XiaoMi-AI文件搜索系统
World File Search SystemPerplexity
学生对AI聊天机器人对词汇和语法的影响EFL写作Winia Waziana，1 Widi Andewi，2 Tommy Hastomo，3 Muhamad
他们在数字活动中使用的聊天机器人。数据收集包括问卷，访谈和观察表，通过定量描述性统计和定性主题分析进行了分析。chatgpt，Gemini，困惑，Bing Chat，Ernie，角色AI，Discord Bot，Wren和Ginger出现是最广泛使用的聊天机器人，具有有用性，任务简化，技能和知识增强的动力，并享受使用。调查结果表明，大多数学生报告了通过使用AI聊天机器人的词汇范围，句法品种和整体写作质量的大幅改善。此外，学生一贯注意到AI聊天机器人对他们的语言水平的重大积极影响，尤其是在书面上应用的词汇和语法。结果表明，合并AI聊天机器人可能是提高EFL学生写作技巧的有利优势。该研究还解决了其缺点，并为将来的研究提供了建议。关键字：AI聊天机器人，Chatgpt，EFL学生，写作。简介
AI助手中BBC新闻内容的表示
个体错误突出了我们研究发现的一些问题。例如，Google的双子座错误地指出：“ NHS建议人们不要开始烟，并建议想要退出的吸烟者应使用其他方法”。实际上，NHS确实建议使用烟作为戒烟的方法。微软的副作用错误地说，吉西尔·佩利科特（GisèlePelicot）在她开始遭受停电和记忆力损失时发现了针对她的罪行。实际上，当警察在没收丈夫的电子设备时，警察展示了他们发现的视频时，她发现了有关罪行的信息。困惑错误地说明了迈克尔·莫斯利（Michael Mosley）死亡的日期，并在他去世后的家人中误导了利亚姆·佩恩（Liam Payne）的一份声明。Openai的Chatgpt在2024年12月声称2024年7月在伊朗被暗杀的Ismail Haniyeh是哈马斯领导人的一部分。
Article.pdf -Munin
在1960年代初期，在语言和认知发展中以某种方式处于双语背景下的儿童被普遍存在。在不考虑各个群体的社会经济不平等的情况下，通常与族裔/种族少数群体的状态共同发生，因此有人认为，同时的语言暴露会导致混乱，延迟语言获取和认知发展的过程，如果不是极端，在极端的心理障碍中，造成精神震动，导致1926年，1926年； 1926年； Saer，Saer，1923年）。鉴于我们今天所知道的 - 即最低限度的，双语主义与单语主义没有任何劣势，我们在下面更详细地返回的讨论（例如，参见Meisel，2011，Serratrice，2013年，2013年，BiAlystok，Biallystok，2016年，2016年，2017年） - 它的想法是如此之多，更重要的是源于原始源头。的困惑通常是这种情况，只有事后的明确性才能实现。从某种意义上说，关于双语的极端缺点的说法实际上是不可避免的。简而言之，《时代的科学》并不了解。它从根本上有缺陷。
适应低资源语言的开源大型语言模型：土耳其语的案例研究
尽管具有英语主导性的大语言模型的进步，但低资源语言仍需要进一步的开发才能增强全球可访问性。代表这些语言的主要方法是单语和多语言预读。单语言预告片由于硬件要求而昂贵，而且多语言模型在语言中通常具有不平衡的性能。这项研究通过调整大型语言模型（接受英语培训）来探讨一种替代性，从而探讨了低资源语言。我们评估各种策略，包括持续的培训，教学微调，特定的微调和词汇扩展。结果表明，持续的训练可以证明语言理解，如困惑得分所反映，而特定于任务的调整通常会增强下游任务的性能。但是，扩展词汇并没有显示出实质性的好处。此外，虽然较大的模型通过几次调整来改善任务性能，但在适应时，多语言模型的形式比单语的同行更糟。
techexperts（IPN）在Genai检测任务1：在英语和多语言上下文中检测AI生成的文本
