生成式AI推动了具有高度逼真性的图像和视频创作，被广泛传播于社交媒体，用于垃圾信息、误导、操控与欺诈。现有AIGC检测方法面临泛化能力差、单一模态依赖及缺乏可解释性等难题。本文提出通过持续收集多模态社交媒体数据，训练紧凑的视觉语言模型，实现检测及解释功能。该模型在公开基准测试中表现卓越，并在多平台内部数据集上展现出强健的检测与解释能力。部署于社交媒体的帖子推荐系统后，显著提升了用户参与度，证明在动态真实环境中有效检测AIGC的可行性。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：生成式AI推动了具有高度逼真性的图像和视频创作，被广泛传播于社交媒体，用于垃圾信息、误导、操控与欺诈。现有AIGC检测方法面临泛化能力差、单一模态依赖及缺乏可解释性等难题。本文提出通过持续收集多模态社交媒体数据，训练紧凑的视觉语言模型，实现检测及解释功能。该模型在公开基准测试中表现卓越，并在多平台内部数据集上展现出强健的检测与解释能力。部署于社交媒体的帖子推荐系统后，显著提升了用户参与度，证明在动态真实环境中有效检测AIGC的可行性。
应对多样化且不断演进的AI生成内容，采用多模态数据和紧凑视觉语言模型能够提升检测的泛化能力和可解释性，保障社交媒体内容的真实性与安全。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
SemantiClean 是一个模块化框架，用于从电商会话数据中提取结构化语义信号，并通过共享元素库驱动多种推理目标如购买意图、客户细分和产品关联。不同于仅优化准确性的端到端预测器，SemantiClean 优先考虑可审计性、结构治理和零误差可复现性，换取元素级透明度和可辩护的决策轨迹。框架基于 OSPI 数据集，将24个行为元素组织为四层架构，并通过多种机制确保信号质量。该报告还介绍了集成大语言模型的两阶段推理引擎，实现了推理时完整元素元数据的利用，结果可控且部分具有一定输出变异性。
该论文指出，大型语言模型（LLM）的学习机制类似于人类的隐式记忆，而实现通用人工智能（AGI）所需的高级认知功能如长期战略规划、元认知和符号推理，则依赖于海马体的显式记忆，单靠隐式统计学习无法实现。作者结合神经科学发现，提出将显式记忆系统整合进LLM，以推动AGI的发展。
本文介绍了SciConBench，一个包含9110个问题和专家撰写结论的大规模实时基准，用于评估开放领域科学结论综合能力。研究发现，在控制环境下，领先AI模型的事实准确率较低，最佳模型的事实F1仅为0.337。通过引入SciConHarness的‘无泄露’评估框架，证明过去的性能评估存在数据泄露问题，夸大了模型的实际能力。对消费者端AI代理的审计显示，即使有准确答案，它们产生的结论仍不完整甚至自相矛盾，显示可靠综合科学结论依然是重要挑战。