OpenAI 研究揭示人们如何使用 ChatGPT
OpenAI 基于迄今规模最大的 ChatGPT 使用研究,展示了该工具如何在个人与职业场景中创造经济价值。研究显示,ChatGPT 的采用正从早期用户向更广泛人群扩展,逐步缩小使用差距,并成为日常生活的一部分。
OpenAI 基于迄今规模最大的 ChatGPT 使用研究,展示了该工具如何在个人与职业场景中创造经济价值。研究显示,ChatGPT 的采用正从早期用户向更广泛人群扩展,逐步缩小使用差距,并成为日常生活的一部分。
OpenAI 宣布推出 Jobs Platform 和新的 Certifications,用于把劳动者与岗位、培训和认证连接起来。官方称此举意在扩大经济机会,让 AI 技能更易获得。
OpenAI 面向全球 1000 多人调查了 AI 应如何行事,并将其观点与自家 Model Spec 进行对比。这项被称为集体对齐(collective alignment)的工作,旨在让 AI 默认行为更好地反映多元的人类价值观与视角。
OpenAI 认为 AI 将比历史上任何技术都为更多人解锁更多机会,若方向正确,AI 能赋予每个人前所未有的能力。这一判断来自一位自认务实的技术人,他强调关注技术对人的直接生活影响,而非技术本身。
OpenAI 推出 AI stories,通过展示人们日常使用 AI 获得的收益,指向科学、医学、教育、国防等领域更大的机遇。Sam Altman 此前撰文称人类正进入 Intelligence Age,AI 将帮助人们变得更有能力,让当今最难的问题变得可解。
OpenAI 就模型谄媚(sycophancy)问题发布进一步说明,复盘此前发现中的疏漏、出错原因,并公布将做出的后续调整。
OpenAI 提出从基于意图的机器人转向主动式 AI 智能体。原文未披露具体模型版本、参数规模或可用性信息。
LaunchDarkly 首席产品官 Claire Vo 分享了产品经理角色的变化、她的"反待办清单"以及如何打造 AI 原生团队。
OpenAI 封禁了一批疑似来自柬埔寨的账号,这些账号利用 AI 翻译和生成恋爱、投资类诈骗对话,用于实施"杀猪盘"骗局。
Hugging Face 发布首期《AI 艺术工具通讯》,回顾 2024 年创意 AI 关键进展并预告将推出月度汇总。
Hugging Face 发布文章《AI Agents Are Here. What Now?》,指出 AI 智能体基于 LLM 构建,能自主拆解目标并执行子任务,其自主性可按从"模型不影响程序流程"到"模型自行编写并执行代码"分为多个等级。文章认为系统自主性越高、用户让渡的控制权越多,安全、隐私等风险越大,因此建议不要开发完全自主的 AI 智能体,而半自主智能体在风险与收益之间可能更可取。
Hugging Face 发布 Ethics and Society Newsletter #6,探讨高质量数据对 AI 开发的重要性。文章指出好数据应契合具体用途,需具备相关性、全面性、时效性并减少偏见,因为数据质量直接影响模型性能、鲁棒性、效率与公平性。
Hugging Face 回顾 2023 年开源 LLM 进展,指出公众对开源与闭源之争的关注度大幅上升。文章梳理了预训练大模型的构成要素,包括架构、训练数据、tokenizer、训练超参数与模型权重,并回顾 2022 年的代表模型:176B 参数的 BLOOM、175B 参数的 OPT 以及 GLM-130B。
Hugging Face 发布 Ethics and Society Newsletter 第4期,聚焦文本到图像模型的偏见来源与检测方法。文章列举了训练数据、预训练数据过滤、推理阶段 CLIP 模型、模型潜在空间及事后过滤等五类偏见来源,并指出 Stable Diffusion 安全过滤器主要识别色情内容,难以标记暴力等类型。
OpenAI 发布题为 GPTs are GPTs 的研究,初步考察大语言模型对劳动力市场的潜在影响。原文正文未能抓取,仅标题可用。
OpenAI 发文说明 ChatGPT 的行为是如何被塑造的,并介绍其改进计划,包括让用户拥有更多自定义空间,以及在相关决策中引入更多公众意见。
推荐理由:OpenAI 说明 ChatGPT 行为如何被塑造,并给出用户自定义与公众参与决策的改进方向。
Hugging Face 公布其计算机视觉生态现状:Hub 上已支持 8 项核心视觉任务、超过 3000 个模型和 100 多个数据集,涵盖 ViT、Swin、DETR 等 Transformer 架构以及 ConvNeXt、ResNet、RegNet 等卷积架构。
Hugging Face 的 Ethics and Society Newsletter 第二期聚焦机器学习中的偏见问题,指出偏见普遍且复杂,单一技术手段难以有效解决。文章梳理了偏见如何从 ML 系统演变为个人与社会风险,并介绍了 Hugging Face 团队在数据集与模型等环节开发的偏见分析工具。
Hugging Face 博客发布“机器学习总监洞察”系列第二部分,聚焦 SaaS 领域,采访了 Salesforce 的 Omar Rahman 和 Amplitude 的曹(Danica)肖等机器学习负责人。Omar 提到,采用新的 Transformer 语音技术后团队错误率下降 30%,并强调应关注业务问题而非追逐最新算法。
Hugging Face 发布系列文章,邀请 BuzzFeed、Johnson & Johnson 等公司的机器学习总监分享 ML 落地经验。BuzzFeed 的 Archi Mitra 谈到媒体行业用深度学习做隐私优先的个性化推荐、人机协作辅助创作工具,并指出编辑声音与 ML 推荐的平衡是难点。
Hugging Face 发文质疑微软与 NVIDIA 发布的 Megatron-Turing NLG 530B 这类超大模型趋势,指出复现该实验需花费近 1 亿美元,且训练 BERT 的碳排放已相当于一次跨美飞行。文章主张改用预训练模型、更小模型(如 DistilBERT 保留 97% 语言理解能力、体积小 40%、速度快 60%)和微调等务实方案。
Hugging Face 发文称机器学习正走向“代码化”,主张用软件工程与 DevOps 的成熟实践(版本管理、可复用、可测试、自动化、部署与监控)来构建生产级 ML 系统,即 MLOps。
OpenAI 公布其技术目标,核心使命是构建安全的 AI,并确保 AI 带来的益处尽可能广泛且均衡地分配。