图像工作台

模型

提示词1,428 / 1,000

现代AI聊天网页应用界面的写实竖屏截图，展示一张嵌入其中的关于[大语言模型技术运作原理]的技术信息图。界面采用浅灰色背景（#F4F4F6）、细腻的阴影和清晰的无衬线排版。

聊天UI布局：
- 顶栏：左侧为圆形用户头像与对话标题“Visualizing LLM Architecture”（带有微型下拉箭头），右上角为带有文件夹图标的“Files”按钮。
- 用户消息气泡：右上偏中位置的白色圆角气泡，内容为“make an image explaining how LLMs work technically”。
- 状态栏：紧随其后显示“Scira task complete”，带有微型闪烁加载图标。
- 助手回答卡片：居中的大型圆角卡片，内部显示生成的图表。
- 助手正文：信息图下方显示正文文本：“The image above is a comprehensive technical infographic breaking down how Large Language Models function under the hood. Here is a detailed walkthrough of each component shown:”，下方带有加粗小标题“Tokenization: From Text to Numbers”。
- 底部输入坞：圆角输入框（占位文本“Ask a follow-up...”），左侧为加号（+）上传按钮，右侧为“Kimi K2.6”模型选择标签（带下拉箭头）和圆形麦克风语音按钮。

内嵌技术信息图：
蓝白配色的工程风格技术图解，顶部带有深蓝色大号全大写标题：“[HOW LARGE LANGUAGE MODELS (LLMs) WORK]”。白色背景、深蓝轮廓、浅蓝高亮，包含精确的8个结构区域：
1. “INPUT: TOKENIZATION”：例句“The quick brown fox jumps over the lazy dog.”被拆分为词元框及对应Token ID。
2. “EMBEDDINGS”：Token ID映射为高维稠密向量数据表。
3. “TRANSFORMER ARCHITECTURE”：堆叠结构，包含Add & Norm、前馈网络、多头自注意力机制、词嵌入与位置编码。
4A. “SELF-ATTENTION MECHANISM (INSIDE ONE HEAD)”：展示Q、K、V矩阵、注意力打分、Softmax及加权和公式。
4B. “ATTENTION: TOKENS ATTEND TO EACH OTHER”：词元节点之间由注意力权重连线构成的网络图。
5. “OUTPUT: NEXT TOKEN PREDICTION”：候选词概率分布柱状图，高亮显示预测词“the”。
6. “TRAINING: PRE-TRAINING WITH NEXT-TOKEN PREDICTION”：底部5步流程横条（海量文本语料库、构建训练样本、模型预测、损失计算、反向传播）。
7. 流程连接箭头：“Repeat for billions of examples over many epochs until convergence.”
8. 总结标注框：带有大脑图标与泛化模式学习说明。

风格：清晰矢量图解质感，线条锐利，学术工程风，字迹紧凑可辨，无水印。

Ctrl / ⌘ + Enter

参考图0 / 16

画幅

画质

分辨率

图像数量

1 / 4

结果

从一句提示词开始

生成结果会展示在这里。

获取灵感