XiaoMi-AI文件搜索系统
World File Search System幻觉
提供还是惩罚？学生对高等教育生成AI的看法
众所周知，生成的AI工具经常产生虚构的事实，统计或引用为“幻觉”。我们问学生他们与AI产生的文本中出现幻觉的频率。他们倾向于觉得幻觉比频繁出现的偶尔是一个偶尔的问题，最受欢迎的选择是“很少”（17％）和“经常”（14％）。使用生成AI的人中最受欢迎的选择是“不知道”，由超过三分之一（35％）的AI用户选择。这可能表明学生经常使用生成的AI来知道它的可靠性，但它也可能表明这些学生并没有努力验证生成性AI产生的信息，并且可能会借鉴不准确的信息和引用。
人工智能（IA）已进步，转变为健康，教育，尤其是法律。 IA Gen
自然语言模型的出现（MLN），例如DeepSeek，Gemini，Chat GPT彻底改变了包括法律部门在内的几个领域。但是，这些工具的日益增长带来了一个重大挑战：幻觉。ima幻觉是指AI模型的产生不正确，发明或误导性信息，令人信服地呈现出事实。这种现象是MLN的功能固有的，需要对其原因，特征和含义进行深度分析，尤其是在信息准确性至关重要的情况下。这种对审查的需求在考虑到AI本质上是近似和概率的系统，远非诸如法律等领域的绝对确定性和真理（Marcus＆Davis，202222）。
的机构忽视厌氧是治疗相关疾病的关键障碍
关键词：缺乏洞察力，精神病，精神分裂症，双相情感障碍，机构歧视，评论厌氧症的神经系统症状，在50％至80％的人中，患有精神分裂症和其他精神疾病的患者发生，这是接受生命为生命的医疗护理的初级障碍。Anosognosia剥夺了一个人认识到自己生病的能力，并可以阻止照顾者和家庭为亲人获得治疗。尽管患有严重精神疾病（SMI）的个体中的厌氧症率令人震惊，但医学界几乎没有承认这种残酷症状。医学研究中这种陈述的结果是没有治疗方法。数十年的忽视和不集会造成了系统的机构歧视和精神卫生系统，旨在使患者失败。临床试验需要患者同意和对疾病的认识。抗精神病药物仅在一小部分的精神病患者中进行了研究，他们意识到自己生病并且可以使他们的症状交往 - 本质上是幻觉的人，他们意识到自己正在幻觉。数十年的药物开发产生了数十种抗精神病药，这些抗精神病药可治疗幻觉，但对患者洞察力或总体上的负面症状无济于事。精神分裂症的复杂性对于研究人员来说是如此挑战，以至于大多数临床试验都失败了，只有20％至30％的患者表现出对安慰剂的显着改善。2
实时fMRI反馈会影响大脑的激活，导致听觉幻觉减少：第1部分：优越的颞回 - 原始证据 -
摘要：背景/目的：青光眼发展涉及血管因素，包括诸如高胆固醇血症（HC），全身动脉高血压（SAH）和糖尿病（DM）等疾病。这项研究的目的是确定青光眼疾病对腹膜血管密度（SPVD）和黄斑血管密度（SMVD）对高脂质血管丛的影响，从而控制了Glaucoma患者和正常受试者在SAH，DM和HC等合并症上的差异。方法：在155名青光眼患者和162名正常受试者中，测量了这项前瞻性，独立的，观察性的横断面研究，SPVD和SMVD。分析了正常受试者和青光眼患者组之间的差异。进行了95％置信和80％统计功率的线性回归模型。结果：对SPVD影响更大的参数是青光眼诊断，性别，假冒药和DM。青光眼患者的SPVD比健康受试者低1.2％（β斜率1.228; 95％CI 0.798–1.659，p <0.0001）。女性的SPVD比男性高1.19％（Beta斜率1.190; 95％CI 0.750–1.631，p <0.0001），而Phakic患者的SPVD比男性高1.7％（Beta Slope 1.795; 95％CI 1.311-1.311-2.280，p <0.0001）。