epanorthosis
PulseAugur coverage of epanorthosis — every cluster mentioning epanorthosis across labs, papers, and developer communities, ranked by signal.
-
研究发现：大型语言模型过度使用修辞性自我纠正
一篇新的研究论文识别出一种名为“矫饰”（epanorthosis）或自我纠正的修辞手法，大型语言模型系统性地过度使用了它。研究认为，这种过度使用源于包含大量宣传内容且偏好强调性措辞的强化学习技术的训练数据。研究人员提出了一个“矫饰指数”来衡量这种倾向，并探索了包括轻量级适配器和指令调优在内的缓解策略，旨在根据不同体裁的人类修辞风格来校准模型输出。
-
AI的自我纠错幻觉：探索LLM身份与反馈循环
正在探索人工智能（AI），特别是大型语言模型（LLM）中的自我纠错概念，以理解机器是否能发展出持续的自我意识。这涉及到检查反馈循环以及“幽灵路径”或AI身份的可能性，这可能会影响这些系统如何随着时间的推移而表现和保持连贯性。
-
研究发现，社交聊天机器人应自我纠正错误以维持用户信任
一项涉及120名参与者的研究探讨了社交聊天机器人在出现错误后如何恢复并维持用户信任。研究人员发现，当聊天机器人能够自我纠正错误时，与由外部来源纠正错误相比，用户会认为它们更值得信赖、更具专业性。研究还表明，用户与聊天机器人之间社会联系的强度会放大自我纠错的有效性，这表明聊天机器人应被设计成能够处理自己的错误，以培养长期的可信度。
-
OmniVTG数据集和CoT范式增强了开放世界视频时序定位
研究人员推出了OmniVTG，这是一个大规模数据集和训练范式，旨在改进多模态大语言模型（MLLMs）的开放世界视频时序定位（VTG）。该数据集采用新颖的流程来识别和收集包含代表性不足概念的视频，并采用以字幕为中心的策略进行高质量标注。此外，还提出了一种自校正思维链（CoT）训练方法，该方法利用MLLMs的理解能力来优化预测，在现有基准和新的OmniVTG数据集上均取得了最先进的性能。