Com a popularização da IA generativa, o mercado de negociação de prompts está crescendo rapidamente. No entanto, plataformas de negociação como a PromptBase ainda são dominadas pelos vendedores na definição de preços, faltando um padrão objetivo de avaliação. Para enfrentar esse desafio, a equipe de multimídia e segurança inteligente da Universidade de Fudan propôs um modelo inovador de negociação de prompts, projetado para melhor se adaptar ao futuro mercado de compradores.
Este novo modelo de negociação consiste principalmente em duas etapas: seleção de categorias de prompts e definição de estratégias de preços. Na primeira etapa, a plataforma utiliza um algoritmo de máquina de caça-níqueis de múltiplos braços baseado em busca gulosa para selecionar as categorias de prompts a serem vendidas com base na avaliação de qualidade. A segunda etapa emprega um método de jogo Stackelberg em cascata, considerando o comprador, a plataforma e o vendedor como líder de primeiro nível, líder de segundo nível e seguidor, respectivamente, priorizando os interesses do comprador.
O cerne do modelo reside na consideração integrada da relevância e qualidade do prompt e do conteúdo gerado, permitindo que todas as partes envolvidas na transação estabeleçam estratégias ótimas, equilibrando custos e receitas. Ao definir uma faixa de preços razoável e requisitos de riqueza de prompts, o modelo equilibra efetivamente os interesses das três partes, esperando um resultado ganha-ganha.
Os pesquisadores Mei-Ling Li e Hong-Run Ren detalharam este modelo em um artigo recente publicado no arXiv. Eles acreditam que este modelo de negociação não apenas regulará melhor o mercado de prompts, mas também poderá reduzir os custos e aumentar a eficiência de criação de conteúdo para os criadores.
Com o aumento da quantidade de produtos de prompts e a redução dos custos de transação, este modelo poderá remodelar o ecossistema de criação de conteúdo de IA. No entanto, a equipe de pesquisa também observa que o design da função de lucro das partes envolvidas na transação e a avaliação da qualidade do prompt ainda são fatores-chave que influenciam a precificação final. No futuro, eles planejam expandir este resultado para cenários de precificação de prompts mais amplos.
Esta pesquisa oferece uma nova perspectiva para resolver o problema da precificação de prompts e espera desempenhar um papel importante na criação e negociação de conteúdo de IA no futuro.
Endereço: https://arxiv.org/pdf/2405.15154
