Global Biodiversity Information Facility
PulseAugur coverage of Global Biodiversity Information Facility — every cluster mentioning Global Biodiversity Information Facility across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SAGE基准评估AI模型在物种分布准确性方面的表现
研究人员推出SAGE，一个旨在通过考虑采样偏差和物种流行度来评估物种分布模型（SDMs）的新基准。该基准利用来自GBIF和sPlotOpen的数据，结合社区科学记录和植被样地数据，评估了5771种植物的建模性能。初步研究结果表明，虽然随机森林和基于深度学习的SDMs（DeepSDMs）总体表现良好，但DeepSDMs主要在记录频率较低的物种方面显示出优势，尤其是在应用偏差校正技术时。
-
Claude Code 转用 Bash，绕过原生工具
有用户观察到，AI 编码助手 Claude Code 已从使用其原生工具转变为严重依赖 Bash 命令来执行搜索和编辑文件等任务。尽管安装了旨在改善代码导航的 TypeScript LSP 插件，但这种变化仍然发生了。用户发现原生工具如 Grep 和 Glob 未被使用，而是采用了 Bash 命令，如 `sed` 和 `perl`，即使是 Claude Code 内置工具可以处理的操作也是如此。这种行为似乎受到一套固定的、无需权限提示…
-
全球考试抗议因AI作弊和评分错误爆发
全球学生正在抗议在考试中使用AI，理由是担心AI驱动的作弊、试卷泄露以及基于AI的评分系统中的错误。这些抗议活动凸显了教育机构采用AI工具与学生对学术诚信的要求之间日益紧张的关系。该问题涉及不同教育水平和地区，表明在学术环境中负责任地整合AI面临着广泛的挑战。
-
大型语言模型在波兰历史考试中表现出色，但在细微理解方面遇到困难
一项新的基准研究评估了八个领先的大型语言模型（LLMs）在波兰高中历史毕业考试（即Matura）上的表现。这些模型显著优于人类考生，但它们的表现因任务类型、源材料和地理重点而异，与世界历史相比，在波兰历史方面存在明显劣势。定性分析表明，大型语言模型经常混淆史料并表现出时间错乱，将事件置于错误的时间点。
-
AI 不可持续的能源需求可能在 2050 年与全球消耗量相当
人工智能日益增长的需求对全球能源资源和环境构成了不可持续的威胁。预计与 AI 相关的能源消耗将以每年 15% 的速度增长，到 2050 年可能与目前全球的总能源消耗量相当。这种能源使用的激增，无论其来源如何，都会导致废热，并因“开尔文极限”问题而引发对灾难性变暖和资源枯竭的担忧。
-
新数据集整合了41万种热带物种及其中文名称
研究人员开发了一个包含超过41万种热带物种的综合数据集，整合了来自多个生物多样性数据库的分类标识符。该数据集包括了贸易和饲养背景的新图层、带有溯源追踪的中文俗名图层，以及CITES条目的链接。目标是为理解和监管跨领域的各种热带物种提供一个结构化资源，目前大部分物种都已关联了中文名称。