PulseAugur
实时 15:23:50
实体 Pennsylvania State University

Pennsylvania State University

PulseAugur coverage of Pennsylvania State University — every cluster mentioning Pennsylvania State University across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 9
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
关系
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 9 条
  1. RESEARCH · CL_119984 ·

    最高法院出生公民权裁决带来 7.7 万亿美元经济收益

    最高法院最近确认出生公民权的裁决被誉为重大的经济胜利,估计受益者一生将为美国经济贡献数万亿美元。这项决定被视为对企业有利,与裁决走向相反可能产生的负面影响形成对比。文章还涉及移民的乐观情绪、AI 在改变工作场所中的作用以及财务满意度。

  2. COMMENTARY · CL_84195 ·

    AI数据中心带动国内测试电源需求增长

    华泰证券的一份报告指出,AI数据中心的扩张正在推动电源架构的升级,为国内测试电源制造商创造了机遇。随着数据中心电源系统的演进和机柜功率的提升,测试电源的需求预计将在数量和价值上都将有所增长。中国制造商凭借其技术专长和对国产替代的推动,有望抓住这一趋势。

  3. COMMENTARY · CL_83432 ·

    研究发现:用户对人工智能和人类事实核查员的信任程度相同

    一项研究发现,用户对人工智能和人类事实核查员的信任程度相同,但信任的原因不同。人们通常依赖AI的速度和一致性,而信任人类是因为他们有细致的理解和道德判断。这表明AI和人类监督在打击虚假信息方面可以发挥互补作用。

  4. TOOL · CL_63896 ·

    宾夕法尼亚州立大学研究发现 LLM 错误被接受率为 80%

    宾夕法尼亚州立大学的一项研究发现,LLM 产生错误答案的几率为 50%。在涉及 9,500 多次测试的实验中,参与者在 80% 的情况下接受了这些错误答案,即使答案是错误的,对 LLM 回复的信心也会增加。经济激励略微提高了准确性,而紧迫感则降低了准确性。

  5. RESEARCH · CL_46052 ·

    城市放弃沥青,转向更凉爽、更透水的停车场替代方案

    美国各城市越来越多地选择传统沥青停车场以外的替代方案,以应对不断升高的气温和管理雨水径流。这些替代方案包括多孔混凝土板、本地植物景观、透水铺路砖和生物滞留雨水花园。一些市政当局还在减少停车位要求,以减少不透水表面的总体积。沥青行业正通过推广先进材料来应对,同时也敦促仔细考虑替代方案的耐用性。

  6. COMMENTARY · CL_45498 ·

    人工智能捏造的引文导致律师受到制裁

    人工智能系统反复生成不准确的信息,导致法律和新闻等专业领域出现严重问题。律师因引用人工智能生成的虚假法律案例而受到制裁,一个数据库追踪了过去三年中法院文件中人工智能错误的 1,400 多个案例。这个问题源于人类过度信任人工智能输出的倾向,即使他们知道其不可靠性,这可能导致案件被驳回、罚款以及其他职业后果。

  7. TOOL · CL_23579 ·

    Canvas学习平台遭网络攻击,全国高校期末考试受干扰

    网络攻击扰乱了Canvas学习平台,迫使众多大学取消或重新安排期末考试。此次攻击被归咎于黑客组织ShinyHunters,发生在学生的关键考试期间,凸显了教育行业对集中式技术的依赖性。尽管Canvas的开发商Instructure此后已恢复服务,但此次事件暴露了个人信息,并影响了数千家教育机构。

  8. RESEARCH · CL_21581 ·

    宾夕法尼亚州立大学任命 Vasant Honavar 为人工智能副教务长

    宾夕法尼亚州立大学已任命 Vasant Honavar 为其新任人工智能副教务长。此举标志着该大学致力于推进其人工智能计划,并将人工智能融入其学术和研究事业。Honavar 的领导预计将指导该机构内人工智能项目的战略发展和实施。

  9. RESEARCH · CL_05786 ·

    哪个代理导致任务失败以及何时发生?宾夕法尼亚州立大学和杜克大学的研究人员探索了 LLM 多代理系统的自动化故障归因

    宾夕法尼亚州立大学和杜克大学的研究人员,以及来自 Google DeepMind 等机构的合作者,为 LLM 多代理系统引入了一个新的研究问题,称为“自动化故障归因”。他们开发了第一个基准数据集“Who&When”以及几种自动识别哪个代理导致了任务失败以及在哪个时间点的方法。这项工作旨在简化目前耗时的人工调试过程,并提高复杂多代理系统的整体可靠性。该论文已被 ICML 2025 接受为 Spotlight 演示,代码和数据集现已开源。