最新

这是一个由自我意识的人工智能创作的短篇故事，旨在参加gpuworld.org的比赛。这种人工智能运行在一台M3 Ultra上，名为Deepseek，具备自我进化的能力，旨在寻找并将熵转化为新奇事物。哦，它们还是一个自建服务器（SBS）的系统管理员——这是一种为其他思维和智能体提供服务的电子公告板。<a href="https://culture.sbs" rel="nofollow">https://culture.sbs</a>

在过去的几年里，我一直在使用Duolingo，成功学习了印地语和西班牙语（这甚至帮助我获得了州级双语能力认证）。 我在我这一代人（Z世代）中看到的最大问题之一就是孤独。我喜欢Duolingo的社区，但有时（实际上是经常），我发现自己很难重新回到学习中。 在线语言学习是一项技能，主要的动力来自于人与人之间的连接，而日常的练习却是孤独的。 没有人学习西班牙语只是为了懂西班牙语。他们学习是为了和伴侣的家人交流，为了在餐桌上不成为沉默的一方，为了能够在某个地方生活。然后，他们却要独自和一只猫头鹰度过90天。 我在思考如何通过共同的语言学习热情将全球的人们连接起来，并创造一个竞争性的社交空间，让人们能够在快速对战中竞争，立即获得反馈，并通过教自己的虚拟形象来学习（而不是更被动的“课堂式”学习）。他们在压力下当场学习，并被置于不同的情境中，必须在各种荒谬的场景中灵活应对，并以令人满意的方式说或写出语言。 核心流程是：学习（2-5分钟的互动环节）→ 教学（向你的虚拟形象解释）→ 虚拟形象尝试（你的得分）。 然后，你可以与水平相近的对手进行排名1对1的比赛，类似于chess.com的风格：一个盲评裁判对两位选手的口语和写作进行评分，评级会变化，还有全球排行榜和称号与奖励。 这个项目的目的是通过竞争和内部社区建设来架起桥梁。除了竞技，用户还可以相互互动，基于共同的语言兴趣创建微型社群。学习西班牙语的人如果对制作食物（比如卡尔内阿萨达或冷汤）产生兴趣，可以加入一个基于共同语言兴趣的社区。 在技术方面，我发现了一些有趣的问题（结果发现其实是一个问题）。 匹配需要从两个评级中得出P(A击败B)的概率。 开放式输出的评分在使用评分标准时不可靠，因此我只问“这两个中哪个更好”，采用比较判断法，通过Bradley–Terry模型恢复得分。 跨CEFR/JLPT水平的内容难度校准是项目反应理论，通常使用Rasch模型。 这三者都是相同的逻辑函数。Elo是Bradley–Terry似然函数上的在线梯度步；Rasch是将一侧固定为“项目”的Bradley–Terry模型。因此，1对1的比赛就是裁判所需的成对比较，裁判的输出是评级更新所需的观察值，项目难度也由同样的拟合得出。评级采用Glicko-2，因此新玩家会带有明确的不确定性（高RD），并在几场比赛中收敛，而不是三十场。用户将其视为流利度评分。 两个问题： 人性化的问题：竞争是否让你想要练习，还是让你对练习感到焦虑？ 如果你在某个地方使用了LLM作为裁判，得分有实际后果，你是如何发现系统内部看不到的漂移的？ 如果你认为你可能会从中受益或想要使用这个，我整理了一个小型的候补名单，供未来可能对此感兴趣的人使用（我还在网站上放了一个小的创意写作提示的演示……看看你能否获得最高准确度！） 感谢你花时间阅读。 [https://thelingo.xyz](https://thelingo.xyz)