回应模式 - No.61086815
No.61086815 - 技术支持
无标题无名氏No.61086815 只看PO
2024-02-02(五)22:13:04 ID:xoioENv 回应
test
无标题无名氏No.66976169
2025-09-07(日)12:26:49 ID: xoioENv (PO主)
>每条卖80元！90后民警泄露近5000人数据，含570条住宿信息，一审获刑1年8个月
90后民警李某甲利用工作职务便利，查询公民个人信息，以每条80元的价格售卖。9个月，导出近5000人的数据，包括近600条公民住宿信息，非法获利50000元。
9月5日，大河报《看见》记者从中国裁判文书网获悉，福建省福州市鼓楼区人民法院近日公布了该案的刑事附带民事公益诉讼判决书，判决李某甲犯侵犯公民个人信息罪，判处有期徒刑一年八个月，并处罚金人民币五万元；没收违法所得；责令其在国家级新闻媒体上向社会公众公开赔礼道歉等。
无标题无名氏No.66976171
2025-09-07(日)12:27:06 ID: HhhEwLj
9月5日，大河报《看见》记者从中国裁判文书网获悉，福建省福州市鼓楼区人民法院近日公布了该案的刑事附带民事公益诉讼判决书，判决李某甲犯侵犯公民个人信息罪，判处有期徒刑一年八个月，并处罚金人民币五万元；没收违法所得；责令其在国家级新闻媒体上向社会公众公开赔礼道歉等。
判决书显示，2022年6月至2023年2月，被告人李某甲利用工作职务便利，通过公安部云搜平台查询公民个人信息并使用光盘导出到外网电脑，以每条人民币80元的价格售卖。根据公安部云搜查询日志，上述期间被告人李某甲的数字证书查询操作88985次，导出4978人的数据，现已查明其中包含公民住宿信息570条，被告人李某甲非法获利人民币50000元。
无标题无名氏No.66976173
2025-09-07(日)12:28:01 ID: HhhEwLj
被告人李某甲的辩护人暨诉讼代理人提出辩护意见称，李某甲在案发前已经将非法获取的公民个人信息删除，也愿意配合删除可疑信息，愿意赔礼道歉，承担赔偿责任。
无标题无名氏No.67050478
2025-09-18(四)18:52:10 ID: xoioENv (PO主)
>将你们的LLMs带来评审：为何同行评审有益于AI模型
深度求索的R1模型已接受同行评审。其他公司应效仿该公司的做法。
——————
目前，那些最广泛应用的大语言模型（LLMs）正迅速颠覆人类获取知识的方式，但尚未有一家在研究期刊上接受过独立的同行评审。这是一个显著的缺失。经过同行评审的发表有助于厘清LLMs的工作原理，并帮助评估它们是否做到了其声称能做到的事。
随着《自然》（Nature）杂志发布关于R1的细节，这一情况得以改变。R1是由总部位于中国杭州的科技公司深度求索（DeepSeek）开发的模型。它是一个开源权重（open-weight）模型，这意味着，尽管研究人员和公众无法获得其全部源代码和训练数据，但他们可以不受限制地自由下载、使用、测试并基于其进行构建。开源权重人工智能（AI）的价值正得到更广泛的认可。今年七月，美国总统唐纳德·特朗普（Donald Trump）政府表示，此类模型“对于学术研究至关重要”。越来越多的公司正在发布自己的版本。
自R1于一月在AI社区平台Hugging Face发布以来，它已成为该平台上下载量最多的复杂问题解决模型。如今，该模型已经过八位专家的评审，以评估其工作的原创性、方法论和稳健性。论文将与评审报告和作者回复一同发表。在这个未经证实的声明和炒作过于常见的行业中，所有这些都是迈向透明化和可重现性的可喜一步。
深度求索的论文聚焦于该公司用于训练R1进行“推理”（reason）的技术。研究人员应用了一种高效且自动化的“试错与奖励”过程，称为强化学习（reinforcement learning）。在此过程中，模型学习推理策略，例如验证其自身的演算过程，而不受人类关于如何完成此事的想法的影响。
一月时，深度求索还发布了一份预印本，概述了研究人员的方法以及模型在一系列基准测试（benchmarks）上的表现。此类技术文档，通常被称为模型卡片（model cards）或系统卡片（system cards），它们所包含的信息可能千差万别。
相比之下，在同行评审中，外部专家并非单向接收信息，而是可以在一个由独立第三方——编辑——监督和管理的协作过程中提出问题并要求提供更多信息。这个过程提高了论文的清晰度，确保作者能论证其声称的成果。它并不总会导致重大修改，但能增强对一项研究的信任。对于AI开发者而言，这意味着他们的工作得到了加强，因而对不同群体而言也更具可信度。
同行评审也对AI开发者“自己给自己打分”（marking their own homework）的做法起到了制衡作用，即选择那些能最好地展现其模型性能的基准测试。基准测试可能被“操纵”（gamed）以高估模型的能力，例如，在包含示例问题和答案的数据上进行训练，使模型学会正确答案。
在深度求索的案例中，评审人就提出了是否可能存在此种做法的问题。该公司提供了其试图减轻数据污染（data contamination）的细节，并包括使用在模型发布后才公布的基准测试进行的额外评估。
同行评审还导致了论文的其他重要变化。其一是确保作者已解决了模型的安全性问题。AI的安全性意味着避免意外的有害后果，从减轻输出中内嵌的偏见（biases）到增加防护栏（guardrails）以防止AI助长网络攻击（cyberattacks）。一些人认为开源模型不如专有模型安全，因为一旦被用户下载，它们就不在开发者的控制中（尽管如此，开源模型也允许更广泛的社区了解和修复缺陷）。
R1的评审人指出了其缺乏关于安全测试的信息：例如，没有评估基于R1构建一个不安全模型的难易程度。作为回应，深度求索的研究人员在论文中增加了重要细节，包括一个章节，概述了他们如何评估模型的安全性，并与其竞争对手模型进行比较。
各公司已开始认识到外部审查（external scrutiny）的价值。上月，总部位于加州旧金山的OpenAI和Anthropic使用各自内部的评估流程测试了彼此的模型。两者都发现了其开发者遗漏的问题。七月，总部位于巴黎的Mistral AI与外部顾问合作，发布了其模型的环境评估结果。Mistral希望此举能提高整个行业报告标准的透明度。
鉴于AI正以惊人速度发展并被释放到社会中，这些努力是重要的步骤。但其中大多数都缺乏同行评审所具有的独立性，尽管有其局限性，但同行评审代表了验证的黄金标准。
一些公司担心发表会泄露知识产权——鉴于此类模型已获得巨额投资，这确实存在风险。但是，正如《自然》发表谷歌（Google）的医学大语言模型Med-PaLM所表明的那样，对专有模型进行同行评审是可行的。
依赖独立研究人员的同行评审是遏制AI行业炒作的一种方式。鉴于这项技术已变得无处不在，无法验证的说法对社会构成了切实的风险。出于这个原因，我们希望更多的AI公司能将其模型提交给出版物进行审查。评审并不意味着让外人获取公司秘密。但它确实意味着要准备用证据来支撑其声明，并确保各项声称得到验证和澄清。
https://www.nature.com/articles/d41586-025-02979-9