示例圖來源:wuyoscar/GPT-Image2-Skill · MIT
心得與說明
怎麼填變量:圖表主題和座標軸可以整體換,比如"[訓練損失隨訓練算力變化]"換成"用戶留存率隨時間變化"、橫軸改"註冊後天數"、四條曲線改成"[四個渠道]";曲線標籤換成"自然流量""廣告投放"等。示例圖是英文版:四條從左上往右下降的曲線,灰、藍、青、橙紅各帶一層淺色陰影,一條橙色虛線斜穿過去標着"compute-optimal frontier",交點處有空心圓,右上角是圖例。
常見問題與調整:
- 刻度數字錯位或重複:把刻度寫成清單,並加"刻度等距排列,只出現列出的數字"。
- 曲線交叉亂:加"四條曲線互不相交,從上到下依次排列"。
- 想做暗色 PPT 版:改成"深色背景,曲線用高亮色,網格線極淡"。
- 需要真實數據圖:用這張定風格,再用 Excel / Python 按同樣配色畫真實數據。
適合:技術分享和科普文章的趨勢示意、PPT 配圖;不適合當作真實實驗結果或放進論文。
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."
改編自 wuyoscar/GPT-Image2-Skill 收錄的提示詞(倉庫整理),許可證 MIT(Copyright (c) 2026 Wuyoscar)。
同款作品
用這條提示詞做出來的作品;原作者會因此獲得積分
還沒有同款,來做第一個。








0 條評論
還沒有評論,來搶沙發~