跳到正文
AI NEWS JOURNAL
AI, IN PERSPECTIVE

搜索 AI 资讯

检索标题、摘要与正文,把分散的信息连起来。

按发布时间排序

PRISM:通过隐式随机调制促进大型语言模型的采样多样性

arXiv:2610.32101v1 发布类型:新 摘要:大型语言模型(LLMs)会表现出模式坍缩现象,即其输出分布集中于熟悉的语义模式。当多样性消失时,反复采样便沦为语义上的重复,而非新的发现,导致那些罕见但更优的解决方案难以浮现,从而使模型的自我进化与持续学习难以维持。大多数应对措施仅在推理阶段发挥作用,通过调整采样结果来实现多样性,却并未将多样性真正内化为模型的一项能力。我们提出了 PRISM,一种在训练阶段就将多样性内化的框架。PRISM 结合了:(i) 子模性策展机制,为每个提示配以多样且正确的多教师解;以及 (ii) 随机嵌入调制,将特殊标记的扰动转化为 impl

事件进展与其他报道

明智地低语:用于ASR微调的智能子集选择

arXiv:2610.32997v1 发布类型:新 摘要:诸如OpenAI的Whisper等自动语音识别(ASR)模型在语音识别质量方面取得了显著提升,但微调成本依然高昂,尤其是在拥有大量已转录音频的情况下。这使得许多从业者难以将这些模型适配到新的语言或领域。在本研究中,我们提出了一种基于嵌入的子集选择方法,用于为ASR微调挑选更小规模的训练集。我们利用Whisper的预训练编码器,将每个音频样本映射到一个固定维度的嵌入空间,并采用贪心的k中心算法来选取多样且具代表性的训练数据子集。我们在希伯来语和丹麦语上对该方法进行了评估,结果表明,k中心选择往往能

新闻源配图 · arXiv cs.CL
事件进展与其他报道

基于证据的直觉:面向多模态智能体的自适应双重记忆

arXiv:2610.33019v1 发布类型:新 摘要:随着多模态智能体开展持续交互,长期记忆发挥着两种既 distinct 又互补的功能:细粒度的证据召回,以及用于全局理解的内化解读。尽管情景记忆与隐式记忆分别通过显式的历史记录和内化的经验来满足这些需求,但由于情景记忆在证据覆盖与整合方面存在局限,而隐式记忆又缺乏扎实的事实基础,单一的范式难以兼顾不同任务间多样化的记忆偏好。为弥合这一鸿沟,我们提出了一种双记忆框架,将模型原生的隐式记忆作为直观的先验,同时结合多索引的情景记忆,通过检索驱动的联合对齐实现精确的证据重建。在 i

新闻源配图 · arXiv cs.CV
事件进展与其他报道

上下文或知识:大型语言模型如何为其自身答案归因

arXiv:2610.32109v1 发布类型:新 摘要:语言模型能够根据给定的文档或其参数化知识回答问题。然而,当后续被问及答案的来源时,究竟是什么决定了它们的来源报告?我们通过在答案生成之后、源问题提出之前对模型的关键值(KV)缓存进行干预来研究这一问题。在一项受控的事实性任务中,针对四款模型(7B–32B),无论改变还是移除文档的缓存,都不会影响其来源报告。相比之下,在两次运行之间移植问答(Q+A)缓存——且前后的问题与答案标记完全相同——则会转移来源报告:所有符合条件的报告都会沿用捐赠方的来源,而接收方的文档本身保持不变。在两款较小的模型上,沿着事先为任何源问题拟合的方向引导问答值……

事件进展与其他报道

基于演员-评论家架构的智能体的金融情境丰富策略:一种用于股票交易的深度强化学习方法

arXiv:2610.32237v1 发布类型:新 摘要:在现代金融市场中,超过四分之三的大宗交易均由基于先进交易策略的算法交易执行,其精度与速度均优于传统的人工交易。然而,以价格指标为核心的传统策略难以捕捉由社会情绪、政治不稳定或突发经济变化等现实事件所引发的市场动态。随着深度强化学习(DRL)的兴起及数据获取的日益便捷,亟需更高效的算法,以便将这些外部因素纳入交易策略之中。深度强化学习在模拟现实场景以及简化复杂决策方面展现出巨大潜力,因为DRL智能体能够自动

事件进展与其他报道

衡量低资源语言研究进展与语言包容性

arXiv:2610.30296v1 发布类型:新 摘要:大型语言模型(LLMs)加速了针对低资源和多语言自然语言处理的研究,但其在构建公平研究环境方面的有效性仍未得到充分评估。我们分析了2020年至2025年间发表的1,158篇同行评议的开放获取论文,考察了研究界对低资源语言(LRLs)的关注程度以及在不同语言和语种群体中的代表性。为超越单纯出版数量来评估语言包容性,我们提出了语言包容性框架(LIF),这是一个多维度框架,从四个维度衡量语言包容性:研究增长、代表性扩展、代表性延续以及分布公平性。尽管年度论文发表量从52篇增至415篇,增幅达5.4倍,但在ACL文集中……

Measuring Research Progress and Linguistic Inclusion in Low-Resource Languages
事件进展与其他报道

引用阿明·罗纳赫的话

尽管人工智能如此有趣,但在过去三十年里,我们开发了太多糟糕的软件,如今整个世界正在为我们的过错付出代价。——阿明·罗纳赫 标签:安全、生成式人工智能、阿明·罗纳赫、人工智能、人工智能安全研究、大型语言模型

事件进展与其他报道