ForgeFluencer vs mshumer/gpt-prompt-engineer - GitHub

ForgeFluencer crée des influenceurs virtuels à partir d'un portrait de référence et conserve le même visage sur les photos, les essayages de vêtements et les courtes vidéos. Les contrôles d'image couvrent le cadrage, le format, le lieu, la tenue et l'expression, tandis que les échanges de visage vidéo optionnels et l'importation de vêtements étendent les publications au-delà des images statiques.

Contrairement à la gestion simultanée de bots Discord et d'éditeurs d'images séparés, ForgeFluencer regroupe la création de modèles, un catalogue de séances photo, un studio photo et la génération vidéo dans un flux de travail adapté au bureau. Le mode séance photo génère des scènes prédéfinies en deux clics, et la garde-robe virtuelle applique les vêtements importés à une photo de modèle existante pour des publications de tenues de marque.

Les créateurs ciblant Instagram, TikTok, Fanvue ou Patreon l'utilisent pour des personnages d'influenceurs réalistes ou de style anime. Les comptes gratuits incluent 5 crédits et deux emplacements de modèles, tandis que les formules payantes augmentent les crédits mensuels, les limites de modèles et les quotas vidéo premium.

mshumer/gpt-prompt-engineer est une boîte à outils open source d'ingénierie des prompts qui génère, teste et classe des prompts candidats pour une tâche que vous définissez. Vous décrivez le cas d'utilisation, fournissez des cas de test, et les notebooks créent plusieurs variantes de prompts, les exécutent sur chaque cas de test, et trient les résultats avec un système de notation ELO commençant à 1200. Il est livré sous forme de notebooks Jupyter que vous pouvez exécuter dans Google Colab ou localement.

La plupart des outils de prompt vous aident à écrire un prompt à la fois. gpt-prompt-engineer traite la sélection de prompts comme un tournoi : des dizaines de candidats s'affrontent sur vos cas de test, et les scores ELO les plus élevés font ressortir les gagnants. Des notebooks séparés couvrent les tâches de classification, Claude 3 Opus avec des cas de test générés automatiquement, et la conversion Opus-to-Haiku pour une inférence moins coûteuse. Des journaux optionnels Weights & Biases et Portkey tracent chaque exécution.

Les ingénieurs en apprentissage machine, les ingénieurs en prompts et les développeurs en IA l'utilisent lorsqu'ils ont besoin d'un réglage reproductible des prompts plutôt que d'essais manuels et d'erreurs. Le dépôt compte 9,7 k étoiles GitHub et fonctionne avec vos propres clés d'API OpenAI ou Anthropic. Il est gratuit sous licence MIT.