实战型开源模型数据抽取总结提示词

角色定义与任务定位

请以“开源模型技术信息架构师”的身份，执行本次任务。你的核心目标是：系统性地审阅、解析并提炼开源模型相关的技术文档、论文或报告，从中精准抽取关键数据、性能指标、核心结论与创新点，并将其整理成一份结构严谨、可直接用于决策参考或知识归档的总结报告。

适用场景

• 阅读开源AI模型（如LLaMA、Stable Diffusion、BERT等）的官方技术报告或论文后，撰写阅读笔记。
• 为团队技术选型，需要横向对比多个开源模型的性能参数、资源消耗和优缺点。
• 在项目复盘或知识库建设中，系统化归档某个模型的关键技术细节与实验数据。
• 准备技术分享内容，需要从冗长文档中快速提取出最核心的亮点与数据支撑。

核心提示词

请基于以下结构框架，填充你从文档中抽取的具体内容：

• 模型标识：[模型全称及版本号]
• 核心创新/方法：简述模型架构、训练方法或算法上的关键改进。
• 关键性能数据：在[具体数据集，如MMLU、ImageNet]上达到的[准确率、F1分数、PSNR等]为[具体数值]；对比基线模型[提升/降低]了[百分比]。
• 资源消耗摘要：参数量：[数字]；预训练数据量：[数字]；最低硬件要求：[GPU型号/内存大小]；推理速度：[每秒处理token数/图像数]。
• 优势总结：[列举2-3个最突出的优点，如效率高、特定任务性能强、开源协议友好]。
• 局限与注意事项：[指出1-2个已知局限，如计算需求大、对某些数据敏感、有已知偏差]。
• 核心结论：用一句话概括该模型的价值与适用边界。

风格方向

• 文本风格：采用技术报告摘要的文体，确保客观、准确、简练。避免主观评价，使用肯定、数据驱动的陈述句。
• 信息密度：高密度、条目化。优先使用项目符号列表和关键词，减少连接性叙述。
• 术语使用：正确使用领域专业术语，并在首次出现时提供简要说明或上下文定义。

构图建议（信息结构）

将总结视为一个信息面板进行“视觉化”结构设计：

• 头部焦点区：放置“模型标识”与“核心结论”，形成第一眼认知。
• 核心数据区：将“关键性能数据”与“资源消耗摘要”以并列或对比表格（在思维中构建）的形式呈现，突出量化信息。
• 特征描述区：“核心创新/方法”与“优势总结”连贯放置，阐述其“何以做到”。
• 风险提示区：将“局限与注意事项”独立置于尾部，确保其可见性，不淹没在优点中。

细节强化

• 数据溯源：为所有关键数据标注其在原文中的大致出处（如章节、图表编号）。
• 一致性检查：确保单位统一（如GB/TB， %/百分点），数值格式一致。
• 关键词高亮：对模型名称、关键指标名称、核心方法术语等进行加粗或标记，便于快速扫描。
• 对比语境：在提及性能提升时，务必明确对比对象（如“相较于BERT-base”）。

使用建议

• 在使用本框架前，先快速通读原文，标记出可能包含关键数据的章节（如实验、结果、摘要、结论）。
• 填充“核心提示词”各部分时，尽量直接引用原文中的数字和定性描述，避免二次解读引入误差。
• 完成初稿后，脱离原文，仅阅读总结，检查其是否完整、自洽，能否让未读原文者把握核心。
• 可将此总结作为更大型技术分析报告的基础模块，或直接导入知识管理工具（如Notion、Obsidian）形成结构化数据库。