XiaoMi-AI文件搜索系统
World File Search SystemGPT4
整合人工智能
该领域的发展速度如此之快，以至于 ChatGPT 背后的模型 GPT-3.5 已经被继任者 GPT-4 取代，现在它只是更广泛的 AI 工具生态系统中的一种工具，其中许多工具借鉴了 OpenAI 的基础模型或 Anthropic 等竞争对手的模型。如今，学生可以使用许多其他 AI 工具，这些工具使他们能够毫不费力地将单个句子转换成照片般逼真的图像（Midjourney）、视频（Synthesia）、软件代码（GitHub CoPilot）或音乐作品（MusicLM），堪比经验丰富的艺术家和从业者的作品。此外，越来越多的 GPT4 和其他工具插件正在涌现，使他们能够在线访问实时信息。其他工具（例如 Code Interpreter）进一步增强了这些工具的功能，使它们能够执行以前版本无法执行的任务，例如分析和可视化数据、从图像中提取文本以及编辑视频。
较小的语言模型是更好的零弹药机 -
随着大型语言模型越来越嵌入到不同的面向用户的服务中，因此能够区分人类编写和机器生成的文本以验证新闻文章的真实性，产品评论等。因此，在本文中，我们着手探索是否可以使用一种语言模型来以零声明的方式识别由另一种语言模型所作的机器生成的文本，即使两者具有不同的体系结构并接受了不同的数据培训。我们发现，总体而言，较小的模型是更好的通用机器生成的文本探测器：它们可以更精确地检测出从较小和大型模型生成的文本，而无需任何其他培训/数据。有趣的是，我们发现在相同数据上对检测器和发电机模型进行培训，对检测成功并不重要。ec.forgess Opt-125m模型的AUC为0.90，在DECTIND GPT4代中为0.90，而GPT家族GPTJ-6B的较大模型的AUC为0.65。
通过决策模型桥接新手 - 专家差距 -
最近的研究表明，从人类反馈（RLHF）中学习的教学调整（IT）和加强学习会显着提高大语言模型（LMS）的能力。尽管这些调整方法可以帮助将模范与人类目标保持一致并产生高质量的文本，但对它们的潜在不利影响知之甚少。在这项工作中，我们对IT和RLHF的影响进行了对LMS的做法和推理的影响，重点是三种认知偏见（诱饵效应，确定性效应和信仰偏见），这些偏见都众所周知，这些偏见都会影响人类的决策 - 做出和推理。我们的发现突出了这些偏见在GPT-3，Mistral和T5家族中的各种偏见中的存在。值得注意的是，我们发现在经过指导调节的模型中，Bi-ASE的存在更强，例如Flan-T5，Mistral-Instruct，GPT3.5和GPT4。我们的工作构成了理解教学调整LMS认知偏见的一步，这对于开发更可靠和不可用的语言模型至关重要。1
（生成式）人工智能的监管需要持续监督
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
知识注入的LLM驱动的对话卫生代理：糖尿病患者的案例研究
摘要 - 有效的糖尿病管理对于糖尿病患者的健康至关重要。大语言模型（LLMS）已为糖尿病管理开辟了新的途径，从而发挥了作用。但是，当前基于LLM的方法受到对通用来源的依赖以及与域特异性知识缺乏集成的限制，从而导致反应不准确。在本文中，我们为糖尿病患者提出了一种知识融合的LLM的对话疗法（CHA）。我们自定义和利用开源opencha框架 - 通过外部知识和分析功能增强我们的CHA。这种整合涉及两个关键组成部分：1）结合美国糖尿病协会饮食指南和营养信息，以及2）部署分析工具，以实现营养摄入量计算并与准则进行比较。我们将提出的CHA与GPT4进行比较。我们的评估包括有关每日饮食选择的100个与糖尿病有关的问题，并评估与建议饮食相关的潜在风险。我们的发现表明，所提出的代理在产生应对以管理基本营养素方面表现出了出色的表现。索引术语 - LLS，知识图，糖尿病，营养疗法，卫生药物。
