AI网文写作实验笔记(二):跑多少次,才敢说提示词是真的有用?

网文创作提示词设计:从通用指令到类型化AI写作实战 提示词(Prompt)是人机交互的核心接口,其设计质量直接影响AI模型的输出效果。通过角色扮演、任务分解、约束条件与输出格式的四要素组合,提示词能够引导AI理解特定领域的创作范式。在网文创作场景中,这一技术价值尤为突出——通用写作模型缺乏对商业网文情绪节奏、类型化模板和网络化语言的认知,而定制化提示词可充当“风格过滤器”,使AI生成符合“爽点”“系统流”“无限流”等垂直领域需求的内容。本文基于实战验证的万能公式,拆解了都市修真、末世求生等五大热门题材的提示词模板,帮助创作者将AI转化为高效的网文协作工具。 阅读详情

这篇文章会回答三个问题:

  1. AI写出来的东西,到底有多随机?同一个prompt跑100次,最好和最差能差多少?
  2. 跑多少组对比实验,结论才是可靠的?3-5次?20次?还是更多?
  3. 给AI喂更多上文,到底会不会降低事实错误率?会不会让输出变水?

承接AI网文写作实验笔记(一):为什么你改了一百次提示词,效果还是没有提升?。

Part 2 按计划本该直接跑上下文实验,但在开始前,我遇到了一个必须先回答的问题:

AI 的输出到底有多随机?

如果连我自己都没搞清楚噪音有多大,那后面一切“改完提示词效果变好了”的结论,可能都只是刚好抽到了好盲盒。

一、 先测基线:AI输出到底有多随机?

⚠️ 前置说明: 本文所有实验均在 温度 0.7、deepseek-v4-flash 模型、中文网文创作任务下进行。不同模型、不同温度、不同任务的随机波动差异极大,请勿将结论盲目外推。

我用完全相同的提示词,连续跑了 100 次,统计了两个核心指标:AI腔(每千字套话数量)和输出字数。

AI 腔的波动

统计量AI腔/千字
平均值10.1
标准差4.4
变异系数 CV0.44
最小值4.7
最大值16.2

在这里插入图片描述

0.44 是什么概念?
意思是:一模一样的输入,跑两次,结果大概率会在 5.7 - 14.5 之间波动。最好的一次和最差的一次,套话数量差了 3.4 倍。

输出字数的波动

统计量字数
平均值450
标准差135
变异系数 CV0.30
最小值207
最大值988

在这里插入图片描述

字数波动稍微小一点,但极差也达到了近5倍。

这对我们实操意味着什么?
以前 AI 写出垃圾,我总陷入自我怀疑,疯狂改提示词。现在数据证明:在 T=0.7 下,3.4 倍波动是客观存在的。
以后遇到糟糕输出,第一反应别再是“我哪里写错了”,而可能是“刚好抽到了下限”。与其死磕提示词,不如多点几次重试。


二、 第一轮教训:为什么跑20组会得出相反结论?

知道波动大,就引出一个问题:假设改了提示词跑 20 次,AI腔降了 11%,这是真有效还是运气?

统计学告诉我们,由于 CV=0.44,20次样本能稳定检测出的最小差异(MDE)大概在 27%。低于这个数,你根本分不清是真有效,还是刚好抽到了好盲盒。

本次实验计算 MDE 和 CV 的核心 Python 脚本逻辑:

import numpy as np

# 100次实验的AI腔数据样本 (示例数据)
ai_cavity_counts = np.array([10.1, 8.5, 14.2, 9.8, ...]) 
n = len(ai_cavity_counts)

# 1. 计算变异系数 CV
mean_val = np.mean(ai_cavity_counts)
std_dev = np.std(ai_cavity_counts, ddof=1)
cv = std_dev / mean_val
print(f"变异系数 (CV): {cv:.2f}")

# 2. 双样本对比估算最小可检测差异 (MDE)
# 置信度 95% (Z_alpha=1.96), 检验力 80% (Z_beta=0.84)
z_alpha, z_beta = 1.96, 0.84
mde = (z_alpha + z_beta) * np.sqrt(2) * cv / np.sqrt(n)
print(f"N={n} 时,最小可检测差异 (MDE): {mde * 100:.2f}%")

