Prompt 2：iOS 上强大易用的 SSH 客户端

Prompt 2 是 panic, inc. 开发的一款 iOS 应用，自 2014 年 10 月推出以来，凭借其强大的功能和易用性，在 SSH 客户端领域占据重要地位。它拥有高达 4.76 分（满分 5 分，基于 4300 个评分）的良好口碑。

这款应用的一大亮点是提供了免费的 Panic Sync 服务，可在所有 iOS 设备上同步用户最喜爱的服务器、密码、私钥和剪辑内容，速度快且安全性极高。例如，当你在 iPhone 上添加了新的服务器信息，通过 Panic Sync，在 iPad 上也能立即同步获取。

在功能方面，它允许用户将最常用的命令和文本片段放入剪辑中，通过键盘栏只需轻轻一点即可访问，并且剪辑可以全局存储或按服务器分类存储。同时支持面部识别锁（Face ID Lock），为服务器安全增添保障；还具备私钥生成功能，用户无需离开应用就能生成密钥并轻松部署到服务器上。在连接管理上，通过标签栏（iPad）或边缘滑动（iPhone）可以轻松在不同连接之间切换，并且支持创建服务器文件夹，便于对服务器进行分类管理。其界面设计清新美观，还支持自定义键盘栏、自动完成以及全功能蓝牙键盘，甚至具备代理转发功能，让用户无论身处何地都能轻松掌控服务器。

Prompt2Model：从自然语言指令生成可部署模型

随着大型语言模型（LLMs）的发展，通过自然语言提示构建 NLP 系统变得相对容易，但 LLMs 在部署时面临计算资源需求大以及受 API 限制等问题。Prompt2Model 应运而生，它是一种通用方法，能利用类似提供给 LLMs 的自然语言任务描述，训练出利于部署的专用模型。

其工作流程包括多步骤：首先检索现有的数据集和预训练模型，接着使用 LLMs 生成数据集，最后对这些检索和生成的数据集进行监督微调。在多个任务实验中，给定相同的少样本提示作为输入，Prompt2Model 训练出的模型平均比强大的 LLM——gpt – 3.5 – turbo 性能高出 20%，而模型大小却只有其 1/700。例如在文本分类任务中，使用 Prompt2Model 训练的模型能以更小的模型规模达到更高的准确率。

Prompt2Model 系统相当于一个自动化机器学习管道平台，涵盖数据收集、模型训练、评估和部署等环节。其中，数据收集系统利用数据集检索和基于 LLM 的数据集生成来获取相关标注数据；然后检索合适的预训练模型，并在收集的数据上进行微调；最后使用测试集对模型进行评估，还能创建与模型交互的 Web UI。该系统设计模块化、可扩展，开发者可根据需求重新实现或禁用每个组件。

Prompt – to – Prompt：创新的图像编辑技术

在文本控制图像生成模型如 Stable Diffusion 发展迅速的当下，图像编辑却仍面临挑战，尤其是在保持原始构图不变的同时进行有针对性的修改。Prompt – to – Prompt（prompt2prompt）技术则为这一难题提供了创新性解决方案，它无需额外掩码，仅通过修改文本提示就能实现图像编辑。

其原理基于对扩散模型中交叉注意力机制的深入分析。在基于扩散模型的文本到图像生成过程中，交叉注意力层负责将文本提示中的每个单词与图像生成过程中的不同图像块相关联。具体涉及查询矩阵（由带噪图像通过线性映射得到）、键矩阵和值矩阵（由文本 prompt 的嵌入向量通过不同线性映射得到），通过计算它们之间的关系得到注意力图，进而生成图像生成过程中的中间表示。

Prompt – to – Prompt 方法的核心在于，图像的空间布局主要由交叉注意力图决定。其操作步骤为：先使用原始提示和随机种子生成图像，并保存生成过程中的交叉注意力图；当修改文本提示后，在生成编辑图像时，将原始生成过程中的交叉注意力图替换为新的交叉注意力图，这样新图像就能在语义上符合修改后的提示，同时在空间布局上保持与原始图像一致。基于此，该方法实现了三种具体的图像编辑应用：替换提示中的特定单词以修改图像中特定物体或属性；在原始提示中添加新单词以修改整体风格或部分元素；调整特定单词的注意力权重以增强或减弱其在生成图像中的表现。例如，将 “红色汽车” 的图像通过修改提示为 “蓝色摩托车”，利用该技术可以在保持图像整体布局和背景不变的情况下，精准地将汽车变为摩托车。