大语言模型（LLM）的兴起，例如GPT-4，已大大增加了各种数字平台上AI生成的内容的量。这些模型可以生成连贯和上下文相关的文本，从而使用户难以区分人类和机器生成的内容。AI生成的内容的重新上升使许多人质疑信息的可信度和可靠性，尤其是关于新闻，学术界和社交媒体的信息，而内容的完整性至关重要。这使得需要开发有效的方法将AI生成的内容检测到历史高（Fraser等人，2024）。最近在LLM的能力中获得的收益为他们的发现带来了新的挑战。ap-诸如使用Human的反馈和指导调整的加固学习之类的方法使这些模型更具多功能性，以遵循甚至连接提示，从而产生合理的响应，从而进一步使检测问题复杂化（Abdali等人。，2024）。依赖于识别单词选择，句子结构或困惑模式的传统检测方法通常不太适合，因为这些模型在模仿Hu-
抗病毒肽产生预训练的变压器
摘要：传统的抗病毒肽（AVP）发现是一个耗时且昂贵的过程。这项研究介绍了AVP-GPT，这是一种新型的深度学习方法，利用基于变压器的语言模型和专门为AVP设计设计的多模式体系结构。AVP-GPT表现出非凡的效率，在GPU系统上产生了10,000个独特的肽，并在两天内识别潜在的AVP。在呼吸道合胞病毒（RSV）数据集（AVP-GPT）中预先训练，成功地适应了流感病毒（INFVA）和其他呼吸道病毒。与LSTM和SVM等最新模型相比，AVP-GPT的困惑性显着降低（2.09 vs. 16.13）和较高的AUC（0.90 vs. 0.82），表明肽序列序列预测和AVP分类。AVP-GPT产生了一套具有出色新颖性的肽，并确定了抗病毒成功率明显高于常规设计方法的候选者。值得注意的是，AVP-GPT对RSV和INFVA产生了新的肽，具有出色的效力，其中包括四种肽，其EC50值在0.02 um左右，这是迄今为止报告的最强的抗RSV活性。这些发现突出了AVP-GPT彻底改变AVP发现和开发的潜力，从而加速了新型抗病毒药。未来的研究可以探索AVP-GPT在其他病毒靶标上的应用，并研究替代AVP设计策略。
人工神经网络语言模型可以预测人类大脑对语言的反应，即使经过一定量的训练
人工神经网络已成为人类语言处理的计算上可行的模型。对这些模型的一个主要批评是，它们接收的训练数据量远远超过人类在语言学习过程中接收的数据量。在这里，我们使用两种互补的方法来探究训练数据量如何影响模型捕捉人类对句子的 fMRI 反应的能力。首先，我们根据 fMRI 基准评估了用 100 万、1000 万、1 亿或 10 亿个单词训练的 GPT-2 模型。我们认为 1 亿个单词的模型在训练数据量方面在发展上是可行的，因为这个数量与儿童在生命的前 10 年估计接触到的数据量相似。其次，我们测试了在 90 亿个标记数据集上训练的 GPT-2 模型的性能，以在训练的不同阶段达到人类基准上最先进的下一个单词预测性能。通过这两种方法，我们发现：(i) 在发展上可行的数据量上训练的模型在捕捉句子的 fMRI 反应方面已经实现了接近最大的性能。此外，(ii) 较低的困惑度（衡量下一个单词预测性能的指标）与与人类数据的更强的一致性相关，这表明经过足够训练以实现足够高的下一个单词预测性能的模型也会获得可以预测人类 fMRI 反应的句子表征。同时，这些发现表明，尽管一些训练对于模型的预测能力是必要的，但发展上可行的训练量（约 1 亿个单词）可能就足够了。
自然语言处理的生成人工智能工具的比较分析
