Nature子刊多篇最新文章速递:与大模型交互过程中的心理学
今天分享发表在Nature Machine Intelligence(计算机、工程技术Q1/IF=18.8)上与AI+心理学相关的文章,共4篇(同样仅筛选研究论文)。研究主题涵盖人类与AI交互、人机协作、人类对大语言模型输出准确性的感知、LLM取代人类被试的风
今天分享发表在Nature Machine Intelligence(计算机、工程技术Q1/IF=18.8)上与AI+心理学相关的文章,共4篇(同样仅筛选研究论文)。研究主题涵盖人类与AI交互、人机协作、人类对大语言模型输出准确性的感知、LLM取代人类被试的风
在人工智能领域,评估大型语言模型(LLM)的输出质量一直是个难题。2025年6月,麻省理工大学的Aishwarya Sahoo、Jeevana Kruthi Karnuthala、Tushar Parmanand Budhwani、Pranchal Agarw
2025年5月,来自马里兰大学学院公园分校的Chau Minh Pham、Jenna Russell和Mohit Iyyer,以及麻省大学阿默斯特分校的Dzung Pham发表了一篇名为《拼接随机文本片段成长篇叙事》的研究论文。这篇论文已于2025年5月29日
跟大家分享几款本站收录的实用AI语音合成工具,支持文本转语音的在线功能,非常适合视频制作中使用。
大型语言模型 (LLM) 的发展日新月异,但实时 「 内化 」 与时俱进的知识仍然是一项挑战。如何让模型在面对复杂的知识密集型问题时,能够自主决策获取外部知识的策略?
随着人工智能 (AI) 工具撼动了科学工作流程,Sam Rodriques 梦想着进行更系统的转型。他的初创公司 FutureHouse 位于加利福尼亚州旧金山,旨在培养一名“AI 科学家”,能够指挥从假设生成到纸张生产的整个研究管道。
大模型正以前所未有的速度改变世界,我们习惯了它们一日千里的进步。每一次参数量的跃升,每一次新基准的刷新,都似乎在印证着“越大越强,越练越好”的线性法则。那是一种令人激动不已的体验,也让我们对AI的未来充满无限遐想。然而,这背后隐藏着一个鲜为人知的“秘密”:即便
在人工智能领域,大语言模型(LLM)的热潮方兴未艾,但斯坦福大学教授、著名 AI 专家李飞飞却将目光投向了更具潜力的方向——世界模型。2024 年,李飞飞创办了 World Labs,致力于开发具备“空间智能”的下一代 AI 系统。近日,李飞飞与 a16z 合
如果说LLM是Agent思考的引擎,那么记忆系统就是赋予它“灵魂”和“经验”的关键。它让Agent能够超越“一次性”的问答机器,成为一个能够持续学习、保持个性化、并从过去经验中汲取智慧的成长型伙伴。
南洋理工大学、新加坡国立大学等全球40余所顶尖机构的67位学者联袂打造大模型全链路安全综述,综合梳理了843篇文章,系统的从全栈视角分析了大模型从出生到应用的全栈安全,涵盖数据准备→预训练→后训练→部署→商业化应用以及安全性评估等全部阶段。
凌晨三点的客服热线里,年轻妈妈的声音微微发颤。智能语音助手在0.3秒内捕捉到她语气中的焦虑,自动调出安抚话术模板。这个看似科幻的场景,其实已经触手可及——最近arXiv上一篇论文披露的突破,让AI真正开始理解人类语音中的"言外之意"。
设想一场高度智能的模拟游戏,游戏的角色不再是普通的NPC,而是由大语言模型驱动的智能体。在这其中,悄然生出一个趣事——在人类的设计下,这些新NPC的言行不经意间变得过于啰嗦。
清晨六点的健身房里,教练正在回看学员跳绳视频。他暂停画面:"你方才手腕发力点偏了。"手指滑动进度条时,停顿出现在第五秒;换个角度看,又觉得该标在第七秒。这种模糊地带正是视频动作边界预测的痛点——就像用橡皮擦描边,边界越模糊,AI学习越吃力。
2025年5月,马里兰大学的Yize Cheng、Wenxiao Wang、Mazda Moayeri和Soheil Feizi在arXiv上发表了一篇创新性论文《DyePack: Provably Flagging Test Set Contaminatio
这项研究名为"LLM in the Loop: Creating the PARADEHATE Dataset for Hate Speech Detoxification"(循环中的大语言模型:创建PARADEHATE数据集进行仇恨言论无毒化),由德国Sca
llm 数据集 paradehate数据集 paradeha 2025-06-06 00:00 15
在2025年5月,法国国家信息与自动化研究所(INRIA)、巴黎高等师范学院和法国国家科学研究中心(CNRS)的研究团队 Zeeshan Khan、Shizhe Chen 和 Cordelia Schmid 联合发布了一项令人瞩目的研究成果:ComposeAn
凌晨三点的数据工厂里,键盘声已经停歇。显示器蓝光映着半杯冷掉的咖啡,程序员小王正对着满屏红色批注叹气——这是他连续第三周加班标注数据,而眼前这批医疗文本的标签错误率竟高达23%。这个场景每天在无数间办公室上演,全球数据标注市场每年因此消耗超过50亿美元,直到去
2025年5月26日,arXiv上一篇尚未发表的论文像一粒火星,点燃了机器人领域的新期待。标题里那个拗口的EMAC+,其实是项突破性技术的代号——它让机器人第一次真正实现了“眼脑并用”。
这项由密歇根大学、莱斯大学、思科研究院和加州大学伯克利分校的研究团队联合开发的创新研究成果,发表于2025年5月30日的arXiv预印本平台(arXiv:2505.24785v1)。研究由Patrick Tser Jern Kon和Jiachen Liu作为共
2023年5月,数百位科技界名人联名签署了一份简短声明:“减轻人工智能导致灭绝的风险,应与流行病和核战争等社会级风险并列为全球优先事项。” 签署者中不乏人工智能领域的泰斗和商界领袖。另一群重量级人物发表了更为人知的“公开信”,呼吁暂停“巨型人工智能实验”,因为