DALL-E 3调参教程；百度新出的AI写小说神器；通义听悟看播客也太爽了；系列博文带你理解生成式AI | ShowMeAI日报

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

🔥 2023年诺贝尔奖全部揭晓，一文看完6类奖项花落谁家

https://www.nobelprize.org/prizes

随着最后一项「经济学奖」的揭秘，备受瞩目的2023年诺贝尔奖6类奖项得主已经揭晓。按照官方的发布顺序，日报整理了 Physics 物理、Chemistry 化学、Medicine 医学、Literature 文学、Peace 和平、Economic Sciences 经济学奖项的获奖者基本信息和获奖理由。

你也可以在右侧文章里查看详细介绍，或者前往各领域专业频道查看更专业的解读 ⋙ 阅读全文

🔥 月之暗面发布20万汉字的智能助手Kimi Chat，目前开放内测申请

https://www.moonshot.cn

国内大模型最神秘的创业公司之一，月之暗面 Moonshot AI 终于发布了第一款模型和产品 Kimi Chat。目前已经开放内测，可以访问上方链接进行申请。

Kimi Chat 是首个支持输入 20 万汉字的智能助手产品。这一上下文长度，是目前最高的 Claude 2-100k (约 8 万字) 的 2.5 倍，GPT-4-32k (约 2.5 万字) 的 8 倍 ⋙ 了解更多

🏆 一场AI写中文小说的武林大会，试看科技和人文的交锋

知识星球 · 比赛资料合集：https://t.zsxq.com/13qJHWhGb

关于本次比赛的资料和讨论很多，都已经整理在知识星球，可以访问链接前往获取

8月份的时候， GenWorld 与真格基金等共同举办了首届中文LLM微小说大赛，吸引了科技从业者、作家、媒体人等数百位选手参赛，角逐出了六篇获奖作品。

有意思的是，举办方将获奖作品和交互记录都进行了公开，让我们看到了完整的创作过程。今天日报推荐的播客也是这场比赛的余波荡漾，主持人邀请了赛事的主办者 Justin 和 Frank，聊聊科技和人文价值。

🧰 如何调整DALL-E 3 参数，新一轮AI绘画工具经验分享

最近社群里在讨论如何调整 DALL-E 3 生成图像的参数，尤其是图像尺寸。几番尝试下来发现，GPT-4的调整空间更多，Bing输出的生成图像似乎比较局限。下方是调参经验分享，带给了 DALL-E 3 绘画更多可能：

1. 尺寸 (Size)：你可以选择不同的长宽比，如1024x1024 (正方形) ，1792x1024 (宽屏) ，或1024x1792 (高屏)

2. 提示语 (Prompts)：这是生成图像的主要描述。你可以为其提供详细的描述，这有助于获得更准确和满意的结果

3. 种子号 (Seeds)：种子号决定了图像生成的随机性。即使使用相同的描述，不同的种子号也会导致生成稍有不同的图像 ⋙ GPT-4 DALL-E 3参数调整分享

🧩 非程序员的我，用AI构建机器人，每天自动生成 LLM 新闻摘要

作者在没有任何编程经验的情况下，用 Replit 和AI构建了一个机器人，每天向Slack频道发送一份摘要，包括 LLM 热门话题、活跃用户和有趣的消息。

在这篇文章就介绍了他的开发经验，以及这个过程中遇到的挑战、工具和技术，包括 Replit、ModelFarm、Ghostwriter、Google LLMs 等，还公开了自己的项目模板。

整个开发过程整理得非常详细，可以前往获取各个步骤细节和更多资料 ⋙ 阅读原文

🚀 红衫中国 Sparkle Moments 第2期报名，寻找0-1的创业者

这是红衫中国「Sparkle消费创想汇」第2期的报名提醒。注意！报名截止日为2023年10月22日，活动时间是2023年11月18日至19日，在上海举办，面向大消费领域创业者。

活动将邀请知名消费品牌创始人深度分享创业历程和心得，面对面交流实战经验，对接核心创业资源。感兴趣可以前往 ⋙ 了解更多

👩‍💻 百度新出的小说AI写作工具，让人人可以写故事

https://zuojia.baidu.com

百度作家平台最近推出了新功能，可以写故事和小说了。这个写小说的功能尤其惊艳，可以说通过AI辅助，将小说的创作难度拉低到了「我上我也行」的程度！

从截图可以看出，创作工具的AI功能很丰富，支持选择多个标签，然后自动生成故事梗概和细化到章的大纲！还能扩写、润色、续写、较多，并且解决了让作者头大的设定和起名问题！已经实打实成为创作者的效率工具了！

当然，AI不是代替作者，也不是劣币驱逐良币搞一堆垃圾AI文。如何更好的帮助优质作者提升效率，让作者专注情节和重点段落的写作，是更值得探索的方向 ⋙ 开发者亲自写的安利文

📚 带你理解生成式AI系列，第1部分 Tokenizer

生成式人工智能的爆发，吸引了更多人的关注AI模型的运作原理。对于技术写作者来说，如何清晰准确地解释清楚成为了新的挑战，因为这意味着要尽可能少地涉及数学和框架等繁难的知识点。

本文是系列更新的第一章，后续更新会涉及思维链、检索增强生成 (RAG)、ReAct代理、LangChain等更多热门主题。如果你也有学习需求，可以追一下这个系列的更新，在不涉及技术细节的情况下掌握AI模型的工作原理。

Tokenizer 是一个将文本数据转换为数字表示的工具，它是训练生成式人工智能模型的第一步

1. 每个AI都是一个应用程序：讨论了AI的应用性质，包括其在各种场景中的实际应用

2. 一个好的 Autocomplete：自动完成系统与全面的语言模型之间的区别，突出了每个系统的限制和优点，也解释了自动完成工具如何帮助生成新的内容

3. 定义一个单词：如何定义一个词，以及AI如何理解和使用词汇来生成预测

4. 理解分词：分词在将文本转换为与神经网络兼容的格式中的重要性，OpenAI大模型是如何使用分词来处理文本，以及这些模型是如何学习理解这些分词之间的统计关系，并擅长生成分词序列中的下一个分词 ⋙ 阅读原文

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！