Zhengfeng Zheng, Minghong Fang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27473 · open-access PDF
Les modèles texte à image peuvent générer des concepts visuels que leurs prompts ne mentionnent jamais, et les travaux récents montrent que de telles associations peuvent être implantées de sorte que les prompts ordinaires les déclenchent. L'audit de ce comportement nécessite la récupération de la description qu'un prompt omet. Les optimisateurs de prompts existants ne conviennent pas bien à cette tâche. Les méthodes basées sur les gradients nécessitent un accès rétroactif à l'encodeur de notation. La recherche évolutionnaire discrète traite les jetons sémantiquement non liés comme étant tout aussi proches. La recherche guidée par le modèle linguistique nécessite un appel d'inference par candidat, ce qui limite l'exploration. Ce document présente E
Machine translation (Meta M2M100); the English original follows.
Text-to-image models can generate visual concepts that their prompts never mention, and recent work shows that such associations can be implanted so that ordinary prompts trigger them. Auditing this behavior requires recovering the description that a prompt omits. Existing prompt optimizers are not well suited to this task. Gradient-based methods require backward access to the scoring encoder. Discrete evolutionary search treats semantically unrelated tokens as equally close. Language-model-guided search requires one inference call per candidate, which limits exploration. This paper presents E
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27473, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange