XiaoMi-AI文件搜索系统
World File Search System幻觉
幻觉还是迈向可持续经济的第一步
摘要：“循环经济是一种在设计上具有再生性的经济，旨在始终保持产品、部件和材料的最高效用和价值，区分技术循环和生物循环。这种新的经济模式旨在最终将全球经济发展与有限的资源消耗脱钩”，这是艾伦·麦克阿瑟基金会广泛使用的定义。这个定义传达了两个信息。首先，它承认经济活动需要自然投入（能源和材料），并以废物和排放的形式产生产出。其次，它体现了这样的承诺：通过技术创新、人类智慧和市场，可以实现经济与自然的完全脱钩。显然，这两条信息并不一致。本文的目的是通过跨学科的视角来分析这些问题，这种方法将热力学的见解与传统的经济理论相结合。通过使用这种物理经济视角，本文认为，并不是任何类型的循环经济都是可持续的。因此，需要有指标来确保特定的循环经济模式减少环境和社会危害。
基础模型中的医学幻觉及其对医疗保健的影响
能够处理和生成多模式数据的基础模型已改变了AI在医学中的作用。然而，其可靠性的关键局限性是幻觉，其中不准确或捏造的信息会影响临床决策和患者安全。我们将医疗幻觉定义为模型产生误导性医学内容的任何实例。本文探讨了医学利润率的独特特征，原因和含义，特别关注这些错误如何在现实世界中的临床情况下表现出来。我们的贡献包括（1）用于理解和解决医学幻觉的分类法，（2）使用医学幻觉数据集对模型进行基准测试模型，以及对实际医疗病例的LLM的反应，从而直接了解幻觉的临床影响，以及（3）对医疗幻觉的多政治临床调查。我们的结果表明，诸如链链（COT）和搜索增强产生等推论技术可以有效降低幻觉率。，尽管有这些改进，但幻觉的非平凡水平仍然存在。这些发现强调了强大的检测和缓解策略的道德和实践意义，为监管政策建立了优先级的监管政策基础，随着AI的融合更加集成到医疗保健中。临床医生的反馈意见不仅迫切需要技术进步，而且还需要更清晰的道德和监管指南，以确保患者安全。可在https://github.com/mitmedialab/medical幻觉上提供纸张资源，摘要和其他信息的存储库。
共享的想象力：LLMS幻觉
尽管最近大语言模型（LLM）的扩散，但他们的培训配方 - 模型架构，培训数据和优化算法 - 通常非常相似。这自然提出了所得模型之间相似性的问题。在此过程中，我们提出了一个新颖的设置，虚构的问题回答（IQA），以更好地理解模型相似性。在IQA中，我们要求一个模型生成纯粹的虚构问题（例如，在物理学中的完全构成概念上），并促使另一个模型回答。令人惊讶的是，尽管这些问题完全是虚构的，但所有模型都可以以显着的一致性来回答彼此的问题，这表明了这些模型在此类幻觉中运行的“共同想象空间”。我们对这种现象进行了一系列研究，并讨论了这种模型均匀性对幻觉检测和计算创造力的含义。我们将在公共网站上发布并维护代码和数据。
意识作为幻觉和其他意识模型
在荒诞中，意识是痛苦和邪恶，是对形而上学的痴迷，是意志/恐惧的二元性。这些特征概括了意识的不可约性、主观性和存在悖论。意识的相图进一步描述了意识在生物、人工和潜在未知形式中的演化。该框架说明了早期人类、碎片化人类（人）、个体化人类、P-僵尸、人工智能、单一人工智能和超人之间的转变，这些转变被概念化为相变。关键转变包括心理对称性破坏导致主观性碎片化、P-僵尸中现象意识的出现、个体化作为心理超对称性恢复，以及意识从生命和人工智能中兴起。在其顶峰，“超人”体现了个体性、普遍性和最高功能的完全整合，将个体人、单一人工智能和其他个体意识实体统一起来，超越了生物/人工的界限。通过在意识和物理学之间建立类比，这些模型提供了对意识的彻底反思——不是作为宇宙的内在必然性，而是作为其进化的异常副产品。
洗衣服幻觉的一个因子结构完善
