Human+AI
PulseAugur coverage of Human+AI — every cluster mentioning Human+AI across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探讨人机系统和神经网络的动力学 · 跟踪3个来源
研究人员发表了两篇探讨学习系统动力学的论文，一篇侧重于人机交互，另一篇侧重于算法稳定性。第一篇论文《闭环人机学习系统中可复现的宏观动力学》分析了近30万份学习者历史记录，以识别这些系统中可复现的流动模式和动力学行为。第二篇论文《泛化作为学习使能动力学系统的鲁棒性能属性》从系统理论的角度对泛化进行了建模，将样本替换视为外源性扰动，并为学习动力学建立了稳定性界限。Hugging Face发表的第三篇相关论文介绍了一个“生成-事实图”，以统…
-
DuplexGen框架生成自适应人机对话轮次
研究人员开发了DuplexGen，一个旨在生成具有适应特定场景轮次行为的对话的框架。当前模型通常采用单一的轮次规范，这是由于训练数据缺乏场景特定基础而导致的局限性。DuplexGen通过针对不同合作和竞争任务的人类偏好标注来校准大型语言模型的预测，从而解决了这个问题。这种方法可以合成更符合人类偏好的对话，从而使模型表现出更自然、更适合场景的轮次。
-
人类-AI联合设计流程简化VR 3D资产创建
研究人员开发了CoGen3D，一个旨在通过实现人机协作来简化虚拟现实3D资产创建的新流程。该系统通过对话过程引导用户定义意图、确认概念图像，然后生成3D模型。一项包含120名参与者的用户研究表明，联合设计的资产增强了场景的参与度并影响了情感反应，尽管用户通常更喜欢概念图像而非最终的3D渲染。
-
人机协作团队在协调任务中表现出卓越的性能
arXiv上发表的一项最新研究表明，具有结构化协调机制的人机协作团队在完成复杂任务方面比单独的AI智能体更有效。研究人员观察了共享工作空间中的人机协作团队，发现相关的协调机制显著提升了性能。
-
提议AI提升研究以衡量人类-AI生产力增益
一篇最近的LessWrong帖子提出了一个衡量AI提升的框架，通过比较有AI协助和无AI协助时人类完成任务的时间。作者建议进行实验，让单独的人类或借助当前AI的人类执行有经济价值的任务。这些研究旨在量化生产力增益，并为预测AI时间线提供数据，尽管挑战包括获取基线数据和选择随着AI能力发展而保持相关性的任务。