标签
Voice Arena 推出了 Turing TTS，这是一个通过“欺骗率”衡量听众将 AI 语音误认为人类语音频率的基准测试；即使是表现最好的模型 Gemini 3.8 Flash TTS，也只有约 10% 的时候能骗过听众。
本文区分了将AI与人类偏好对齐和与人类行为对齐，表明偏好对齐可能会降低拟人性，并在当前对齐方法中建立图灵测试差距。
Hemmingway-1 是一款拥有270亿参数的开源AI模型，专注于日常写作任务，在用于类似人类沟通的基准测试中表现优于领先模型。
本文提出了一种零样本检测流水线，用于刻画AI生成诗歌中的人性化特征，旨在识别区分人类与机器诗歌的属性，并改进检测方法。
本文介绍了GrowLoop，一个用于评估开放式对话中人类相似度的自我进化评估系统。它利用最少的人类种子标注，迭代优化评估标准，解决了隐性知识、人类意见分歧和模型能力进化等挑战。
本文提出了一种关注语域的语言评估框架，通过使用最大均值差异（MMD）比较人类与LLM生成文本中67个词汇语法特征的分布，来评估大型语言模型（LLM）的人类相似度。在七个经过指令微调的开源模型和五个语域上的实验表明，没有模型能完美匹配人类基线，且与人类语言的接近程度因语域而异，而非模型规模。
一项发表在PNAS上的新研究表明，诸如GPT-4.5等先进LLM已能通过图灵测试，且参与者认为它们比真人更具人性，这一结果促使学界重新审视该测试的衡量标准。
一项研究发现，基础语言模型在AI检测器中看起来像是人类写的，而经过指令微调的模型则不然。作者提出了一种名为HIP的改写管道，该管道能在不同模型规模下提高文本的人类相似度，同时保持语义。
提出了Persona Policies（PPol），一种即插即用的控制层，利用LLM驱动的进化程序搜索来生成多样且逼真的用户角色，用于评估LLM代理。相比基线实现了33-62%的适应度提升，逼真度评分达到80.4%，并将代理鲁棒性提升了+17%的任务成功率。
本研究论文考察了大语言模型表达社会情感的方式与人类文化规范的匹配度，发现两者存在系统性错位。与人类回应相比，大语言模型在不同文化身份（欧美裔美国人与拉美裔美国人）下表现出的参与型与抽离型情感表达模式不一致。