LLM可以理解计算机网络吗？走向虚拟系统管理员
摘要 - 人工智能和典型的大语言模型（LLMS）的发展，为帮助系统管理员管理现代网络的复杂性提供了有希望的前景。，尽管存在这种潜力，但文献中仍然存在有关LLM可以理解计算机网络的程度的显着差距。没有经验证据，系统管理员可能会依靠这些模型，而不会确保其在准确执行与网络相关的任务方面的功效。在本文中，我们是第一个对LLMS对计算机网络理解的详尽研究。我们提出了几个研究问题，以确定LLM在提供网络拓扑及其问题时是否可以提供正确的答案。为了评估它们，我们开发了一个详尽的框架来评估LLMS在各种网络相关任务中的功能。我们在多个计算机网络上评估了我们的框架（例如，GPT4）和开放源代码（例如Llama2）模型。使用零拍的场景中，我们在通用LLM中的发现表明了令人鼓舞的结果，最佳模型的平均准确度为79.3％。专有的LLM在中小型网络中取得了值得注意的结果，而挑战则持续理解复杂的网络拓扑，尤其是对于开源模型。此外，我们提供了有关及时工程如何提高某些任务准确性的洞察力。索引术语 - LARGE语言模型，计算机网络，系统管理员。
T&LPC 2023 年 10 月人工智能检测工具
已移动 ( / ) T&LPC 向参议院建议，大学不支持使用 AI 检测工具来处理学生课程，以识别学术诚信问题。背景 GPT4 和其他类似技术的出现引发了高等教育内部关于人工智能对一系列学术活动（包括教学、学习和学术研究）的影响的激烈辩论。为了确保布鲁克的运营决策受益于我们重要的内部专业知识，教务长和学术副校长于今年早些时候成立了一个人工智能咨询小组。这个跨学科小组的成员名单列在本备忘录的末尾，其中包括 14 名在与人工智能相关的不同领域拥有专业知识的教职员工。根据该小组最初关注的生成式人工智能对教学实践的影响，咨询小组成员帮助制定了教学创新中心向布鲁克大学教师和学习者发布的指导意见。然而，咨询小组内部最近的讨论涉及旨在检测学生课程中人工智能使用情况的工具和技术（“人工智能检测工具”）。这是一个新出现的问题，已被确定需要澄清，特别是为了帮助那些试图评估学生课程中可能未经授权使用生成式人工智能的教师，以维护学术诚信。在教务长顾问小组讨论 AI 检测工具后，顾问小组成员参加了 2023 年 9 月 21 日的教学与学习政策委员会会议，他们在会上概述了他们向教务长强烈建议布鲁克大学不支持使用 AI 检测工具处理学生课程以识别学术诚信问题的一些理由。在上个月的教学与学习政策委员会讨论之后（以及其他相关论坛，如教务长的学术诚信顾问小组的讨论），教务长希望将该小组的建议作为正式动议进行审议（如上所述）。顾问小组成员阐述的这项动议的理由如下：
是时候讨论人工智能的已知风险了
关于人工智能风险和监管，而其他社区则被排除在外。纽约市人工智能现在研究所所长 Amba Kak 表示，科技行业领袖撰写的信件“本质上是在划定谁是这场对话中的专家的界限”，该研究所专注于人工智能的社会后果。人工智能系统和工具具有许多潜在优势，从合成数据到协助医疗诊断。但它们也可能造成有据可查的危害，从有偏见的决策到消除工作。专制国家已经滥用人工智能驱动的面部识别来追踪和压迫人民。有偏见的人工智能系统可能会使用不透明的算法来拒绝向人们提供福利、医疗保健或庇护——这些技术的应用很可能对边缘化社区的人们产生最大影响。关于这些问题的辩论正陷入僵局。围绕最新生成式人工智能的最大担忧之一是它可能会助长虚假信息。这项技术使得制作更多、更令人信服的虚假文字、照片和视频变得更加容易，这些文字、照片和视频可能会影响选举，或者破坏人们信任任何信息的能力，从而可能破坏社会稳定。如果科技公司真的想避免或降低这些风险，他们必须把道德、安全和问责放在工作的核心位置。目前，他们似乎不愿意这样做。OpenAI 对其最新的生成式人工智能模型 GPT4 进行了“压力测试”，促使它产生有害内容，然后采取保护措施。