Prompt 2：功能多样的创新工具

一、iOS 平台的强大 SSH 客户端

在移动办公日益普及的当下，对于系统管理员等经常需要与服务器交互的人群而言，拥有一款便捷高效的 SSH 客户端至关重要。Prompt 2 作为 iOS 平台上首屈一指的 SSH 客户端，自发布三年以来，持续更新迭代，收获了众多管理员的青睐。

（一）强大的功能特性

1. Panic Sync：这一安全且超级便捷的同步服务，允许用户在所有 iOS 设备上的 Prompt 应用之间，同步收藏的服务器、密码、私钥以及常用命令片段（clips）。其速度快、安全性极高，并且完全免费，为用户在不同设备间无缝切换工作提供了有力支持。
2. Clips：用户可将最常用的命令和文本片段存入 clips 中，通过 Prompt 的键盘栏，只需轻轻一点即可快速调用。这些 clips 既可以全局存储，方便在所有服务器连接中使用；也能针对特定服务器单独存储，满足个性化的使用需求。
3. Face ID 锁：借助先进的 Face ID 技术，用户能够为 Prompt 应用设置专属锁，确保只有授权用户可以访问，极大地增强了服务器连接信息的安全性，为敏感数据保驾护航。
4. 私钥生成：在 Prompt 2 中，用户无需离开应用，即可直接生成私钥。生成后，可轻松将其部署到服务器上，简化了服务器配置流程，提高工作效率。
5. 改进的密钥管理：与以往相比，现在使用私钥进行操作变得更加轻松容易。无论是导入、导出还是管理私钥，都有了更便捷的操作方式，降低了用户在密钥管理方面的难度。
6. 打开连接切换：在 iPad 上，用户可通过标签栏轻松切换不同的连接；在 iPhone 上，通过边缘滑动的操作即可实现连接切换。这种便捷的连接切换方式，让用户在处理多个服务器连接任务时能够快速切换，提升工作流畅度。
7. 服务器文件夹：用户可以创建服务器组，将相关的服务器归入同一文件夹，实现更高效的服务器分类管理。当服务器数量众多时，通过这种分类方式能够快速找到需要连接的服务器，节省查找时间。

（二）出色的设计与适配

1. 全新设计：Prompt 2 拥有更加时尚、简洁、美观的界面设计，为用户带来愉悦的视觉体验。无论是在 iPhone 还是 iPad 上，都能展现出良好的视觉效果，适配各种屏幕尺寸，在 iPhone 5s 到最新款 iPhone 以及各型号 iPad 上均能完美运行。
2. 可定制键盘栏：用户可根据自己的使用习惯，对键盘栏进行定制。添加常用的功能按钮或快捷命令，使操作更加顺手，进一步提高操作效率。
3. 自动完成：在输入命令时，自动完成功能能够根据用户以往的输入记录和常见命令，智能预测并提示可能需要输入的内容，减少用户的输入工作量，同时降低输入错误的概率。
4. 全蓝牙键盘支持：对于使用蓝牙键盘进行操作的用户，Prompt 2 提供了全面的支持。无论是在输入命令、编辑文本还是执行其他操作时，蓝牙键盘都能与应用完美配合，为用户提供类似于在电脑上操作的便捷体验。
5. 代理转发：通过代理转发功能，用户可以在任何地点对服务器进行远程控制，突破网络限制，实现更灵活的服务器管理。

二、自然语言指令生成可部署模型的创新框架

在自然语言处理（NLP）领域，大型语言模型（LLMs）虽然使得系统构建者能够通过简单的自然语言提示创建有效的 NLP 系统，但在部署方面存在计算资源需求大、依赖 API 等问题。Prompt2Model 的出现为解决这些问题提供了创新的解决方案。

（一）Prompt2Model 的工作流程

1. 提示解析：用户输入类似用于 LLMs 的提示词，包括任务指令以及预期回复的演示样例。系统利用具有上下文学习能力的大型语言模型（如 OpenAI gpt – 3.5 – turbo – 0613）将提示解析为指令和演示，若指令为非英语，会使用 DeepL API 将其翻译成英语。
2. 数据集检索：系统在 Huggingface 上提取所有数据集的用户描述，然后利用 DataFinder 的双编码检索器对数据集进行相关度排序。向用户展示排名靠前的 k（=25）个数据集，用户可选择相关数据集，并指定输入和输出列。
3. 数据集生成：当没有完全匹配用户任务的数据集时，数据集生成器发挥作用。通过自动化提示工程生成多样化的数据集，利用温度退火调整采样温度以促进数据多样化，采用自洽解码选择最频繁的答案提高数据集准确性，同时通过异步批处理优化 API 用量。
4. 模型检索：系统将范围限制在 Huggingface 上的编码器解码器架构，以支持海量任务。使用用户指令作为查询，基于 Huggingface 上模型的文本描述进行搜索。先利用 gpt – 3.5 – turbo 创建假设模型描述扩展查询，再用 BM25 算法计算查询模型的相似度分数。用户可设定模型尺寸阈值（默认 3GB），过滤掉超大模型，并可根据下载量对模型进行排序。
5. 模型训练：将检索到的数据集和生成的数据集进行文本化处理，并与用户指令合并添加到模型输入中。将两个数据集组合打乱后，使用 AdamW 优化器，以学习率 5e – 5 训练 3 个 epoch，每个任务训练时间约为一小时。
6. 模型评估：使用精确匹配、ChrF++ 和 BERTScore 三个通用指标对模型进行自动化评估。精确匹配衡量模型输出与参考答案的完美匹配程度；ChrF++ 平衡精确度和召回率评估文本生成质量；BERTScore 通过比较嵌入空间中的模型输出和参考来捕获语义相似性，使用 XLM – R 作为 BERTScore 的编码器支持多语言评估。
7. Web 应用创建（可选）：Prompt2Model 提供了一个可选步骤，利用 Gradio 构建图形用户界面，方便下游用户与训练好的模型进行交互，并且该 Web 应用可轻松部署在服务器上。

