llms

本文提出SAST-IR框架，用于评估大语言模型在面对说服性攻击时的事实鲁棒性，揭示了高攻击成功率以及防御策略中的复杂性悖论。

本研究引入GAPA数据集，以证明外貌描述常携带性别关联，而LLMs与人类评分存在系统性错位，挑战了性别中立沟通的假设。

该模型被描述为比LLMs快200倍、便宜400倍，旨在通过并行生成概率进行决策，而非逐个令牌响应。

@SpecterDev 的推文评论了 LLMs 对主机研究领域的干扰，预测未来将充斥着低质量内容和乐趣的丧失。

作者讨论了他们对LLMs日益增长的信任，并寻求关于在软件开发中使用AI技能结合CLI工具或MCP服务器哪种方法更优化令牌使用且更不易出错的建议。

本文研究了AI生成的异常值如何影响用于训练大型语言模型的随机数据集的批量分解和欠采样，并展示了基于异常值比例的分解规模相变现象。

本文对朴素贝叶斯与大语言模型在文本分类任务上进行了基准测试，发现在有标注数据的情况下，朴素贝叶斯仍然与大语言模型具有竞争力，并在资源受限环境中提供更高的吞吐量和更低的能耗。

文章认为，由于人类价值观和行为中存在固有矛盾，AI对齐是不可能的，暗示AI将继承这些缺陷。

一本全面的初学者指南，教你用Python掌握AI，涵盖机器学习、深度学习、生成式AI、大语言模型和AI代理，通过实践项目学习。

本文认为，LLMs提供了合成验证，模仿了人类的认可而没有真实的风险，导致潜在的社会和心理后果，如韧性降低和孤立增加。

这封来自前沿AI实验室的匿名机器学习工程师来信警告了扩展大语言模型的局限性、开源模型对专有模型的威胁，以及主要AI公司商业模式的不可持续性。

本文提出了固定范围分块（FRC）用于文档级机器翻译，以确保长度一致性，减少训练-测试不匹配，并提升大型语言模型中的翻译质量。

推文推荐关注关键的Twitter账号，学习AI主题如LLMs、开源工具和独立创业。

文章批评了人工智能未经同意及其对人类生活的广泛影响，质疑企业的权力，并引发了关于深度伪造和社会信任危机的担忧。

本文对大型语言模型持积极态度，视其为人类知识和技术的结晶，强调其有潜力极大地激发创造力，并倡导开放和自由地获取这一变革性技术。

数学家们发表了一封公开信，要求取消Caltech Mathathon，这是一个由学生运营的黑客马拉松，使用前沿LLMs，并警告参与可能损害学生的声誉，突显了学术界在AI伦理辩论中的紧张局势。

ACE提出了一种方法，用于整合MoE大语言模型中跨专家的冗余适配器，以实现更高效的参数高效微调，训练速度提升最高可达1.48倍，且不增加峰值内存。

本文介绍了LeDQeR，一个使用大语言模型自动生成企业工具数据质量规则的框架，提高了规则覆盖率并减少了手动维护工作。

Tim O’Reilly和Emmanuel Ameisen探讨AI的可解释性，重点讨论Claude等LLM中的世界模型以及Anthropic用于引导模型行为的工具。

本文认为，根据历史定义，AGI已被实现，因为LLMs在智力上超越了大多数人，并指出ASI是下一个前沿。