但尽管该公司描述了自己所做的工作，测试的全部细节和训练模型的数据并未公开。科技公司必须制定负责任地开发人工智能系统和工具的行业标准，并在产品发布前进行严格的安全测试。他们应该将完整的数据提交给能够验证它们的独立监管机构，就像制药公司在药品上市前必须向医疗当局提交临床试验数据一样。为了实现这一点，政府必须建立适当的法律和监管框架，并适用现有的法律。本月早些时候，欧洲议会批准了《人工智能法案》，该法案将根据潜在风险对欧盟的人工智能应用进行监管——例如，禁止警察在公共场所使用实时面部识别技术。研究人员必须发挥自己的作用，从下至上建立负责任的人工智能文化。该法案在成为欧盟成员国的法律之前，还有进一步的障碍需要清除，而且有人质疑该法案缺乏关于如何执行的细节，但它可能有助于制定人工智能系统的全球标准。关于人工智能风险和监管的进一步磋商，例如即将举行的英国峰会，必须邀请各种各样的与会者，包括研究人工智能危害的研究人员，以及已经或特别有可能受到该技术伤害的社区代表。4 月，大型机器学习会议 NeurIPS（神经信息处理系统）宣布通过了会议提交的道德准则。这包括一项期望，即涉及人类参与者的研究已经
结构化教学提示表明具有增强镜视频显示器的生成-AI角色体现
将立即通过增强的镜像视频显示，并与他们的学生一起视觉实现。以这种方式，我们的方法赋予了教学的能力，其概念的内在形式被称为角色实施例[Keevallik 2010]，在该概念上，学生可以通过视觉吸引学生作为历史人物，科学专业人士或文化偶像，从而创造出更丰富，更沉浸式的学习经验，以实现的角色扮演[CarniceroerPérezet al al and。2023]。要以更高的精确度来完善和直接产生图像，这项研究特别结合了ControlNet，这是一种稳定扩散的开发，旨在增强对生成的输出的控制，从而确保视觉转换与文本提示的教育目标和提供的相机输入图像Snapshot [Zhang等人[Zhang et al》中均符合。2023]。上游，我们整合了语音识别，以将自然的口语接口与受控的导向图像生成相关。生成的AI模型，例如DALL-E或GPT4，可以从文本描述中综合高保真视觉内容。尽管它们的实用性，这些模型从根本上受到其对文本的依赖的限制，因为它们是唯一的条件输入。此约束限制了其将生成的输出调整为结构化空间输入的能力，例如深度图，语义分割掩码或姿势配置。因此，此类模型不适合需要与实时背景（例如交互式环境和实时个人化）进行精确对齐的应用。2021]。2020]。2020]与ControlNet结合[Zhang等。相比之下，ControlNet通过启用多模式输入模式（包括深度图）的整合到生成过程中来解决这一差距。深度调节是将视觉输出与参与者的物理概况（例如身体形状和空间布置）进行实时设定的关键。此功能将生成模型的适用性扩展到需要上下文和参与者特定输出的域。通过利用基于深度的调节，ControlNet促进了视觉效果的产生，这些视觉效果不仅在语义上是准确的，而且在空间上是连贯的，从而支持了新颖的应用，例如具有体现的角色扮演和沉浸式，上下文感知的教育体验。通过生成AI的角色体现与沉浸式学习的研究保持一致，当学生在教育场景中扮演角色或角色时，学生更加深入地参与。研究表明，体现历史人物的体现会发展出同理心并增强记忆力保留，因为学生与材料有着共同的联系[Miguel-Revilla等。类似地，在STEM领域，学生可以通过诸如科学家，工程师或宇航员等原型横向探索角色，这些原型将其转化为对主题的更强识别并支持持续的参与[Singer等人。更详细地探索了各种文化舞蹈风格，作为教学场景，以更直接的舞蹈学生与视觉体现的教学环境联系起来。本文采用了稳定扩散的机制引入了一个框架[Ho等。2023]实现适用于教学环境中的有针对性的特定角色转换。这种集成使受控的视觉自定义符合教室内成像的人类形式，从而使教育工作者可以设计具有与各种主题的教育目标相吻合的沉浸式，上下文准确的体验。本文的主要技术贡献是：