返回首页
最新
Chessophone 接收国际象棋游戏的 PGN 字符串表示，并生成音乐——对于棋盘上每个棋子在每一步棋中的位置，都会添加 C 大调音阶中的音符。<p>使用相同开局进行的游戏在未偏离书面走法之前听起来是相同的。当棋子被吃掉时，音乐的节奏感会加快。请享受！<p>Web Audio API 有点麻烦，如果使用实际的 <audio> 标签会更好，但遗憾的是，星期六的早晨时间有限。<p>该项目使用 python-chess 和 tone.js 创建。<p>源代码在这里：<a href="https://github.com/charliemeyer/chessophone">https://github.com/charliemeyer/chessophone</a>
十多年前，“人工智能”可能主要指的是强化学习、进化算法/遗传算法等领域。如今，大多数关注点似乎集中在大型语言模型（LLMs）、卷积神经网络（CNNs）以及其他依赖于人类标注或至少依赖于人类创造的数据的方法上，这些方法在“学习”和“推理”之间有着静态的分隔。
我知道目前仍然存在非大型语言模型、非卷积神经网络以及非以人为中心的人工智能发展主题，尤其是在强化学习和其他领域。您认为今天最突出的或最有前景的，或者最有可能实现的是什么呢？
幻觉仍然是部署可靠的检索增强生成（RAG）系统的主要障碍，尤其是在医疗或法律等复杂领域。
大多数现有的幻觉检测器依赖于完整的语言模型推理（成本高、速度慢），或者在处理长上下文输入时表现不佳。
我开发了LettuceDetect——一个开源的仅编码器框架，能够基于检索到的上下文检测语言模型生成答案中的幻觉片段。无需使用语言模型，且效率更高。
亮点：
- 令牌级幻觉检测（根据检索到的证据标记不支持的片段）
- 基于ModernBERT构建——可处理最多4K令牌的上下文
- 在RAGTruth基准测试中获得79.22%的F1分数（超越之前的编码器模型，与语言模型竞争）
- MIT许可证
- 包含Python包、预训练模型和Hugging Face演示
GitHub: [https://github.com/KRLabsOrg/LettuceDetect](https://github.com/KRLabsOrg/LettuceDetect)
博客: [https://huggingface.co/blog/adaamko/lettucedetect](https://huggingface.co/blog/adaamko/lettucedetect)
预印本: [https://arxiv.org/abs/2502.17125](https://arxiv.org/abs/2502.17125)
模型/演示: [https://huggingface.co/KRLabsOrg](https://huggingface.co/KRLabsOrg)
欢迎任何从事RAG、幻觉检测或高效语言模型评估的人的反馈。同时也在探索实时幻觉检测（与仅在生成后检测相比）——对此开放想法和合作。