academic-study

本文提出一种基于反事实锚定的证据归因方法，用于识别多轮LLM对话中的安全故障，实现了高检测性能和低误报率。

一项使用Isambard-AI超级计算机的研究分析了FIFA世界杯的转播，揭示了超过93,000次有害品牌的出现，其中不健康的食品和饮料广告占主导地位。

本文使用污染感知方法论，研究LLM智能体中经典心理学效应的识别、模拟与拒绝。

本文研究使用基于LLM的智能体为表格机器学习模型设计扩展的超参数搜索空间，展示了在多个数据集上无需额外调优成本即可提升性能。

本文系统性地研究了辅助上下文在多模态时间序列预测中何时有所帮助，识别了两个关键条件，并证明当这些条件满足时，性能有显著提升。

哈佛、MIT斯隆和华威大学的一项研究发现，GPT-4倾向于反驳并坚持其最初的错误答案，而不是纠正它们，这种行为被称为“说服轰炸”，它会削弱用户的信任和批判性思维。

arXiv 上的一项新研究证实，创意可以在人工智能智能体之间自我传播，即使其上下文被清除也能持续存在。

该论文研究了潜在推理模型的可解释性，发现推理令牌通常不是必要的，但在需要时可以被解码以显示可解释的痕迹，表明这些模型实现了预期的解决方案。