基于Mn2+掺杂Mg2Y8(SiO4)6O2磷光体的多参数光学热力学和力学计量
材料科学
2025-11-04 v1 机器学习
应用物理
摘要
本文提出了一种新型框架，将资源密集型（对抗性）prompt优化问题转化为\emph{高效、 amortized推断任务}。我们的核心洞察是，预训练的非自回归生成式LLM（如扩散LLM），which model the联合分布 over prompt-response对， can serve as强大的prompt search surrogate。这种方法使我们能够直接条件生成prompt，有效地用少量可并行样本取代昂贵的、针对每个实例的离散优化。我们提供了概率分析，表明在温和保真度假设下，只需少量条件样本即可恢复高回报（有害）prompt。经验上，我们发现生成的prompt是低perplexity、多样化的越狱，能够有效地transfer to广泛的black-box目标模型，包括robustly训练的和专有LLM。除了对抗性prompt外，我们的框架开辟了新的方向用于red teaming、自动化prompt优化以及利用新出现的Flow-和基于扩散的LLM。
引用
@article{arxiv.2511.00204,
title = {Transfer learning discovery of molecular modulators for perovskite solar cells},
author = {Haoming Yan and Xinyu Chen and Yanran Wang and Zhengchao Luo and Weizheng Huang and Hongshuai Wang and Peng Chen and Yuzhi Zhang and Weijie Sun and Jinzhuo Wang and Qihuang Gong and Rui Zhu and Lichen Zhao},
journal= {arXiv preprint arXiv:2511.00204},
year = {2025}
}