我第一轮就是按 20 组跑的,结果完美踩坑:C组(前三章全文)的AI腔比基线高了 26%,我当时断言"长上下文会升高 AI 腔"。后来加码到 100 组再跑,C组反而降了 2%,结论直接反转。

在这里插入图片描述

为什么?因为样本太小,均值很容易卡在极端值上。网上常有人对同一个技巧结论完全相反,不是谁在撒谎,都是样本量不够测出的随机切面。

这也是本文直接弃用 20 组方案,全部加码到 100 次/组的原因。


三、 正式实验:上下文长度的影响

有了基线后,我们用 100 组/组、严格固定除自变量外的所有输入条件,重新跑了上下文量 vs 核心指标的对比实验。

组上文内容总上下文长度
A零上文4628 字
D300字摘要 + 上一章全文7980 字
C前三章全文12481 字

结果 1:上下文越长,AI 腔就越多吗?

组AI腔/千字vs A组统计显著性
A_零上文10.06基线-
D_摘要+上一章11.36+13%p=0.026 显著
C_前三章9.86-2%p>0.05 不显著

在这里插入图片描述

💡 实操提示:C组的 -2% 在统计学上不显著,差异幅度太小,实操上几乎可以忽略。

这是第一个反直觉的结论:中等长度的上下文,AI腔反而最高;喂最长的前三章全文,AI腔反而与零上文几乎持平。不是上文越多套话越多,它并没有简单的线性规律。

结果 2:上下文越长,禁用词就越多吗?

组禁用词/千字vs A组
A_零上文0.13基线
D_摘要+上一章0.30+130%
C_前三章0.69+430%

趋势很明显:你给模型提供的上文越长,它就越爱写"不禁"“微微”"顿时"这类特定词汇。
原因很好理解——AI 在模仿前文风格。你喂的长文里本身就有这些词,它写的时候就会不自觉地"传染"。

💡 实操提示:虽然相对涨幅大,但绝对量不到千字一个,对阅读体验影响有限。

结果 3:上下文越长,输出字数就越多吗?

组平均输出字数vs A组
A_零上文449基线
D_摘要+上一章435-3%
C_前三章683+52%

这是本次实验效应量最大的结论。你给模型输入的上文越长,它就会写得越长。

字数暴涨 52%,和剧情需不需要毫无关系,AI 单纯就是**"输入越长输出越长"的镜像效应**。很多作者喂了长文,看 AI 写得长以为剧情展开了,其实多半是注水。想控制正文详略,最直接的物理手段就是控制输入上下文的长度。 想写精简的过渡章,就别喂长上文。

结果 4:上下文越长,事实错误率就越低吗?

除了上面的指标,本次上下文实验还有一个最硬的指标:事实错误率。

组含事实错误的样本占比平均每篇错误数
A_零上文95%1.7
C_前三章全文45%0.6
D_摘要+上一章21%0.27

在这里插入图片描述

最反常识的结论出现了:喂前三章全文的错误率,反而比只喂300字摘要+上一章高一倍还多。

喂上文绝对有用,但喂得越多越全,事实错误率反而越高。因为太长的上下文会分散模型注意力,它在几百行里大海捞针找设定的难度,比看精炼摘要更大。

所以,别图省事直接复制粘贴全文了。花几分钟提炼一份 300 字的核心摘要 + 上一章内容,才是防止设定崩塌的最优解。 虽然它的 AI 腔会微涨一点,但比起设定崩塌,这点代价微不足道。


四、 总结:三个可以直接用的结论

这篇实验笔记,与其说是发现了什么惊天结论,不如说是帮我理清了三个以前凭直觉瞎猜的盲区:

  1. 接受随机性,减少内耗。 知道了 3.4 倍的波动是客观存在的,就不再把每一次翻车都归咎于自己的提示词写得烂。允许波动,多点几次重试,比死磕单次输出更高效。
  2. 理解篇幅的"镜像效应"。 明白了输入越长、输出越水是 AI 的物理机制,以后就可以反向利用它:用上下文长度来辅助控制正文的详略,警惕长上文带来的无意识注水。
  3. 相信摘要策略的性价比。 知道了不是喂的上文越长越准,300字摘要加最后一章的事实错误率反而比喂前三章全文低一半。与其图省事复制粘贴全文,不如花几分钟提炼核心摘要,这才是防止设定崩塌的最优解。

记住这三点,我们在面对AI网文创作时,能少走很多弯路。


五、 下一篇预告

Part 3 我们会测试提示词里的约束条件。

平时写文时,我们总喜欢在 prompt 里堆砌各种要求和禁忌词,试图把 AI 圈在框里。但约束加得越多,到底会让它写得越精准,还是越死板?3 条约束和 30 条约束,效果差在哪?

