El texto compara la escritura de prompts con actos antiguos de comunicación, como oraciones o cartas, enfatizando la naturaleza atemporal de enviar palabras a lo desconocido y esperar una respuesta. Señala que, si bien la tecnología es nueva y la velocidad de respuesta instantánea, la esencia del intercambio permanece, y cómo nuestro estado de ánimo influye en la forma en que escribimos los prompts.
Este estudio evalúa el rendimiento de estrategias de prompting (chain-of-thought y zero-shot) en LLMs de razonamiento extendido como Grok-4.1, variando la temperatura de muestreo en 39 problemas matemáticos desafiantes. Se encontró que el prompting de disparo cero alcanza su máximo rendimiento a temperaturas moderadas, mientras que el chain-of-thought funciona mejor en los extremos de temperatura, aumentando el beneficio del razonamiento extendido.
Este estudio de investigación revela que los modelos de lenguaje pequeños (LMs) ajustados por instrucción que utilizan Chain-of-Thought (CoT) para la aritmética a menudo emplean un atajo posicional, copiando el número que ocupa la última posición antes del delimitador de la respuesta. Este atajo domina, incluso si el razonamiento intermedio es correcto, afectando significativamente la precisión de la respuesta.
Este artigo explora se os LLMs aproximam quantitativamente o significado social humano e se estratégias de prompting pragmático podem melhorar essa aproximação. Para isso, introduz métricas de calibração (ESR, CDS) e observa que os modelos reproduzem a estrutura qualitativa das inferências sociais humanas, mas diferem substancialmente em outros aspectos.
Esta investigación presenta un marco de dos partes para la predicción estructurada robusta a grupos, abordando desafíos como la ambigüedad y la dificultad de grupos heterogéneos. Propone una estrategia de prompting agnóstica a la tarea y STaR-DRO, un método novedoso de optimización robusta para el aprendizaje enfocado en grupos persistentemente difíciles.
Este artículo ofrece 10 consejos y trucos para mejorar la generación de vídeo con IA utilizando Kling 3.5, basados en la creación de cientos de clips. La recomendación principal es emplear descripciones de escena completas en lugar de etiquetas de sujeto cortas para obtener mejores resultados y menos artefactos.
Gemini 3.1 Flash TTS es un nuevo modelo de texto a voz que permite a los usuarios obtener un rendimiento de audio preciso mediante prompts. Este artículo ofrece consejos sobre cómo guiar el modelo, utilizando contexto como perfiles de audio, descripciones de escenas y etiquetas para controlar la entrega.
O artigo discute por que as IAs frequentemente produzem respostas genéricas e sem vida, argumentando que o problema não é do modelo, mas sim da forma como os prompts são elaborados, geralmente de maneira neutra e superficial. Essa abordagem leva a IA a gerar respostas que são a média estatística dos padrões de treinamento, resultando em conteúdo sem impacto.
Esta publicación explica cómo usar Amazon Nova 2 Lite para la moderación de contenido mediante técnicas de prompting estructuradas y de forma libre. También compara las capacidades del modelo con varios modelos fundamentales en conjuntos de datos públicos, basado en el Estándar de Evaluación AILuminate de MLCommons.
Este artículo presenta Derivation Prompting, una nueva técnica de prompting para el framework de Generación Aumentada por Recuperación (RAG). El método busca reducir las alucinaciones y el razonamiento erróneo en los Large Language Models (LLMs) mediante la aplicación sistemática de reglas lógicas para derivar conclusiones. Un estudio de caso demostró una reducción significativa de respuestas inaceptables en comparación con los métodos RAG tradicionales.
Este contenido presenta 50 consejos prácticos y subestimados para usuarios avanzados de la IA Claude. Cubre desde codificación y colaboración hasta trucos de prompt y funciones ocultas para optimizar el uso de la herramienta y la gestión del contexto.
Es crucial mantener el foco de la conversación al interactuar con un LLM para asegurar respuestas coherentes. Evitar cambios bruscos de tema ayuda a optimizar el rendimiento del modelo.