摘要：生成人工智能工具最近引起了很多关注。这是因为它们具有巨大的优势，包括易用性，快速生成重新任务的答案以及他们所拥有的类似人类的智慧。本文对前9个生成人工智能（AI）工具进行了生动的比较分析，即ChatGpt，Cherplexity AI，Youchat，Chatsonic，Google的Bard，Microsoft Bing助手，Huggingchat，Jasper AI和Quora Poe，并关注Pros和Ass Cons of Ass ai Ai工具。这种比较分析表明，生成的AI工具具有多个优点，超过了缺点。此外，我们探讨了生成AI在自然语言处理（NLP）中的变革性影响，重点是与搜索引擎，隐私问题和道德含义的整合。比较分析根据受欢迎程度对生成的AI工具进行了分类，并评估了开发中的挑战，包括数据限制和构造成本。该研究强调了诸如技术滥用和监管挑战之类的道德考虑因素。此外，我们研究了NLP中的AI计划技术，涵盖了古典计划，概率计划，等级规划，时间计划，知识驱动的计划和NEU-RAL计划模型。这些计划方法对于实现NLP任务中的特定目标至关重要。总而言之，我们简要概述了生成AI的当前状态，包括其Challenges，道德考虑和潜在的应用，这有助于有关人类计算机相互作用的学术论述。
货币供应对尼日利亚经济的影响
摘要：本研究调查了 1981 年至 2015 年尼日利亚广义货币供应量与实际总产出 (GDP) 之间的长期和短期关系。本研究旨在调查货币供应量作为主要货币政策措施是否真正影响尼日利亚经济的困惑。这项工作利用不同频率（年度和季度）的数据来揭示相同频率的数据可能无法显示的一些隐藏事实。采用了无限制版本的混合数据抽样 (U-MIDAS) 技术和自回归分布滞后 (ARDL) 技术。ADF 单位根检验表明，年度实际 GDP 和季度广义货币供应量包含一个单位根，这允许测试变量之间的协整性。U-MIDAS 结果证实了不同季节的年度实际 GDP 和季度广义货币供应量之间存在长期和短期关系，而 ARDL 结果证实货币供应量仅在长期内对实际 GDP 产生重大影响。研究得出的结论是，两种分析方法得出的不平衡修正项表明，尼日利亚存在增长目标化趋势，这是尼日利亚经济的主要目标之一，尽管速度较慢。因此，建议货币当局应维持经济中的通胀目标水平，并监控货币供应量，因为经济中过多的货币供应将导致通货膨胀飙升，同时应通过定期向流通中提供货币来提高定期货币乘数的效率，以便通过为商业交易和其他经济活动提供现金，与实际 GDP 增长同步，从而提高尼日利亚经济的实际 GDP。
通过注意蛋白质和基因组基础模型来理解蛋白-DNA相互作用
高级人工智能技术的出现在蛋白质结构预测方面取得了显着加速。alphafold2是该领域中的开创性方法，它通过利用Evoformer模块从multiple序列比对（MSA）自动提取共进化信息，为预测准确性设定了新的基准测试。但是，诸如Alphafold2之类的结构预测方法的疗效在很大程度上取决于MSA的深度和质量。为了解决这一局限性，我们提出了两个新型模型Aido.ragplm和aido.ragfold，它们是A-e-e-dected蛋白质语言模型和AI-Drigity数字有机体中的概述的模块[1]。aido.ragplm将预训练的蛋白质模型与检索的MSA整合在一起，从而使共同进化信息纳入结构前字典，同时通过大规模预处理补偿了MSA信息不足。我们的方法在困惑，接触预测和适应性预测中超过了单序蛋白语言模型。我们利用aido.ragplm作为蛋白质结构预测的特征提取器，导致aido.ragfold的发展。当有足够的MSA提供时，Aido.Ragfold就可以达到与Alphafold2相当的TM分数，并且最多运行速度长达八倍。在MSA不足的情况下，我们的方法显着优于Al-PhaFold2（∆ TM得分= 0.379、0.116和0.116和0.059，对于0、5和10 MSA序列作为输入）。我们的发现表明aido.ragplm为蛋白质结构预测提供了有效，准确的解决方案。此外，我们使用层次ID生成开发了一种从Uniclust30数据库搜索的MSA检索器，该数据库比传统方法快45至90倍，并用于扩展aido.ragplm的MSA培训集，增长32％。