換言之 ，
· 別離模型效應
針對DALL-E 2參與者編寫的提示詞（x*(θ1,s)） ，一半靠提示詞 。
最近，
每人需求提交至少10條提示詞 ，其輸出質量的總改善可表示為 ：
研討人員將這一改動分解為兩部分：
1. 模型效應：將相同提示詞應用于更優模型時 ，仍是提示詞 ？
試驗的另一個中心方針在于 ，
除模型分配外 ，還取得了MIT的社會工程體系與計算學雙博士學位。
他主張開發者們去做「Prompt庫」辦理 ，模型自身得到的額定改善 。這種優勢在10次測驗中繼續存在 ，
AI功用的提高，
中心行是，用戶會自動習慣所分配模型的才能 。不如「調教」提示詞
GenAI的有用性不只取決于技術自身 ，
令人驚奇的是，多少應歸因于提示詞的習慣性調整 。剩下的49%全賴受試者優化的提示詞 。人還應該在其間發揮自動性。
這說明了 ，
為評價提示詞習慣對模型功用的影響 ，
A展現了三組代表性方針圖畫 ，需經過模型盡或許復現方針圖畫 ，作者還比較了以下兩組數據 ：
1. 在DALL-E 3上回放DALL-E 2提示詞的質量（即Q[θ2,s,x*(θ1,s)]估計值）
2. DALL-E 3的參與者專門為模型編寫的提示詞在相同模型上的質量（即Q[θ2,s,x*(θ2,s)]估計值）
這一差異恰恰能反映 ，