Compete in HackAPrompt 2.0, the world's largest AI Red-Teaming competition!

Check it out →
Bem-Vindo(a)!
😃 Fundamentos
💼 Aplicações Básicas
🧙‍♂️ Intermediário
🤖 Agentes
⚖️ Confiabilidade
🖼️ Prompts para Imagens
🔓 Hackeando Prompts
🔨 Ferramentas
💪 Ajustando prompts
🎲 Aleatórios
📚 Bibliography
Resources
📦 Prompted Products
🛸 Additional Resources
🔥 Hot Topics
✨ Credits
🖼️ Prompts para Imagens🟢 Ponderando termos

Ponderando termos

🟢 This article is rated easy
Reading Time: 1 minute
Last updated on August 7, 2024

Sander Schulhoff

Alguns modelos (Stable Diffusion, Midjourney, etc.) permitem que você dê pesos diferentes para diferentes termos em um prompt. Isso pode ser usado para enfatizar certas palavras ou frases na imagem gerada. Também pode ser usado para desenfatizar certas palavras ou frases na imagem gerada. Vamos considerar um exemplo simples:

Exemplo

Aqui estão algumas montanhas geradas pelo Stable Diffusion, com o prompt montanha.

No entanto, se quisermos montanhas sem árvores, podemos usar o prompt montanha | árvore:-10. Como pesamos a árvore muito negativamente, elas não aparecem na imagem gerada.

Os termos ponderados podem ser combinados em prompts mais complicados, como Um planeta no espaço:10 | cheio de cores vermelho, azul e roxo:4 | alienígenas:-10 | 4K, alta qualidade

Notas

Leia mais sobre ponderar em alguns dos recursos no final deste capítulo.

Sander Schulhoff

Sander Schulhoff is the CEO of HackAPrompt and Learn Prompting. He created the first Prompt Engineering guide on the internet, two months before ChatGPT was released, which has taught 3 million people how to prompt ChatGPT. He also partnered with OpenAI to run the first AI Red Teaming competition, HackAPrompt, which was 2x larger than the White House's subsequent AI Red Teaming competition. Today, HackAPrompt partners with the Frontier AI labs to produce research that makes their models more secure. Sander's background is in Natural Language Processing and deep reinforcement learning. He recently led the team behind The Prompt Report, the most comprehensive study of prompt engineering ever done. This 76-page survey, co-authored with OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions, analyzed 1,500+ academic papers and covered 200+ prompting techniques.