umaxing - 笔记 | AI千集

立即签到

签到可以获得积分哦!

AI千集是一个专注于科研服务的智能平台

在这里您可以获得本平台自训练的

科研智能体

和小伙伴一起玩转AI，做自己的AI机器人

来AI千集，赋能智慧快人一步

扫一扫，快速获取解决方案与报价

在iOS26.3正式版推出的这个时间点，离Apple的Q1财报发布已经过去了一周多的时间。有意思的是，最近半年Apple的股价因为AI进展缓慢而一直承压，在「美股七姐妹」中显得格格不入，却在最近半个月。
喜欢 0 评论 0
在这个信息爆炸的时代，人工智能技术正以前所未有的速度发展。作为一名热衷于科技探索的普通人，我最近尝试将 Claude Code 变成了我的个人助手，体验可谓是妙不可言。通过下载这款软件，我只需将自己的想法告诉 AI，便发现原本需要大量时间和精力去完成的事情，现在只需轻轻一点，便能轻松实现。 Claude Code 的操作非常简便，只需下载安装后，就可以开始与 AI 进行互动。当我将一些日常生活中的小困扰告诉它时，它总能给出意想不到的解决方案。比如，我曾在寻找一款合适的食谱时， Claude Code 不仅推荐了菜谱，还详细介绍了制作步骤和所需材料，让我在短时间内就能享受到美味的佳肴。更让我惊喜的是， Claude Code 的学习能力非常强。在不断地与它交流过程中，我逐渐发现它不仅能完成基本的任务，还能根据我的需求，提供个性化的服务。例如，当我需要整理一篇报告时， Claude Code 不仅能帮我梳理思路，还能根据我的要求，自动生成图表和数据。总之，通过将 Claude Code 变成我的个人助手，我深刻体会到了人工智能的魅力。它不仅让我的生活变得更加便捷，还让我意识到，普通人也可以借助科技的力量，让生活更加丰富多彩。未来，随着人工智能技术的不断进步，我们有理由相信，我们的生活将会变得更加美好。
喜欢 0 评论 0
越来越多的文献使用大型语言模型（LLMs）作为合成参与者，在社会科学实验中生成低成本且几乎瞬时的响应。然而，关于何时此类模拟能够支持关于人类行为的有效推断，指导有限。我们对比了两种获取因果效应有效估计的策略，并阐明了每种策略在探索性研究 versus 确认性研究中的适用假设。启发式方法试图通过提示工程、模型微调以及其他旨在减少LLM引起的误差的修复策略，建立模拟和观察到的行为可以互换。虽然对于许多探索性任务很有用，但启发式方法缺乏通常用于确认性研究的正式统计保证。相比之下，统计校准将辅助人类数据与统计调整相结合，以解决观察到的和模拟的响应之间的差异。在明确假设下，统计校准保持了有效性，并在低于仅依赖人类参与者的实验成本的情况下提供了更精确的因果效应估计。然而，这两种方法的潜力取决于LLM如何近似相关人群。我们考虑了当研究人员将目光局限于在研究中用LLM替代人类参与者时，可能会忽视哪些机会。
喜欢 0 评论 0
在多智能体系统的领域中，\emph{部分可观测性}的挑战是有效协调和决策的一个关键障碍。现有的方法，如信念状态估计和智能体间通信，往往不够完善。基于信念的方法受限于其对过去经验的关注，而没有充分利用全局信息，而通信方法通常缺乏一个鲁棒的模型来有效地利用它们提供的辅助信息。为了解决这个问题，我们提出了全局状态扩散算法（Global State Diffusion Algorithm，简称GlobeDiff），以基于局部观测来推断全局状态。通过将状态推断过程形式化为一个多模态扩散过程，GlobeDiff克服了状态估计中的模糊性，同时以高保真度推断全局状态。我们证明，在单模态和多模态分布下，GlobeDiff的估计误差均可被界定。大量的实验结果表明，GlobeDiff实现了优越的性能，并且能够准确推断全局状态。
喜欢 0 评论 0
准确表征建筑语义，包括通用对象类型和特定子类型，对于在建筑、工程、施工和运营（AECO）行业中有效训练AI模型至关重要。传统的编码方法（例如，独热编码）往往无法传达密切相关子类型之间的细微关系，限制了AI的语义理解。为了解决这一局限性，本研究提出了一种新的训练方法，该方法采用大型语言模型（LLM）嵌入（例如，OpenAI GPT和Meta LLaMA）作为编码来保留建筑语义中的更细微的区分。我们通过训练GraphSAGE模型来对五个高层住宅建筑信息模型（BIMs）中的42种建筑对象子类型进行分类，评估了所提出的方法。测试了各种嵌入维度，包括原始的高维LLM嵌入（1,536、3,072或4,096）以及通过Matryoshka表示模型生成的1,024维压缩嵌入。实验结果表明，LLM编码优于传统的独热基线，其中llama-3（压缩）嵌入实现了0.8766的加权平均F1分数，而独热编码为0.8475。这些结果强调了利用基于LLM的编码来增强AI解释复杂、特定领域建筑语义能力的前景。随着LLM和降维技术的不断发展，这种方法在AECO行业的语义细化任务中具有广泛应用的巨大潜力。
喜欢 0 评论 0
在良性的任务上微调对齐的语言模型会意外地降低安全防护措施，即使训练数据中不包含有害内容，开发者也没有对抗意图。我们表明，盛行的解释，即微调更新应该与高维参数空间中安全关键的方向正交，提供了虚假的安慰：我们表明这种正交性在结构上是不稳定的，在梯度下降的动力学下会崩溃。然后，我们通过一种新颖的几何分析来解决这一问题，证明对齐集中在具有尖锐曲率的低维子空间中，形成了一种脆弱的结构，一阶方法无法检测或防御。尽管初始的微调更新确实可以避免这些子空间，但微调损失的曲率会产生二阶加速，系统地引导轨迹进入对齐敏感的区域。我们通过对齐不稳定性条件来形式化这一机制，该条件包括三个几何属性，当共同满足时会导致安全退化。我们的主要结果建立了一个四次方缩放定律：对齐损失随着训练时间的四次方增长，受对齐几何的尖锐性和微调任务与安全关键参数之间曲率耦合的强度所控制。这些结果揭示了当前安全范式中的一个结构性盲点。针对安全微调的占主导地位的方法仅解决了这个根本上是动态问题的初始快照。对齐脆弱性不是一个需要修复的错误；它是曲率流形上梯度下降的内禀几何属性。我们的结果促使开发曲率感知方法，我们希望这将进一步使对齐安全分析从反应式红队转变为开放权重模型部署的预测性诊断。
喜欢 0 评论 0

联系Umaxing团队

完整指南：如何使用Umaxing编辑图片