（二）显著的优势

1. 性能卓越：在三项任务实验中，在给定相同的少样本提示作为输入的情况下，Prompt2Model 训练出的模型性能比强大的 LLM gpt – 3.5 – turbo 的结果平均高出 20%，同时模型尺寸最多可缩小至 gpt – 3.5 – turbo 的 1/700，大大降低了部署成本和资源需求。
2. 快速构建：无需手动数据标注或复杂的架构设计，即可在数小时内生成特定任务的模型，弥补了概念验证 LLM 原型与实际模型部署之间的差距，为快速构建小型且功能强大的 NLP 系统提供了有力工具。
3. 可扩展性与模块化：设计遵循模块化、可扩展原则，每个组件都可由开发者重新实现或禁用，为研究人员提供了一个端到端、基于提示的模型训练测试平台，可用于探索模型蒸馏、数据集生成、合成评估、数据集检索和模型检索等方面的新技术。

三、图像编辑领域的创新技术

在图像编辑领域，随着文本控制图像生成模型（如 Stable Diffusion）的发展，图像生成变得相对容易，但在保持原始构图不变的前提下进行有针对性的图像编辑仍然面临挑战。Prompt – to – Prompt（prompt2prompt）方法为这一问题提供了创新的解决方案。

（一）prompt2prompt 的技术原理

1. 交叉注意力机制：在基于扩散模型的文本到图像生成过程中，交叉注意力层起着关键作用。查询矩阵（Q）由带噪图像通过线性映射得到，键矩阵（K）和值矩阵（V）由文本 prompt 的嵌入向量通过不同的线性映射得到。注意力图（M）通过 Q 和 K 的点积计算并经过 softmax 函数归一化，反映每个图像块与文本中各个单词的相关性。交叉注意力层的输出则通过注意力图 M 对值矩阵 V 进行加权平均，生成图像生成过程中的中间表示。
2. 交叉注意力图替换：prompt2prompt 方法的核心在于，认识到图像的空间布局主要由交叉注意力图决定。具体操作步骤为：首先，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。然后，修改文本提示，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，新生成的图像既能在语义上符合修改后的提示，又能在空间布局上保持与原始图像一致。

（二）多样的应用场景

1. 特定物体或属性修改：通过替换提示中的特定单词，能够实现图像中特定物体或属性的精准修改。例如，将提示中的 “红色汽车” 改为 “蓝色汽车”，即可在保持图像整体布局的情况下，将汽车颜色从红色变为蓝色。
2. 整体风格或部分元素修改：在原始提示中添加新单词，可实现图像整体风格或部分元素的调整。比如，在描述风景的提示中添加 “梦幻的”，生成的图像将呈现出梦幻风格的视觉效果。
3. 特定单词注意力权重调整：通过调整特定单词的注意力权重，能够增强或减弱其在生成图像中的表现。例如，在描述人物的提示中，提高 “眼睛” 一词的注意力权重，生成的图像中人物的眼睛会更加突出。

（三）实际应用中的考虑因素

1. 模型支持与实现：目前 Hugging Face Diffusers 库可能尚未直接支持这些操作，用户可能需要自定义模型或利用钩子（hooks）来实现。这需要用户对模型的内部结构有深入了解，并具备一定的编程能力。
2. 计算资源需求：替换交叉注意力图的操作可能会增加计算开销，因此建议在拥有强大计算资源（如 GPU）的环境下运行，以确保图像编辑过程的高效流畅。
3. 真实图像编辑：在处理真实图像时，由于无法直接获取其生成过程中的交叉注意力图，需要通过反演（Inversion）技术，如 DDIM Inversion，将真实图像反推为扩散模型的起始噪声，再应用 prompt2prompt 进行编辑。但当前反推技术可能无法完全还原真实图像，影响编辑效果，且反推过程通常需要大量计算资源。