示例图来源：wuyoscar/GPT-Image2-Skill · MIT
心得与说明
怎么填变量：图表主题和坐标轴可以整体换，比如"[训练损失随训练算力变化]"换成"用户留存率随时间变化"、横轴改"注册后天数"、四条曲线改成"[四个渠道]"；曲线标签换成"自然流量""广告投放"等。示例图是英文版：四条从左上往右下降的曲线，灰、蓝、青、橙红各带一层浅色阴影，一条橙色虚线斜穿过去标着"compute-optimal frontier"，交点处有空心圆，右上角是图例。
常见问题与调整：
- 刻度数字错位或重复：把刻度写成清单，并加"刻度等距排列，只出现列出的数字"。
- 曲线交叉乱：加"四条曲线互不相交，从上到下依次排列"。
- 想做暗色 PPT 版：改成"深色背景，曲线用高亮色，网格线极淡"。
- 需要真实数据图：用这张定风格，再用 Excel / Python 按同样配色画真实数据。
适合：技术分享和科普文章的趋势示意、PPT 配图；不适合当作真实实验结果或放进论文。
英文原版
Landscape 16:9 log-scaled plot of training loss vs compute, four curves for different model sizes.
X-axis "Training compute (FLOPs)" with log ticks "1e20", "1e21", "1e22", "1e23", "1e24". Y-axis "Validation loss (cross-entropy)" with linear decreasing ticks "3.5", "3.0", "2.5", "2.0", "1.5".
Four descending curves with ±1σ shaded bands, labels near tails:
"70M params" (slate gray), "1B params" (muted navy), "10B params" (dusty teal), "70B params" (soft terracotta).
Warm-copper dashed diagonal line labeled "compute-optimal frontier"; open circles at isoflop crossover points. Legend box top-right.
Title: "Empirical scaling laws: loss vs training compute". Subtitle: "four model sizes on a fixed data mixture; shaded bands = ±1 std over 3 seeds."改编自 wuyoscar/GPT-Image2-Skill 收录的提示词（仓库整理），许可证 MIT（Copyright (c) 2026 Wuyoscar）。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～