设计和工程中的一些高级玩法，涵盖系统消息、少样本学习、非聊天场景等内容。每部分内容都有技术介绍和示例展示，下面我们看看具体内容有哪些。关于Prompt，你应该了解这些系统消息系统
几个月来，ChatGPT、GPT-4 等大模型陆续发布。这些模型表现出了强大的涌现能力，但模型生成的结果是随机的，时好时坏，部分原因与 Prompt 的设计密切相关。
很多人将 Prompt 比喻为大模型的咒语，在引导模型生成内容方面影响很大，如何选择 Prompt 成了每个 AI 研究者关注的问题。最近微软官方出了一份教程，该教程介绍了 Prompt 设计和工程中的一些高级玩法，涵盖系统消息、少样本学习、非聊天场景等内容。
每部分内容都有技术介绍和示例展示，下面我们看看具体内容有哪些。
关于 Prompt，你应该了解这些
系统消息
系统消息包含在 Prompt 的开头，用于为模型提供上下文、说明或与用例相关的其他信息。用户可以通过系统消息描述模型应该回答什么、不应该回答什么，以及定义模型回复的格式。
下图示例展示了系统消息和模型生成的回复：
通常，系统消息还可以是这样的：
- 上表中 Assistant 是一个由 OpenAI 训练的大语言模型。
- Assistant 是一个智能聊天机器人，旨在帮助用户回答问题。要求模型只能使用给定的上下文来回答问题，如果不确定答案，你可以说「我不知道」。
- Assistant 是一个智能聊天机器人，例如其能帮助用户回答税务相关问题。
- 又比如你是一个 Assistant，旨在从文本中提取实体。用户将粘贴一串文本，你将以 JSON 对象的形式回应你从文本中提取的实体。
这是输出格式的示例：
{"name": "","company": "","phone_number": ""}上面就是关于系统消息的介绍，不过一个重要的细节是，即使是设计良好的系统消息，模型仍有可能生成与系统消息指令相矛盾的错误回复。
小样本学习
让语言模型适应新任务的一种常见方法是使用小样本学习。小样本学习提供了一组训练样本作为 Prompt 的一部分，以便为模型提供额外的上下文信息。
用户和 Assistant 之间的一系列信息（以新的 Prompt 格式编写）可以作为小样本学习的示例。这些示例可用于引导模型以某种方式做出响应、模拟特定行为并为常见问题提供种子答案。
Prompt 的基本结构。
非对话场景
虽然当前大模型的主要应用场景是对话生成场景，但也可以用在非对话场景。例如，对于情感分析场景，你可能会使用以下 Prompt：
使用明确的指令
一般来讲，信息在 Prompt 中出现的顺序很重要。由于 GPT 类模型是以特定方式构建的，该构建过程定义了模型对输入的处理方式。研究表明，在 Prompt 开始时告诉模型你希望它执行的任务，然后再共享其他上下文信息或示例，可以帮助模型产生更高质量的输出。
最后重复一遍指令
模型容易受到最新偏差的影响，在这种情况下，末尾 Prompt 信息可能比开头 Prompt 信息对输出的影响更大。因此，在 Prompt 末尾重复指令值得一试。
对输出的操作
这种情况是指在 Prompt 末尾包含几个单词或短语以获得符合所需形式的模型响应。例如，使用诸如「Here’s a bulleted list of key points:\n- 」之类的 Prompt 可以帮助确保输出格式为项目符号列表。
添加语法
为 Prompt 添加语法，例如标点符号、标题等，这样做使输出更容易解析。
下面示例中，不同的信息源或 step 之间添加了分隔符（在本例中为 ---）。这种操作允许使用 --- 作为生成的停止条件。此外，部分标题或特殊变量以大写形式出现以进行区分。
把任务分解
如果将任务分解为更小的 step，大型语言模型 (LLM) 通常会表现得更好。
注意，这里使用了语法来区分各个部分并对输出进行初始化。在这个简单的例子中，将任务从一个 step 分解为两个 step 结果并不很明显，但是当试图对包含许多事实声明的大块文本进行此操作时，将任务分解会产生显著的差异。
思维链提示
这是分解任务技术的一种变体。在这种方法中，不是将任务拆分为更小的 step，而是指示模型响应逐步进行并呈现所有涉及的 step。这样做可以减少结果不准确，并使评估模型响应更加容易。
提供真实上下文
在该方法下，本文建议提供给模型真实数据。一般来讲，原始数据越接近最终答案，模型需要做的工作就越少，这意味着模型出错的机会就越少。在下面示例中，系统消息提供了最新的文章，然后要求模型给出一些早期客户，模型准确的给出了答案。