我们下一期用数据见分晓。

AI写作提示词模板库:网文创作效率提升与结构化设计指南 提示词工程作为自然语言处理的核心技术,通过结构化模板设计将复杂创作需求转化为AI可理解的指令。其技术原理基于语义解析和上下文理解,能够显著提升内容生成的质量一致性。在网文创作领域,提示词模板库覆盖玄幻、都市、科幻等主流题材,提供从角色设定到情节推进的完整框架。通过模块化设计和题材混合创新,创作者可以快速生成符合要求的开篇、高潮和环境描写,大幅减少重复性工作。本资源包特别针对网文作者的实际需求,整合了经过验证的提示词优化技巧和批量创作工作流,帮助实现AI辅助写作的效率最大化。 阅读详情

相关推荐

AI创作网文的AI味总结

AI创作网文存在明显的"AI味"特征:在语言表达上,表现为堆砌华丽但空洞的词藻、句式程式化、风格单一和语义不连贯;内容逻辑上存在漏洞,缺乏情感深度和剧情推进能力;写作风格平淡,缺少幽默感和角色塑造;其他问题包括内容重复、不合时宜的抒情和生硬结尾。这些特征导致AI网文虽表面精美但缺乏实质内涵和情感共鸣,难以达到人类创作的水平。

qq_52080901的博客 2719

AI网文写作实验笔记(一):为什么你改了一百次提示词,效果还是没有提升?

你试了十几个提示词的写法,存了几十个版本,每个版本跑了几次。一周之后回头看,你根本记不清哪个版本对应哪个效果,哪些改动是真的有用,哪些只是你的错觉。

loopne的博客 703

AI网文写作实战:GPT、Claude、Gemini模型对比与提示词设计

自然语言处理技术通过深度学习模型实现对人类语言的理解与生成,其核心原理是基于大规模语料训练的Transformer架构。在内容创作领域,这项技术能够显著提升写作效率,特别适用于需要大量文字输出的网络文学创作。实际应用中,不同模型各有特色:GPT系列擅长情节架构和复杂指令理解,Claude在长文本处理和连续性保持方面表现突出,而Gemini则在逻辑推理和数据分析上具有优势。通过合理的提示词设计和参数配置,作者可以将AI从简单的文字生成器转变为协作创作助手,实现从大纲生成到细节描写的全流程辅助。本文基于实测经验

weixin_33861800的博客 334

卡文终结者:这款国产AI写作工具凭什么让网文老手直呼“懂行“

蛙蛙写作不是市面上第一个AI写作工具,但它可能是最"懂网文"的那一个。全链路创作Agent的设计消除了多工具切换的摩擦,多模型切换满足了不同创作阶段的需求,AI漫剧和投稿功能则把"写完"到"变现"的距离缩到了最短。当然,它也有需要打磨的地方:长篇连载的连贯性依赖用户的设定管理,AI漫剧的生成质量还在迭代,100+模板的深度也参差不齐。但作为一款国产专攻小说方向的AI工具,蛙蛙写作已经展现出了区别于通用AI的核心价值——它不试图什么都能写,而是把"写小说"这件事做到极致。点下方链接可以体验。

1万+

AI写作提示词实战指南:从结构化设计到网文创作落地

在人工智能技术日益普及的今天,提示词工程已成为连接人类创意与AI生成能力的关键桥梁。其核心原理在于通过结构化、分层次的指令设计,将模糊的创作意图转化为机器可理解、可执行的具体任务,从而显著提升内容生成的效率与可控性。这一技术的核心价值在于,它并非替代人类创作,而是作为强大的辅助工具,解决创作者在灵感启动、框架搭建等环节的效率瓶颈。尤其在网络文学、新媒体内容等需要快速产出和迭代的创作领域,精心设计的提示词能够引导AI生成具备基本故事骨架、人设和开篇钩子的初稿,为后续的人工精修奠定基础。本文将以网文创作为例,深

weixin_33309048的博客 263

鸿蒙5.0进阶开发:UI开发-不依赖UI组件的全局自定义弹出框 (openCustomDialog)(推荐)

本文介绍通过入参形式为ComponentContent创建自定义弹出框............

