机器“遗忘”旨在从训练好的模型中移除特定数据或行为，而无需重新训练。现有评估通常假设已知需遗忘的示例，但实际应用中用户可能无法准确指出导致模型复现某段文本的具体数据。本文研究了遗忘集策划问题，即如何将“停止生成某内容”的请求映射到需处理的数据上。作者提出了CleanSlate基准，针对歌曲和书籍文本进行逐字输出抑制，揭示词汇和子串匹配方法往往效果有限，评估意识的策划虽有效但会损害模型其它能力。结果表明，实用遗忘不仅是优化问题，选择遗忘数据会影响遗忘效果与模型功能损失。
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：机器“遗忘”旨在从训练好的模型中移除特定数据或行为，而无需重新训练。现有评估通常假设已知需遗忘的示例，但实际应用中用户可能无法准确指出导致模型复现某段文本的具体数据。本文研究了遗忘集策划问题，即如何将“停止生成某内容”的请求映射到需处理的数据上。作者提出了CleanSlate基准，针对歌曲和书籍文本进行逐字输出抑制，揭示词汇和子串匹配方法往往效果有限，评估意识的策划虽有效但会损害模型其它能力。结果表明，实用遗忘不仅是优化问题，选择遗忘数据会影响遗忘效果与模型功能损失。
这项研究揭示了语言模型中数据遗忘的复杂性，即仅靠已知的遗忘数据进行优化不足够，必须关注如何准确确定遗忘集。该工作通过提出评估基准和分析失败模式，为实际应用中的模型安全与内容控制提供了重要洞见。
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。
现有的音频驱动说话人像系统在情感控制方面依赖隐式调节，导致控制间接且不足。本文发现，将判别监督集中于运动空间中的次要成分能更好地平衡情感表达与准确的唇动同步。基于此，Xemo-Talker先学习中性语音到动作的映射以保证稳定的唇动同步，再通过轻量级情感分支和三重损失设计实现细粒度的情感控制。该方法在保持竞争性唇动同步的同时，达到了先进的情感分类准确率且推理效率高，性能接近真实数据。源代码已公开。
软生物特征如性别、年龄和族裔在无法实现完整身份识别时提供辅助证据，支持取证调查、身份验证、监控和合成/篡改媒体检测。眼周区域作为生物特征模态之一，因常在面部其他部分遮挡时依然可见，且适用多种采集条件，是可靠的软生物特征来源。本文调研了基于眼周图像的人口属性估计，包括公开数据集、从手工特征到深度学习方法的发展趋势，以及性别、年龄和族裔预测的最新进展。讨论了多媒体取证与虚假信息检测的应用，如监控视频中的人口过滤、年龄验证及合成数据中的人口不一致检测。并指出开放挑战，包括数据集偏差、跨域泛化、公平性、伦理问题及缺乏面向取证的基准。
随着人工智能系统深度嵌入全球关键基础设施，治理框架的需求日益紧迫。目前各国法律和政策如欧盟AI法案、中国算法治理及美国NIST AI风险管理框架导致监管分散。本文主张AI治理应基于类似ISO的互操作协议，实现跨境标准化、机器可读的风险沟通。借鉴GDPR通过ISO 27001和隐私设计标准实施的经验，建议开发统一偏见、能耗和数据溯源指标的AI“营养标签”，促进跨司法管辖区合规，降低中小企业负担，建立公众信任。该方案通过模块化和版本化协议应对技术演进，并推动从法律合规转向技术互操作，共建负责任AI的全球语言。