此外，DM患者的SPVD比非糖尿病患者低0.9％（β斜率0.925; 95％CI 0.293–1.558，p = 0.004）。SAH和HC不影响大多数SPVD参数。SAH和HC患者在外圈中的SMVD比没有合并症的受试者低1.5％（Beta斜率1.513; 95％CI 0.216–2.858，p = 0.021和1.549; 95％CI 0.240-2.858，p = 0.022。结论：青光眼诊断，先前的白内障手术，年龄和性别似乎比SPVD和SMVD上的SAH，DM和HC的影响更大，尤其是SPVD。
使用LLM进行市场研究
3虽然Openai现在有一个候补名单，用于使用新型号进行实验性微调，但推荐的且广泛可用的微调模型仍然是GPT-3.5 Turbo。4的GPT-3.5涡轮增压器的API呼叫成本为（100万令牌）：输入令牌：0.50美元，输出令牌$ 1.50，而GPT-4O分别为：5美元和15美元。微调令牌成本明显更高：输入：$ 3，输出：6美元，而微调模型的费用仅为100万培训令牌的$ 8。5“幻觉”是用来描述LLM会产生不正确信息的案例的术语，当通过基于聊天的界面或LLM-aughted搜索使用LLM时，通常很感兴趣。因为我们没有向GPT查询事实，所以我们认为幻觉对我们的研究问题至关重要。
对听觉幻觉的敏感性与自发的语音期望
听觉言语幻觉（AVHS）或听到临床和非临床人群中的声音，但它们的机制尚不清楚。精神病的预测处理模型提出，幻觉是由于感知中先前的预期过度加权而产生的。然而，这是未知的，这是否反映了（i）对先验知识的明确调制的敏感性，还是（ii）在模棱两可的环境中自发使用此类知识的先前趋势。进行了四个实验，以检查健康参与者听歧义语音刺激的问题。在实验1a（n = 60）和1B（n = 60）中，参与者在暴露于原始语言模板之前和之后区分了可理解且难以理解的正弦波语音（即对期望的调制）。在自上而下的调制和两种常见的幻觉 - 主持性衡量之间没有观察到任何关系。实验2（n = 99）用不同的刺激（SVOCODEC）证实了这种模式，该模式旨在最大程度地减少歧视中的上限效应，并更加紧密地模拟先前在精神病中报道的自上而下效应。在实验3（n = 134）中，参与者在没有先验的语音的情况下暴露于SVS（即天真的听力）。avh-proneness显着预测了SVS中隐藏的单词的言语预测和成功的回忆，这表明参与者实际上可以自发地解码隐藏的信号。总的来说，这些发现支持了一种先前存在的趋势，即自发地利用容易患AVH的健康人的先验知识，而不是对期望临时调制的敏感性。我们提出了一种跨听觉和视觉方式的临床和非临床幻觉模型，并为未来的研究提供了可测试的预测。
迈向构建安全可信的人工智能代理和道路......
– 对抗性稳健性 – 分布外稳健性 • 幻觉 • 公平性 • 毒性 • 刻板印象 • 机器伦理 • 越狱护栏和安全/安保政策 • 协调目标：乐于助人、无害、诚实
使用Wikipedia知识
自然的语言理解和产生已经取得了长足的进步，但持续的幻觉问题破坏了模型输出的可靠性。用外部知识来源（例如Wikipedia）介绍了检索提示的一代（RAG），提出了一种新颖而重要的方法来增强生成内容的事实准确性和连贯性。通过动态整合相关信息，Mistral模型表明了精度，回忆和整体响应质量的重大改进。本研究为减轻幻觉提供了一个强大的框架，为在关键应用程序中部署可靠的AI系统提供了宝贵的见解。全面的评估不足以提高抹布的潜力，以提高大语言模型的性能和可信度。