XiaoMi-AI文件搜索系统
World File Search System幻觉的
学习对多模式大语言模型的推论
多模式的大语言模型（MLLM）在推理方面表现出了令人印象深刻的功能，但具有基本的计算成本，从而限制了它们在资源构成环境中的部署。尽管最近有一些关于提高MLLM效率的效力，但先前的解决方案产生了具有静态准确性和延迟占地面积的模型，因此在响应不同的运行时条件方面的响应不足，特别是由于设备上其他程序执行其他程序而引起的竞争）。为了弥合这一差距，我们介绍了Adallava - 一种自适应推理框架，该框架学会在推理期间在MLLM中动态重新配置操作，以获取输入数据和延迟预算。我们跨越涉及提问，推理和幻觉的多模式基准进行了广泛的实验。我们的结果表明，Adallava可以遵守输入预算，并在运行时实现不同的准确性和延迟权衡。我们的带代码重新租赁的项目网页位于https://zhuoyan-xu.github.io/ada-llava/。
人工验证对增强人工智能的重要性
本白皮书探讨了人工验证与人工智能的整合，特别关注了 Aira 的 Access AI 和 Aira Verify。Access AI 是一款面向盲人和低视力群体的人工智能图像聊天工具，它为实时图像描述提供了新的可能性，但也带来了人工智能幻觉等挑战——不正确或误导性的回答。通过聚类分析、任务分类和统计研究，Aira 分析了行业领先的人工智能模型，揭示了围绕幻觉的挑战，揭示了人工验证的必要性。为了应对这些挑战，Aira 实施了 Aira Verify，这是一种人机协同 (HITL) 流程，利用专业的视觉解释器通过验证或纠正人工智能响应来提高人工智能的准确性。本白皮书详细介绍了人工监督在人工智能应用中的重要性、人工验证在减少幻觉方面的有效性，以及通过分析行业领先的人工智能性能和用户反馈获得的见解。
从虚拟现实到感知工程的新兴学科
本文提出，一门强大的新学科正在稳步兴起，我们称之为感知工程。它源于一系列涉及创造幻觉的思想，从历史绘画和电影到现代的视频游戏和虚拟现实。感知工程师创造的不是桥梁、飞机或计算机等物理制品，而是虚幻的感知体验。范围定义在任何与物理世界交互的代理上，包括生物有机体（人类、动物）和工程系统（机器人、自主系统）。关键思想是，一个称为生产者的代理会改变环境，目的是改变另一个称为接收者的代理的感知体验。最重要的是，本文基于冯·诺依曼-摩根斯坦的信息概念，介绍了这一过程的精确数学公式，以帮助确定和定义该学科。然后将其应用于工程和生物制剂的案例，并讨论其对虚拟现实、机器人技术甚至社交媒体等现有领域的影响。最后，确定了开放的挑战和参与机会。
控制、机器人和自主系统年度评论从虚拟现实到感知工程的新兴学科
本文提出，一门强大的新学科正在稳步兴起，我们称之为感知工程。它源于一系列涉及创造幻觉的思想，从历史绘画和电影到现代视频游戏和虚拟现实。感知工程师创造的不是桥梁、飞机或计算机等物理制品，而是虚幻的感知体验。范围定义在与物理世界交互的任何代理上，包括生物有机体（人类和动物）和工程系统（机器人和自主系统）。关键思想是，一个称为生产者的代理会改变环境，目的是改变另一个称为接收者的代理的感知体验。最重要的是，本文基于冯·诺依曼-摩根斯坦的信息概念，介绍了这一过程的精确数学公式，以帮助确定范围和定义该学科。然后将该公式应用于工程和生物代理的案例，并讨论其对虚拟现实、机器人技术甚至社交媒体等现有领域的影响。最后，确定了开放的挑战和参与机会。
香港自然失业率：最新情况
自从威廉·菲利普斯于 1958 年证明工资通胀与失业之间存在负相关关系 1 以来，许多后续研究也得出了类似的结论。然而，著名的“菲利普斯曲线”并非没有争议。20 世纪 60 年代末，埃德蒙·费尔普斯和米尔顿·弗里德曼认为，虽然工人在短期内可能受到货币幻觉的影响（将名义工资增长误解为实际工资增长，从而愿意增加工作量），但理性的工人和雇主在确定劳动力供求时最终会考虑实际工资而不是名义工资。因此，从长远来看，失业率应该处于一个水平——“自然”失业率——与市场实际工资相对应，市场实际工资会进行调整以平衡劳动力的供求 2 。换句话说，自然失业率是产出处于充分就业水平时长期存在的失业率，通货膨胀与失业率之间不存在权衡。自然失业率仅反映摩擦性和结构性原因造成的失业，不包含任何周期性成分。
身体幻觉
