在生成模型中，通常使用旋钮（如提示、引导比例、属性标签）来进行控制。然而，旋钮的调整在某一点之后会停止影响我们关心的属性。这种限制并不是模型的缺陷，而是由训练数据在模型训练之前设定的预算。
属性的可调范围被分为两部分：旋钮可达到的部分和仅通过示例（即你希望增加的具体实例）才能达到的另一部分。通常，后者的范围要大得多，但并非总是如此，而同样的预算也提前说明了这一点。
要达到第二部分，需要采取不同的方式：展示示例，而不是单纯地调整旋钮，这些示例由模型已经学习的内容组成，而不是添加到其训练数据中。通过对训练数据进行简单审计，可以测量出预算；我们提供了一种构建示例集的方案，以覆盖所有预算。
这种方法带来了旋钮无法实现的两个优势：
- 覆盖范围：它能够在整个预算中移动属性，而不仅仅是旋钮所能达到的部分。
- 表现力：它能朝向只能通过示例指定的目标进行引导，包括那些无法用语言表达的目标。
我们将这些优势转化为若干可验证的主张，并在两个不相关的领域（图像生成和晶体结构生成）中进行了验证，标明了旋钮足够的地方，以及仅通过示例才能实现的地方。
博主点评： 本文深入探讨了生成模型的调控方法，提出了通过示例引导模型的理念，展示了其在实际应用中的优势，这为模型的优化提供了新的思路，值得关注！