3,583 papers
arXiv:2604.21036 71 22 апр. 2026 г. PRO

Target-Based Prompting: управление демографическим разнообразием в AI-изображениях через явные пропорции

КЛЮЧЕВАЯ СУТЬ
Попроси DALL-E нарисовать «успешного предпринимателя» — получишь белого мужчину лет тридцати пяти. Попроси снова — снова он. Это не сбой и не злой умысел: модель просто воспроизводит то, что встречалось чаще всего в обучающих данных. Target-Based Prompting позволяет задать точные пропорции — 25% азиатской внешности, 20% латиноамериканской — вместо случайного дефолта. Фишка: LLM выступает посредником — ты описываешь нужное распределение, она переписывает один промпт в серию конкретных вариантов с явными демографическими описаниями. Неявный выбор модели заменяется твоим явным решением.
Адаптировать под запрос
📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO
📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

0 / 2000
~0.5-2 N-токенов ~10-30с
~0.3-1 N-токенов ~5-15с