AyomQAQ的博客 1851

AI网文写作实验笔记(三):三轮1541篇样本测完,约束到底能管住AI的笔吗?

禁词和格式约束走入了死结:禁了没用的词改不了风格,有用的事(对话、长段、情绪)禁词又管不到。第二轮已经证明技法约束是唯一有效的类别–去掉35条技法,AI味暴增10分。但技法约束要求模型做的事(写对话、写情绪、写长段),模型又做不到–违反率60-100%。技法有效,但遵从率太低。1. 核心AI套话:禁了模型就写不出来。"微微"在82%的样本中出现,"缓缓"在77%中出现,"仿佛/像是/如同"合计覆盖92%。这些不是偶尔用一下的修辞,而是模型动作描写和比喻的核心模板。

loopne的博客 756

CentOS7下用FreeRADIUS+AD实现802.1X认证完整指南(附华为交换机配置)

本文提供了在CentOS 7系统上部署FreeRADIUS并与Windows Active Directory集成,以实现企业级802.1X网络认证的完整实战指南。内容涵盖从架构原理、服务器配置(包括Kerberos、Samba Winbind集成)、FreeRADIUS核心设置与AD联动,到华为交换机的详细配置步骤。重点解决了生产环境中常见的高可用、动态VLAN下发及深度排错问题,为企业构建集中、安全的网络准入控制体系提供了经过验证的解决方案。

weixin_29273849的博客 408

2025年AI写作工具实战测评:寻找真正适配网文创作的工具

对网文作者而言,一款优质的AI写作工具,核心不是功能多全,而是能否精准的适配网文创作逻辑 —— 既要懂 “爽点设计”“节奏把控” 的专业需求,又要解决 “卡文”“效率低” 的实际痛点,更要保障创作者的权益安全。只有同时满足这些条件,才能真正成为作者的创作搭档,而不是添乱的 “工具人”。

zidu1010的博客 1097

通过情感分类实例 详细介绍如果借助Huggingface平台 完成Transformers模型运行(包括配置环境-tokenizer-Model-输出头-预测)

attention_mask和padding是配套使用的,当人为去修改padding的时候,也要把attention_mask里面的参数进行修改。下载Huggingface包,Huggingface可以说是一个社区,集成了很多nlp的模型、数据集、预训练权重文件等等,并且免费,只需要pip install下载即可。那么用什么做分类就选择什么输出头,就import什么东西。代码中使用了自动分词器选择,它是由checkpoint指定的预训练模型关联的,不用我们自己选择tokenizer,它自动帮我们选择好了。

LZL2020LZL的博客 1138

【NVIDIA-GB200-1】国内第一份生产环境实战安装配置教程,配置安装脚本,nvidia gb200配置教程-复制即用;gb200驱动安装

GB200 的高性能通信依赖。

jundao1997的专栏 707

试了6个写作助手,我找到了最适合写网文的那个!

《网文作者实测6款AI写作工具:哪款最懂爽点套路?》 摘要: 本文作者深度测评了6款国内外主流AI写作工具(笔灵AI、ChatGPT、DeepSeek、文心一言、Claude、腾讯元宝),从网文创作者角度评估各工具表现。测试重点包括:网文风格适配度、故事架构能力、辅助工具实用性及操作便捷性。综合体验显示,笔灵AI在网文专业度上表现突出,其"拆书"功能和设定模板尤其实用;ChatGPT逻辑清晰但网文味不足;其他工具各有特色但均存在明显短板。作者建议新手首选笔灵AI,复杂架构作品可搭配Cla

2301_79545694的博客 1032

智能座舱SoC平台横评:SA8155P、SA8255P、SA8295P、MT8678、MT8628 谁是下代车机首选?