除此以外，微软在这份指南中还介绍了关于 Prompt 其他技巧，大家可以前去原文查看，获取更多信息。
掌握Photoshop V、B、L、P等核心工具快捷键，学习Shift同组切换与自定义设置方法，通过三步操作提升作图速度。
5月30日，华为推出了全新的AI模型——盘古UltraMoE，该模型的参数量达到了7180亿。作为一款接近万亿参数的MoE(MixtureofExperts)模型，它在整个训练过程中完全基于华为的昇腾AI平台完成，标志着华为在超大规模模型训练方面取得了重要进展。盘古UltraMoE的成功训练离不开盘古团队研发的一系列创新技术。例如，Depth-ScaledSandwich-Norm(DSSN)稳定架构的引入，显著改善了超大规模模型训练期间出现的梯度异常及
10月3日资讯，金河田全新推出的VortexisPlatinumSFX系列白金认证电源现已正式发售，提供550W、650W、750W和850W四种功率选项，起售价为599元。该系列电源的外形尺寸为125x100x63.5mm，采用紧凑型SFX设计，支持全模组线缆配置，符合ATX3.1与PCIe5.1最新规范。产品内置定制化散热系统，配备低摩擦液压轴承风扇及11叶风量优化扇叶，在负载低于30%时可保持20dB(A)以下静音运行，仅在负载超过50%后自动提升转速以增强散热。电源内部采用全日系
AI视频生成正迎来属于“通义”的高光时刻！就在昨晚，阿里巴巴悄然推出了一款由音频驱动的14B视频大模型——Wan2.2-S2V。只需上传一张静态图片和一段音频，就能生成出面部表情生动、口型精准匹配、肢体动作流畅自然的电影级数字人视频，效果惊艳。实际效果展示如下：△来自@AIMIRAI46487更令人振奋的是，这款新模型一经发布便全面开源，现在所有人都可以免费在通义万相官网体验使用。据官方介绍，Wan2.2-S2V的核心优势包括：支持最长分钟级的单次视频生成，画面稳定且具有一致性；具备影院级别的音
近日，有汽车领域博主爆料，特斯拉的FSD（完全自动驾驶）辅助系统将迎来一次重要升级，或将实现更真实的环境场景还原。在最新曝光的软件代码中，发现了大量新增的渲染模型，涵盖多种车辆与行人类型。这些新增模型包括救护车、消防车、垃圾清运车、校车、半挂式卡车、高尔夫球车、骑电动滑板车的行人、使用轮椅的行人、玩滑板的行人、推婴儿车的行人，以及道路清扫车、三轮车、拖车、火车和有轨电车等。这一系列高精度建模意味着FSD系统将能更准确识别并响应复杂交通参与者的行为。据CNMO掌握的消息，日本方面已为特斯拉FSD系统的落地扫
大语言模型面对加密数据，即便最新的Qwen3也会感到压力！尽管当下各类推理模型在多种基准测试中表现优异，但在密码学这样对逻辑严谨性和细节准确性要求极高的专业领域，模型的推理能力还有待深入挖掘。密码学不仅要求模型具备高级数学运算能力和严密的逻辑推理链，还需要其能够精准辨识复杂加密模式中的潜在规律；成功解密要求模型拥有极强的综合推理能力。上海AILab等联合推出的CipherBank测评，使用大量真实隐私场景数据和多种密码算法，严苛挑战当前最先进的大模型。CipherBank的测评结果显示，目前的大语言模型
强化学习（RL）结合真实搜索引擎可以显著提升大模型的检索和推理能力。然而，这一方法面临两大挑战：搜索引擎返回的文档质量不稳定，导致训练过程中的噪音和不稳定性；RL训练需要频繁部署，产生大量API开销，限制了可扩展性。针对这些问题，阿里通义实验室推出了开源解决方案ZeroSearch，这是一个无需与真实搜索引擎交互的强化学习框架。实验表明，ZeroSearch只需使用3B参数的LLM作为检索模块，就能有效提升搜索能力，并大幅节省API成本。ZeroSearch让LLM实现自给自足
1、新建一个PPT文档，新建好后，输入你要做倒影的字。例如输入(我爱你)，同时将背景颜色设为灰色。2、插入一张图片置于【我】字底层，利用拆分工具进行拆分。注意拆分前，选选中图片，再按住Ctrl键，选中【我】字，在进行拆分。3、拆分后，删除图片，得到【我】字形图片。如图效果:。4、以此类推，将剩余【爱】【你】两字也【图片化】。5、批量设置字母阴影。选中所有字，注意点击在【绘图工具—形状效果—阴影—选择第一个外部阴影】。6、批量设置字体倒影。继续点击在【绘图工具—形状效果—映像—选择一个喜欢的外部映像】。7、
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