身体的幻想是对身体立即意识的变化，与身体的垂直状态不符。他们提供了一种独特的工具，用于调查介导我们身体意识的感知过程和大脑机制。本章从心理学和认知神经科学的角度分析了身体的幻想。我讨论了经典的幻觉范式，例如肌肉刺激振动引起的橡胶手幻觉和虚幻的肢体运动。此外，我认为涉及单肢位置和运动的变化以及更复杂的幻觉的身体幻觉，涉及多个肢体和身体部位之间的相互作用。此外，我回顾了涉及大小，所有权和身体部位数量变化的幻觉。我们还强调了全身幻觉，涉及整个身体的感知方面的变化。身体幻觉揭示了来自不同感觉方式的信息（例如本体感受，触摸和视觉）如何不断地自动集成，以产生一个人体在空间中的相干多感官表示。此多感官体形表示是动态的，并且基于先前身体经历和自下而上的感觉信号处理的信息。
生成式人工智能
• 只有在明确定义 GenAI 模型输出要求的主题专家的帮助下，偏见才能得到缓解。确定应保护公平性的受保护类别（例如性别、种族）以及应如何衡量公平性和包容性尤为重要。 • 虽然 GenAI 可以帮助审查和开发代码以及找到解决逻辑和技术问题的方法，但逻辑和数学推理的正确性不能被视为理所当然。 • 虽然 GenAI 可以成功地自动生成平凡的预约取消电子邮件，但 GenAI 系统生成的内容应始终经过事实核查。只有人为参与才能减轻幻觉的风险以及算法可能泄露敏感数据或不情愿地复制训练数据中已经存在的内容的风险。 • 只有经验丰富的创意人员和设计师才能验证 GenAI 模型生成的内容是否符合您的企业品牌、愿景和语气。 ChatGPT 的沟通风格是通过平均化示例来预测序列中最有可能出现的下一个单词，这可能缺乏个性和吸引力。Gartner 预计，30% 的对外营销信息将在 GenAI 的帮助下开发。如果你盲目依赖 GenAI 算法的输出，你将如何脱颖而出？
减轻大型语言模型中的实体级幻觉
大型语言模型 (LLM) 的出现彻底改变了用户访问信息的方式，从传统的搜索引擎转向使用 LLM 进行直接问答交互。然而，LLM 的广泛采用也暴露出一个重大挑战，即幻觉，即 LLM 生成的响应连贯但事实不准确。这种幻觉现象导致用户不信任基于 LLM 的信息检索系统。为了应对这一挑战，本文提出了基于幻觉检测的动态检索增强 (DRAD)，作为一种检测和缓解 LLM 中幻觉的新方法。DRAD 通过基于实时幻觉检测动态调整检索过程，改进了传统的检索增强。它有两个主要组件：实时幻觉检测 (RHD)，用于在没有外部模型的情况下识别潜在幻觉；基于外部知识的自我校正 (SEK)，用于使用外部知识纠正这些错误。实验结果表明，DRAD 在检测和缓解 LLM 中的幻觉方面表现出色。我们所有的代码和数据都是开源的，网址为 https://github.com/oneal2000/EntityHallucination。
朝着介导的实施例的通用框架
抽象介导的实施例是技术产生的幻想，即用头像身体代替一个人的身体。虚拟现实是介导的最具代表性的技术。但是，其他形式的Embodiment正在出现，需要检查。在共同范式下包含所有介导的实施方案技术将更容易促进他们的研究。在这里，提出了一个统一的介导实施例的概念框架，该框架将机器人的实施例集成为现象的一部分，并允许在将来可能出现的相同实施方案技术的伞下进行分类。讨论了诱导实施例幻觉所需的最低条件，以及用于创造这种幻觉的技术原则。此外，建议可以将介导的实施方案技术视为在四个方向上增加人类能力的工具：新自我的实施；扩大旅行能力；扩大身体能力；以及永生的影响力。与这些类别有关的介导实施方案中进行的主要研究。该框架有望有助于提高对介导的体现的不同研究社区中介导的实施技术的共同点的认识。
提示了定量审查摘要的方面关键点分析
关键点分析（KPA）的目的是定量摘要，该摘要提供了关键点（KPS）作为衡量其患病率的简洁文本摘要和量子。KPA对论点和评论的研究。大多数KPA研究都采用监督的学习，将简短的句子视为KP，然后与KP匹配以审查量化KP患病率的评论。最近的抽象方法仍基于句子产生KP，通常会导致KP具有重叠和幻觉的意见，并且量化不准确。在本文中，我们提出了提示的方面关键点分析（PAKPA），以进行定量审查摘要。pakpa采用方面情感分析，并促使使用大型语言模型（LLMS）的文本学习生成和量化基于业务实体的KPS，这可以通过准确的量化来实现信仰的KP，并重新提高了对大量调查数据进行监督培训的需求。在流行评论数据集Yelp和面向方面的评论摘要数据集的步伐上进行的实验表明，我们的框架实现了最先进的性能。源代码和数据可用：https：//github.com/ antangrocket1312/pakpa