高通SA8295P以PC级架构、强悍AI算力,代表安卓阵营迈向“本地大模型+空间计算”阶段;联发科MT8678则凭借低功耗 + 高带宽,成为副驾多媒体/副屏智能化的性价比之王。在座舱设计中,SoC平台决定了你能给用户什么样的交互方式,选型时切忌只看跑分,而要回归“体验-热设计-平台生态”的三角平衡。

weixin_43199439的博客 3362

这6个AI写作工具,我试了个遍!写网文哪个最顺手?

【摘要】 本文测评6款AI写作工具(笔灵、ChatGPT、Claude、文心一言、腾讯元宝、DeepSeek)对网文创作的适配性,以玄幻/言情小说为测试案例,从网文风格、剧情节奏、辅助功能等维度展开实测。结果显示:笔灵在设定模板、拆书分析等网文专项功能上表现突出;ChatGPT逻辑清晰但成本高;Claude擅架构梳理;国产工具中,文心一言描写平缓,元宝功能尚浅,DeepSeek易偏离主题。建议新手首选笔灵,复杂架构可搭配Claude,技术党可选ChatGPT+自建素材库。AI工具虽无法替代创作核心,但能有效

chataigc的博客 3019

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

Robot_PLC_HMI_Automation 4226

数据预处理

数据预处理 数据预处理(数据清洗)是数据挖掘过程中的重要一步,它主要包括数据清洗,数据集成,数据变换和数据规约。 在我们进行数据挖掘的过程中,大量的原始数据中存在着大量有问题的数据(脏数据)比如有缺失值的,不一致的,有异常的,大量重复的数据等。这些脏数据会严重影响到数据挖掘建模过程的执行效率,也可能会使挖掘结果产生偏差。通过数据预处理(数据清洗)可以提高数据的质量,更好的适应特定的挖掘技术及工具。...

CJW的博客 9931

AI写作实战:从提示词工程到网文变现的完整指南

在人工智能技术浪潮中,自然语言处理与生成式AI正深刻改变内容创作领域。其核心原理在于通过大规模语言模型学习海量文本模式,实现可控的文本生成。这项技术的价值在于极大提升了内容生产的效率,成为创作者的高效辅助工具。在应用场景上,它尤其适用于需要快速产出、模式化程度较高的网络文学创作。本文聚焦于如何通过精细的提示词工程与结构化工作流,将AI从基础的文本生成器,驯化为符合网文市场规则的协作伙伴,并深入探讨了在内容把控与平台运营等关键环节中,人的核心决策作用。

weixin_29053695的博客 331

那些年我们create generate clock遇到的坑

想必大家对create_generate_clock这个命令熟悉的不能再熟悉了,然而,在真正做实际项目的时候,会出现各式各样的问题,比如在report timing时,generate clock路径不是我们预想的,source latency丢失等等,今天小编就跟大家重点聊聊source latency丢失的情况。clock时,首先我们要对一个项目的时钟结构要比较清晰,同时针对一些复杂的生成时钟,我们也要学会画波形图进行分析;接下来,我们就来看看哪些case会导致source latency丢失。

芯冰乐 138

AI写作用了这么多提示词之后,我对网文的理解

AI对于网文的创作似乎还不够熟悉,这可能是由于训练数据的局限性,许多AI提供的创意、大纲和文风往往更倾向于传统小说,对于网文中常见的题材把握不够精准,更不用说一些特定的。梳理其他创意元素,一个网文作品的故事概要应包含哪些元素,需要考虑的问题有哪些,每个拆解下来的子问题、步骤有哪些要求,它们之间是否存在联系等。在当前阶段,AI只是让我们从方法中涌现创意、内容的速度更快,而不能替代我们对网文的理解、对创作技巧的掌握、对结果的控制。以我开发的「网文创意生成提示词」为例,要让AI生成可用的网文创意,使用扣子。

weixin_42172073的博客 1056

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

国内外6大AI写作工具亲测:写网文,谁最能帮上忙?

