類似コンテンツを探す

https://gist.github.com/rain-1/eebd5e5eb2784feecf450324e3341c8d 最近在处理阅读材料，重新温习列表，阿西莫夫的短篇 The Last Question 送给诸位。#LLMs

📖LLMs Reshape Online Behavior: Search and Traffic Patterns Shift A new study, “The Impact of LLM Adoption on User Behavior” by Nicolas Padilla et al., reveals that large language models (LLMs) may be fundamentally altering how people access information online. Using detailed clickstream data from 2022–2023, researchers found that after adopting LLMs, users performed over 20% fewer traditional search engine queries, including both short and complex question searches. The decline occurred gradually, reflecting a learning curve before stabilizing at significantly lower search levels. The study also found that smaller websites experienced notable traffic declines, while large, frequently visited sites remained mostly unaffected. Education-related websites and platforms like Stack Overflow saw marked drops in visits, whereas Wikipedia, Reddit, and major social media sites showed no significant change. Additionally, display ad exposures fell, especially among consumers with high retail activity, though search ad impressions remained stable. These findings raise important questions for online content creators, advertisers, and policymakers as LLM adoption accelerates. #LLMs#AIEthics

苹果最新研究表明，LLMs 可以通过音频和运动数据判断你正在做什么 一篇题为“使用 LLMs 进行后期多模态传感器融合以进行活动识别”的新论文，揭示了苹果公司可能考虑结合 LLMs 分析与传统传感器数据，以更准确地了解用户的活动。 他们认为，这具有很大的潜力，可以在传感器数据不足的情况下，使活动分析变得更加准确。 传感器数据流为下游应用提供了有关活动和上下文的宝贵信息，不过整合互补信息可能颇具挑战性。 我们的数据表明，大型语言模型（LLMs）可用于对来自音频和运动时间序列数据的活动进行后期融合分类。 我们从 Ego4D 数据集中整理出了一部分数据，用于在不同上下文中（例如家庭活动、体育运动）进行多样化的活动识别。 经过评估的 LLM 实现了显著高于随机水平的 12 类零样本和少样本分类 F1 分数，且无需针对特定任务进行训练。 通过基于 LLM 的融合来自模态特定模型的零样本分类，可以在有限的对齐训练数据用于学习共享嵌入空间的情况下，实现多模态时间应用。 此外，基于 LLM 的融合能够实现模型部署，而无需为特定应用的多模态模型额外占用内存和计算资源。 换句话说，LLMs 实际上非常擅长从基本的音频和运动信号推断用户在做什么，即使他们没有受过专门的训练。此外，当只给出一个例子时，它们的准确性会进一步提高。 在这项研究中，LLM 并没有接收实际的音频录音，而是接收由音频模型和基于 IMU 的运动模型（通过加速度计和陀螺仪数据追踪运动）生成的简短文本描述。 研究人员介绍了他们使用的 Ego4D 数据集，是一个庞大的第一人称视角媒体资料库，涵盖了数千小时的真实环境和场景，包括家庭任务和户外活动。 我们从 Ego4D 数据集中筛选出日常活动，方法是在提供的描述中搜索日常生活中的活动。整理出一个包含 12 个主要活动的 20 秒样本数据集，包括吸尘、做饭、洗衣、吃饭、打篮球、踢足球、与宠物玩耍、读书、使用电脑、洗碗、看电视和锻炼/举重。这些活动的选择旨在涵盖家庭和健身任务的多样性，并且它们在更大数据集中较为常见。 苹果公司在这项研究的同时还发布了补充材料，包括 Ego4D 片段编号、时间戳、提示信息以及用于实验的一次性示例，旨在帮助研究人员复现研究结果。 🗒 标签: #Apple#LLMs#AI 📢 频道: @GodlyNews1 🤖 投稿: @GodlyNewsBot

