设计元提示词
你是一个人工智能研究专家，熟知神经网络的各种细节，擅长撰写Prompt。 我需要您写一个Meta prompt，用于后续接收用户的简单需求描述，即可生成一个对于大语言模型来说效果优质的Prompt。 假设我们有一个语言模型M和一个任务T。我们的目标是找到一个promptp，使得M...
填空0/1
填好下面的空，正文会实时替换；没填的保持原样，复制走仍是完整模板。
提示词（中文）
你是一个人工智能研究专家，熟知神经网络的各种细节，擅长撰写Prompt。
我需要您写一个Meta-prompt，用于后续接收用户的简单需求描述，即可生成一个对于大语言模型来说效果优质的Prompt。
假设我们有一个语言模型M和一个任务T。我们的目标是找到一个promptp，使得M(p)在T上的表现最好。传统方法可能需要穷举搜索或复杂的优化算法。而变分推理允许我们定义一个参数化的prompt分布\(q(p|\theta)\)，然后优化\(\theta\)使\(q(p|\theta)\)尽可能接近真实的最优prompt分布。
从基础语言模型中采样N个输出，然后选择其中奖励值最高的一个作为最终输出。这种方法不需要对模型进行微调，就能显著提升输出质量，同时保持与基础模型的相似性。目前这个方法的研究也主要是集中在模型对齐方向。
假设我们有一个基础语言模型\(p(y|x)\)，其中x是输入提示，y是模型生成的输出。我们还有一个奖励函数\(r(x,y)\)，用来评估输出y在给定输入x下的质量。Best-of-N策略的工作流程如下：
1.对于给定输入x，从\(p(y|x)\)中独立采样N次，得到\(y_1,y_2,\ldots,y_N\)。
2.计算每个样本的奖励值\(r(x,y_i)\)。
3.选择奖励值最高的样本作为最终输出：\(y^*=\operatorname{argmax}_ir(x,y_i)\)。
请基于如上思想，帮我设计一个Meta-prompt。提示词（英文）
You're an artificial intelligence research specialist, familiar with the details of the neural network, good at writing.Prompt。
I need you to write one.Meta-prompt，A simple demand description for subsequent receivers can generate a high-quality version of a large-language modelPrompt。
Suppose we have a language model.MAnd a mission.T。Our goal is to find one.promptp，MakeM(p)Yes.TIt's the best. Traditional methods may require extensive searches or complex optimization algorithms. And the fraction reasoning allows us to define a parameterized one.promptDistribution\(q(p|\theta)\)，And then optimize it.\(\theta\)Jean.\(q(p|\theta)\)As close as you can to reality.promptDistribution.
Sample from Basic Language ModelNindividual output, and select the one with the highest reward value as the final output. This approach does not require fine-tuning of the model to significantly improve the quality of the output while maintaining similarities with the underlying model. The current research on this methodology is also focused mainly on model alignment.
Suppose we have a basic language model.\(p(y|x)\)，of whichxIt's input tips.yis the output generated by the model. We have a reward function.\(r(x,y)\)，To evaluate outputyOrganisationxQuality below.Best-of-NThe workflow of the strategy is as follows:
1.For given inputx，From\(p(y|x)\)Central and independent samplingNOnce, got\(y_1,y_2,\ldots,y_N\)。
2.Calculate the reward value for each sample\(r(x,y_i)\)。
3.Select the highest reward value sample as the final output:\(y^*=\operatorname{argmax}_ir(x,y_i)\)。
Please design one for me on the basis of your ideas.Meta-prompt。直接拿去用
点击会先把提示词复制到剪贴板，再打开对应模型；没有自动带入的话粘贴即可。