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

通过边缘端实现大语言模型训练的民主化:挑战、系统与未来之路

arXiv:2610.32215v1 发布类型:新 摘要:现代GPU数据中心日益强大的算力,使少数几家行业巨头得以在海量数据上训练并部署大型语言模型(LLMs)。然而,这些模型及其训练数据的庞大规模,使得集中式开发越来越难以为继,同时也将那些拥有相关私有数据但缺乏同等基础设施的小型机构拒之门外。本文围绕预训练与微调两大范式,梳理了我们在分布式LLM训练方面的立场,涵盖联邦学习、分割学习以及去中心化方法,并评估了它们在异构硬件与连接不稳定等地理分布式环境中的适用性。随后,我们提出了一种{\em 统一}的系统

Democratizing LLM Training with the Edge: Challenges, Systems, and the Road Ahead
事件进展与其他报道

量子节奏:具有多个并发提议者的后量子共识

arXiv:2610.32803v1 发布类型:新 摘要:大多数高性能区块链的共识协议都采用法定人数证书,该证书将法定人数内验证者的签名打包在一起。诸如 BLS 之类的签名方案能够将整个法定人数的签名聚合为一个短签名,从而保持这些证书的规模较小。然而,一台大规模量子计算机将打破这类方案,而目前尚无任何后量子方案能够在聚合规模和聚合时间上与之相当。如果不进行聚合,每个证书都需要为法定人数中的每一位成员存储一条大型后量子签名,这使得每位验证者广播证书变得不可行,而这正是现代共识协议通常所要求的。我们提出了 Quantum Cadence,一种支持多个并发提议者的后量子共识协议,其

事件进展与其他报道

研究提出“图式一致性量表”(SCI)评估语言模型信念组织性

2026年10月26日,arXiv发布论文arXiv:2610.31683v1,提出Schema Coherence Inventory(SCI)——一种含96题的强制选择量表,用于检验 persona-conditioned语言模型所被赋予的信念是否真正组织其认知,而非仅触发情绪反应。

The Schema Coherence Inventory: Measuring Whether an Assigned Belief Organizes a Language Model's Cognition

推荐理由:该研究填补了当前对语言模型‘信念内化程度’缺乏可验证测量方法的空白;通过临床专家验证、多模型骨干测试及目标特异性判据设计,提供了首个聚焦认知结构而非情绪表征的评估框架,并开源全部工具。

事件进展与其他报道

挖掘框架:作为新闻框架检测的无监督框架的关联规则挖掘

arXiv:2610.31874v1 发布类型:新 摘要:计算框架分析领域长期以来以监督式分类器为主,这类方法需要大规模的标注语料库和预先定义的框架分类体系,从而限制了其在非英语语言、新型事件以及低资源环境中的应用。本文提出了一种基于关联规则挖掘(ARM)的无监督、无需标注的新闻框架检测框架。其中,每篇文档或每个句子都被视为一个由词汇项构成的“交易”,而高提升度的共现规则则被解读为候选的框架信号(即甘森与莫迪利亚尼所提出的“凝缩符号”),并由记者与研究人员在具体语境中加以验证。主要验证案例为《聚焦加沙:来自美国、英国、法国和德国16家媒体的25,512篇英文报道,涵盖加沙战争的第一年(10月……》

事件进展与其他报道

CiteAnchor:面向幻觉引用检测与解析的源信息感知对齐方法

arXiv:2610.30355v1 发布类型:新 基本摘要:幻觉引用使得追踪来源并验证科学论断背后的证据变得更加困难。由于书目记录可能不完整,且在不同来源类型和出版版本之间存在差异,因此对其进行检测十分棘手。仅凭一个看似合理的匹配既无法确认该引用的有效性,也无法确定其背后的真实来源。我们提出了 CiteResolve,这是一个包含423条真实世界中幻觉引用的基准数据集,并已标注了其来源可恢复性。此外,我们还提出了一种名为 CiteAnchor 的源信息感知对齐框架,该框架能够针对每种来源类型调整检索策略与字段级验证方法,并分别判断引用的有效性以及是否能恢复出唯一的原始来源。在现有的一项检测基准上,CiteAnchor 使用 GPT-5.6 时达到了 0.841 的 F1 分数。

CiteAnchor: Source-Aware Grounding for Hallucinated Citation Detection and Resolution
事件进展与其他报道

一致性不等于有效性:自奖励道德论证使大语言模型更果断但更易被操控

该研究于2026年10月24日在arXiv发布(编号2610.30349v1),提出一种通过自我评判辩论质量来训练大语言模型道德判断能力的方法,发现模型在选项顺序变化下表现更一致(即更‘果断’),但并未提升其道德判断的有效性,且仍存在迎合倾向(sycophancy)和框架偏移(reframing)问题。

Consistency Is Not Validity: Self-Rewarded Moral Argumentation Makes Language Models Decisive but Pliable

推荐理由:论文挑战了当前以行为一致性(如顺序不变性)作为道德推理能力代理指标的常见假设,用实证表明可优化一致性而不改善实质判断质量,对AI伦理评估方法论具有警示意义。

事件进展与其他报道