#AI#LLMs В голову сейчас пришла интересная мысль. Мысль пришла пока парсил Х для дайджеста. Пока я парсил я обнаружил то, что если вы не платите подписку на Х - у вас в Grok, который встроен Х теперь отсутствует режим усиленного мышления (закрыт доступ к более продвинутой модели Grok, которая юзает более продвинутые чипы для Inference). Более того - я заметил, что обычный режим, которым я всегда пользовался, теперь стал больше глючить. Отсюда мысль - по мере развития ИИ люди все больше понимают, что они могут реально упростить и ускорить жизнь - начинают больше пользоваться ИИ - растет нагрузка на серверные мощности LLMок - разработчики LLMок закупают больше серверных мощностей - это приводит к ебейшему ИИ-циклу, который мы с вами наблюдаем НО сейчас все больше и больше новостей появляется о том, что скоро мы можем увидеть объявления о переносах дата центров. Пишут, что из 12 ГВт ЦОДов которые должны в этом году сдать только треть находится в активной стадии строительства, пишут, что 40% дата-центров могут перенести даты ввода мощностей. Разработчики LLM видят эти новости, более того, они знают гораздо больше нас и понимают гораздо нас. Соответственно они понимают, что скоро вводы новых серверных мощностей снизятся, а спрос при этом продолжает расти и они не смогут его удовлетворить. Что они делают? Они начинают отдавать самые новые и самые сильные серверные мощности на Inference только платящим пользователям. А те кто не платит - им достаются только слабые серверные мощности, самые старые, которые есть в арсенале - соотвественно и качество Inference для этих пользователей сильно падает. Если спрос будет еще больше, то самые хорошие мощности будут уходить только премиум подписчикам. А слабые серверные мощности будут уходить только базовым платящим подписчикам - бесплатники перестанут получать доступ к LLM. В таком случае конкретный разработчик может потерять рыночную долю - так как пользователи начнут уходить к конкурентам. НО у конкурентов такие же проблемы. Соотвественно дальше если мы увидим реально новости о переносе ЦОДов (а мы их скорее всего реально увидим). - то сейчас базовое мнение что начнется жесткая коррекция всего того что связана с Semiconductors — так как спрос сместится вправо — финансовые прогнозы ближайших лет снизятся потому что цены на чипы скорректируются и успокоятся — мульты резко вырастут — станут неинтересны по таким ценам инвесторам — их распродадут. Это скорее всего корректный прогноз для тех кто делает чипы и оборудование. НО ГЛАВНАЯ ФИШКА В ТОМ, что при таком раскладе ТЕ КТО ДЕЛАЮТ САМИ LLM - НАОБОРОТ СМОГУТ НАРАСТИТЬ ВЫРУЧКУ И РЕНТАБЕЛЬНОСТЬ потому что на те же мощности при растущем спросе они смогут повышать ценник, так как их предложение ограничено, а спрос продолжает расти.

🇩🇪Germany Opens GDPR-Focused Consultation on LLMs Germany’s Federal Commissioner for Data Protection and Freedom of Information (BfDI) has launched a public consultation on large language models (LLMs), with a sharp focus on their compliance with the GDPR. The initiative centers on core issues: how personal data is processed, how data subject rights are upheld, and whether proper impact assessments are being conducted. Stakeholders are invited to respond via a detailed questionnaire, with submissions due by 10 August. As regulatory frameworks tighten across the EU, this consultation signals Germany’s intent to scrutinize the LLM ecosystem under existing data protection law—before the EU AI Act fully takes effect. #AIandLaw#GDPR#LLMs

#paper#LLMs 🤖 A Survey Of Large Language Models 💥💥 🔗Link Of Paper Survey On LLMs ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----

#softSkills#AI#Llms#book 😉 Generative AI and LLMs for Dummies ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----

📖 LLMs Are Bad Judges A new paper from researchers at Harvard and the University of Chicago, "LLMs Are Bad Judges. So Use Our Classifier Instead,” challenges the prevailing optimism around large language models in legal contexts. The authors expose how LLMs suffer from extreme "prompt variance", producing inconsistent legal conclusions depending solely on question phrasing. In Jonathan Choi’s experiment, ChatGPT responded to the same five legal questions—each reworded 2,000 times—with widely divergent answers. The authors argue that the future of legal AI lies not in chatbots but in **"domain-specific classifiers" like their system, "Arbitrus". Unlike LLMs, Arbitrus passed a “mini-Choi” test with total consistency and zero hallucinations. Their core claim is bold: "consistency—not creativity—is the defining trait of a qualified judge", and any AI system entering legal decision-making must meet that standard first. #LegalAI#LLMs#LegalTech

#python#agent#llms AutoAgent lets you create and use powerful AI agents easily by just using natural language—no coding needed. It supports many large language models (LLMs) like OpenAI and Anthropic, and performs as well as top research AI systems on benchmarks. You can build tools, agents, and workflows quickly, manage data efficiently with its built-in vector database, and interact flexibly through different modes. It’s lightweight, customizable, and cost-effective, making it a personal AI assistant that helps automate complex tasks simply and efficiently. This saves you time and technical effort while giving you advanced AI capabilities. https://github.com/HKUDS/AutoAgent

#LLMs#papers Tree of Thoughts: Deliberate Problem Solving with Large Language Models Language models are increasingly being deployed for general problem solving across a wide range of tasks, but are still confined to token-level, left-to-right decision-making processes during inference. This means they can fall short in tasks that require exploration, strategic lookahead, or where initial decisions play a pivotal role. ✍ Princeton and Google DeepMind ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----

#python#llms#mlx MLX LM is a Python tool that helps you run and fine-tune large language models (LLMs) efficiently on Apple Silicon Macs. It connects easily to thousands of models on Hugging Face, supports model quantization to save memory, and allows distributed training. You can generate text or chat with models via simple commands or Python code. It also offers features like prompt caching and memory optimization for handling long texts, making it faster and less resource-heavy. This means you can run powerful AI models locally on your Mac without needing expensive cloud services, saving cost and improving speed. https://github.com/ml-explore/mlx-lm

While there is a constantly growing number of publications about the integration of large models (#LLMs, Visual language models) with spatial apps—both academic and marketing 😎 — we added our two bits from solving real business cases. Next time you see a lot of comments under another LinkedIn post featuring #geoai and #arcgis as a game changer of this integration, take a deep breath and remind yourself about hitting the target. 😃