mshumer/gpt-prompt-engineer - GitHub vs GET3D | Nvidia

mshumer/gpt-prompt-engineer es un kit de herramientas de ingeniería de prompts de código abierto que genera, prueba y clasifica prompts candidatos para una tarea que definas. Describes el caso de uso, proporcionas casos de prueba, y los cuadernos de Jupyter crean múltiples variantes de prompts, los ejecutan contra cada caso de prueba, y ordenan los resultados con un sistema de puntuación ELO que comienza en 1200. Se distribuye como cuadernos de Jupyter que puedes ejecutar en Google Colab o localmente.

La mayoría de las herramientas de prompts te ayudan a escribir un prompt a la vez. gpt-prompt-engineer trata la selección de prompts como un torneo: docenas de candidatos compiten en tus casos de prueba, y las puntuaciones ELO más altas revelan a los ganadores. Cuadernos separados cubren tareas de clasificación, Claude 3 Opus con casos de prueba generados automáticamente, y conversión de Opus a Haiku para inferencia más económica. El registro opcional con Weights & Biases y Portkey rastrea cada ejecución.

Los ingenieros de ML, ingenieros de prompts y desarrolladores de IA lo utilizan cuando necesitan ajustes reproducibles de prompts en lugar de prueba y error manual. El repositorio tiene 9.7k estrellas en GitHub y funciona con tus propias claves de API de OpenAI o Anthropic. Es gratuito bajo la licencia MIT.

GET3D genera activos de mallas 3D texturizadas que puedes insertar directamente en un motor de renderizado, entrenado únicamente a partir de colecciones de imágenes 2D. Investigadores de NVIDIA lo desarrollaron para producir mallas explícitas con geometría y textura, no campos de radiancia neuronal que requieren renderizadores personalizados para su uso.

La mayoría de los modelos generativos 3D en ese momento omitían texturas, te limitaban a una topología fija o requerían pipelines de renderizado neuronal para visualizar resultados. GET3D utiliza tetraedros diferenciables en marcha (DMTet) junto con pérdidas adversariales sobre imágenes RGB rasterizadas y siluetas, por lo que el resultado es una malla texturizada estándar. La compensación es el acceso a nivel de investigación: este es un proyecto del Laboratorio de IA de NVIDIA Toronto presentado en NeurIPS 2022, no un SaaS alojado con un botón de carga.

El modelo maneja autos, sillas, animales, motocicletas, personajes humanos y edificios. También soporta generación de formas guiada por texto mediante ajuste fino basado en CLIP, similar a StyleGAN-NADA, y puede separar la geometría de la textura mediante códigos latentes separados.