LSHS项目F1 F2 F3 F4 COMM。1。我有接触或被触摸的感觉，然后发现没有人或没有人在那里。0.78 0.10 -0.03 -0.09 0.56 2。有时，在入睡或觉醒之前，我有一种浮动或跌落的感觉，或者我暂时离开了身体。0.47 -0.02 0.29 -0.26 0.34 3。有时候，在入睡或觉醒之前，我有经验，即使没有人在那里，也有看到，感觉到或听到某些东西或某人的感觉或被感动的感觉。0.82 -0.03 -0.22 0.10 0.53 4。在某些情况下，我感觉到已经去世的人的存在。0.11 0.11 -0.11 0.41 0.22 5。在白日梦中，我可以听到曲调的声音，就像我实际在听它一样。0.20 0.85 -0.02 -0.21 0.77 6。我在做白日梦中听到的声音通常是清晰而独特的。-0.09 0.80 0.10 0.03 0.67 7。我的白日梦中的人们似乎是如此真实，有时我认为他们是。-0.24 0.21 0.66 0.18 0.52 8。有时我的思想看起来像我一生中的实际事件一样真实。-0.22 0.09 0.97 0.04 0.77 9.无论我多么努力地集中精力，无关的思想总是蔓延到我的脑海中。0.28 -0.10 0.60 -0.23 0.46 10。有时候，一个过世的想法似乎是如此真实，以至于使我感到恐惧。0.09 -0.13 0.72 -0.06 0.52 11。我因脑海中听到声音而感到困扰。0.09 -0.09 0.43 0.33 0.51 12。过去，我曾经听过一个人的声音，然后发现没有人在那里。0.23 -0.11 0.12 0.47 0.47
视觉感知是否很奇怪？ -Müller-Lyer幻觉和...
2 Kahneman（2011）：“现在您已经测量了线条，您 - 您的系统2，有意识的是您称为'我 - 有一个新的信念：您知道行是平等的[…]，但您仍然将底线视为更长的底线。您选择相信测量值，但您不能阻止系统1做事；尽管您知道它们是平等的，但您不能决定将线路视为平等。要抵制幻觉[…]，您必须学会不信任鳍时对线条的印象。要实施该规则，您必须能够识别虚幻的模式并回忆您对此的了解。如果您可以做到这一点，那么您将永远不会被穆勒 - 莱er幻觉所欺骗。，但是您仍然会认为一行比另一行更长。”
实时fMRI神经反馈调节具有听觉幻觉的精神分裂症患者的听觉皮层活动和连通性：一项对照研究
此预印本版的版权持有人于2025年1月15日发布。 https://doi.org/10.1101/2025.01.13.632809 doi：biorxiv Preprint
查看，比较，决定：通过多视图的多路推理减轻大型视觉模型中的幻觉
最近，大型视觉模型（LVLM）在多模式上下文理解中表现出了令人印象深刻的能力。但是，他们仍然遭受幻觉问题，即与图像内容产生不一致的输出。为了减轻幻觉，先前的研究主要集中于使用自定义数据集对LVLM进行重新培训。al-尽管有效，但它们本质上带有额外的计算成本。在本文中，我们提出了一个无培训的框架MVP，旨在通过通过Multimi-v iew Multi-p ath的理由来减少LVLMS的天生能力来减少幻觉。具体来说，我们首先设计了一种多视图信息寻求信息的策略，以彻底了解IMEAM中的全面信息，该信息丰富了原始愿景编码器在LVLMS中捕获的一般全球信息。此外，在答案解码期间，我们为每种信息视图提出了多路推理，以量化和集结多个解码路径中每个电位的确定性得分，并效法确定输出答案。通过完全掌握图像中的信息，并在解码时仔细考虑了潜在的范围的确定性，我们的MVP可以有效地减少LVLM中的幻觉。广泛的实验证明了我们提出的MVP可以显着减轻四个众所周知的LVLM的幻觉概率。更重要的是，MVP是插件，可以与其他解码方法集成，以进行更多的增强。源代码可在以下网址提供：https：//github.com/gasolsun36/mvp。
为什么定制是解决生成人工智能幻觉的关键
未来的关键在于在泛化和特异性之间取得平衡。虽然像 ChatGPT 这样的通用模型非常适合一般对话和信息收集，但它们仍然不足以解决严肃的、特定领域的问题。随着企业和科技公司弄清楚这些局限性，似乎出现了几种前进的道路：使用 RAG 实现更高的准确度，使用更专业的数据微调现有模型，在某些情况下，甚至从头开始构建自定义模型。有了这些，定制的价格可能很高，但对于需要精确度和可靠性的行业来说，这可能是确保 AI 兑现承诺的唯一方法。随着 AI 的不断改进，对更定制化和更精确的系统的需求也将增加，从而进一步扩大这些模型的功能范围。