【摘要】本文对比评测6款热门AI写作工具对网文创作的适配性,包括笔灵、ChatGPT等国内外产品。测试维度涵盖网文风格理解、角色设定、实用功能等。结果显示:笔灵在网文专业性和拆书功能上表现突出;ChatGPT适合复杂世界观构建;Claude长于逻辑框架但缺乏网文"爽感"。作者建议新手直接使用笔灵,技术控选择DeepSeek,并强调AI工具应作为辅助而非替代。最终指出,合适的工具组合能有效提升写作效率,但核心创意仍需作者把控。

chataigc的博客 2096

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

AI辅助网文创作:提示词合集提升写作效率与内容质量

提示词工程作为自然语言处理的重要技术,通过精心设计的输入指令引导AI模型生成符合预期的内容。其原理基于大语言模型的上下文理解能力,通过结构化指令实现精准的内容控制。在AI辅助创作领域,提示词技术能够显著提升内容生成效率和质量,特别适用于网文创作这类需要特定风格和套路的场景。网文创作涉及开篇技巧、人物塑造、情节发展等核心要素,通过针对性的提示词模板,作者可以快速生成符合网文规律的内容框架。本资源提供的提示词合集覆盖玄幻仙侠、都市言情、科幻未来等多种题材,包含角色对话生成、环境描写等实用模板,帮助创作者突破写作

weixin_30851867的博客 411

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

我实测了6个写作AI:哪个真能帮咱网文作者渡过卡文难关?

我明明给的是个“霸总追妻”的常见套路设定,它愣是能给我写出点科幻感来,感觉主角下一秒要掏出激光剑了。可以拿来**辅助归纳一些设定素材,或者当个灵感池子**翻翻看,但**指望它直接写出精彩的正文,不太现实**。现阶段**适合刚入门练练手,找找感觉**,但真要投入正式创作,功能深度和网文契合度还有待加强。反正,只要咱们还在写,就挺好。那种脑子一片空白,截稿日近在眼前,却连个像样的点子都抓不住的滋味,太难受了。实在受不了,我干脆自己动手,挑了现在国内外热度挺高的6个AI工具,从一个网文作者的角度,挨个试了试。

chataigc的博客 1098

AI网文写作实验笔记(十三):系列总结——12 篇实验、8 条核心结论,把“AI 写小说“每一步拆开验证

AI 写小说这条路能走通,但关键不在"提示词",在"结构"。人给蓝图和结构(戏蓝图、大纲、情绪曲线、伏笔规则),AI 填血肉,独立模型去 AI 味,工具管长线。12 篇实验把这条路每一步都用数据验证过,没有玄学,只有可复现的结论。本系列完结。Part 1-13 全部发布。

loopne的博客 714

没有文学基础的普通人如何快速入门网文写作?

摘要:文章针对零基础人士能否成功创作网文的问题,提出肯定答案并给出系统建议。作者指出网文与传统文学不同,更重节奏感和读者体验,是一门可习得的技术。文章给出四个突破口:1)从模仿热门作品开始;2)掌握成熟套路框架;3)重视大纲制作避免卡文;4)培养持续输出习惯。通过会计转行网文的真实案例,说明普通人通过定位、学习和坚持也能成功。最后给出六步行动指南,强调想象力、执行力和读者理解比文学功底更重要,鼓励读者利用AI工具降低门槛,并立即付诸实践。(149字)

huayishuo的博客 1473

AI网文写作实验笔记(八):1轮追问就够了——60篇盲测证明:多追3轮是白花钱

追问有用但增量小(两评者一致:初稿最差、改后更好);1 轮 vs 3 轮两评者无共识,所以取便宜的 1 轮;换修改模型两评者都说没差别。追问的成本结构里,轮数和修改者都可省——真正要保证的是“审查者独立”(Part 5 原理),这一步别省。人填蓝图 → 生成 → 独立模型审查 → 任意模型按指令改 → 人工终审。

loopne的博客 1409

AI网文写作实验笔记(十一):AI 的情绪曲线,只能控制一半——压抑释放能控,峰值位置只有趋势

情绪曲线两个结构参数,一强一弱:压抑-释放能控且统计显著(压抑 3 段比 1 段强度差大 70%),峰值位置只有方向趋势、三组差异不显著、测量有波动。配合 Part 10 的载体蓝图,"情绪曲线的骨架"部分可编程(载体、压抑释放),峰值位置还不能当精确控制手段。

loopne的博客 880
上一篇: AI网文写作实验笔记(一):为什么你改了一百次提示词,效果还是没有提升?
下一篇: AI网文写作实验笔记(三):三轮1541篇样本测完,约束到底能管住AI的笔吗?
loopne
博客等级 码龄11年 0粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值