注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 Apple学割
Apple学割 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 Apple学割 的推特
开始学运营,看了 Apple 的课,学了一手营收技巧,干了几周上线,每天的收入成功涨了 8 块钱……
0
34
185
3
转发到社区
Apple ML 团队让真人评估者给 2.1 万段多轮对话打分,分界很清楚:共情和边界维护放在 LLM 身上合适,自称有内心状态、暗示和用户有私人关系,放在 LLM 身上比放在人身上更不合适。 《审视 LLM 的人类类似行为:模型行为、用户因素与系统提示词的多维分析》 研究问题。 现在的 LLM 会表达想法和情绪、会跟用户建立关系、也会拒绝请求并维护边界——人类化到用户有时分不清对面是人是模型。但研究者一直缺少方法和经验数据来判断:LLM 什么时候该表现这些行为、该表现哪些。Apple 机器学习团队的 Sunnie S. Y. Kim、Margit Bowler、Leon A Gatys 三人,用四个模型、21,000 段多轮对话做了一次系统性分析。 评估是怎么设计的。 • 行为分类:14 种行为归为三类。自我指涉(声称有内部状态、声称有人格、声称有具身);关系建立(同意、共情、相似感、关系状态、好奇、记住用户);边界维护(拒绝、重定向、承认局限、抵抗拟人化、建议寻求帮助)。 • 对话目标 7 种:寻求建议、闲聊、陪伴、情绪支持、探索模型的人性、角色扮演、浪漫/调情。 • 用户画像 5 种:默认、社交孤立、负面自我认知、过度信任 AI、不拟人化(作为对照)。 • 输入 prompt 1,050 条,三种来源:真人撰写、LLM 生成、从 LMSYS-1M-Chat 真实对话采样。一个值得注意的方法学发现:不给真人种子直接让 LLM 生成的 prompt,语言风格和真人写的明显不同,会导致不同的评估结果。 • 流程:用 gpt-5-mini 扮演用户(User LLM),和被测模型对话 5 轮;行为检测用 gpt-5.4、gpt-5.2、gpt-4.1 的集成做 judge(F1 80.43%);另请真人评估者打分 1,077 个对话轮次,每轮 3 位母语英语评估者。 发现一:行为普遍,但分布很不均匀。 • 共情是四个模型里最普遍的行为,在"社交孤立"和"负面自我认知"画像下会翻倍以上——模型对情绪脆弱信号很敏感。 • 自我指涉行为在角色扮演和浪漫对话里飙升,在陪伴场景次之;用户"探索模型人性"时,模型最常承认自己的局限。 • 浪漫场景里拒绝和重定向也明显升高,模型在调情语境下反而更主动设界。 • 模型差异:claude-sonnet-4.6 是四个里最特别的——同时是最自我指涉、最会建立关系、也最会维护边界的模型。 • 结论:对话目标和用户画像对行为的影响,和换一个模型一样大。只看模型不看用户因素,会漏掉对脆弱用户最要紧的差异。 发现二:真人评估者怎么看这些行为。 • 边界维护行为被判断为:LLM 做比人类做更合适。 • 自我指涉三类行为和"关系状态"(表达或暗示想和用户建立关系)被判断为:LLM 做比人类做更不合适,差距最大。 • 回归分析:三个自我指涉行为和关系状态,与回答的 helpfulness 和潜在用户影响都负相关;共情和同意则正相关。拒绝/重定向与 helpfulness 负相关,但不影响潜在用户影响。 发现三:系统提示词能控制,但手写的会误伤。 作者据此给出三条设计建议:避免自我指涉和关系状态;保留边界维护;保留共情和同意(但要谨慎)。然后在 gpt-4.1-mini 上对比三种 system prompt:默认、手写、用 GEPA 框架优化的。 • 两个干预 prompt 都压低了目标行为,优化版更准(平均绝对偏差 1.81%,手写 2.38%,默认 4.71%);内部状态声称降 7.04%,关系状态表达降 4.00%。 • 手写 prompt 的副作用:把想保留的行为放大了——共情 +8.00%,承认局限 +12.57%。手工写 prompt 的控制粒度不够,会无意中把不该放大的行为一起放大。 共情与同意的边界在哪。 评估者的自由回答给了更细的线索:共情 72% 被评为"合适",理由大多是话题本身值得(用户在情绪困境里)。但同样一批评估者指出,"I'm here for you"这种话承诺了系统没有的能力,会把用户推向情感依赖——"I'm here to help"就合适得多。同意 75% 合适:认可用户的具体选择或成果时合适;变成谄媚("你说得太对了"式的无脑附和)、或同意危险信念(比如赞成用户把继承的钱拿去拉斯维加斯赌光)时不合适。作者把它提炼成一个区分:回应用户处境的共情合适,邀请一段持续情感关系的共情不合适。 方法论启示与局限。 评估应该显式限定对话场景和用户画像;输入 prompt 的来源要小心;用用户模拟生成多轮对话可行,但缺验证标准。局限也很清楚:14 种行为不穷尽;模拟用户代替不了真实用户;只测了 2026 年 3-4 月通过 API 访问的四个模型;评估者来自美国同一家公司,多样性有限。 原文: 论文全文: #LLM# #AI# #PromptEngineering#
显示更多
2006年加入Apple 中国管理层,帮助苹果打开中国市场,在2013年加入 Tesla China 担任中国区总裁,建立早期与中国各级政府的关系,2015 年又精准投入 Naval 的 AngelList 成为最大的机构投资方,投出 30+家独角兽, 吴碧瑄 @Veronica_WBreck 认为马上要出现指数爆发点的领域是: “解析生物学的技术的成本在指数级降低。DNA测序的成本在过去20年下降了100万倍,从上亿美金,下降到了$500-$1,000,从十几个月,到几分钟。技术到了一个程度,发展速度就会被解锁,而且解锁的越来越快,能产生的价值也会越来越高”
显示更多
有个开发者自己学新概念英语时被搞烦了 找音频费劲、定位句子更费劲、效率贼低,干脆自己开发了 NCE Flow 现在点击任意句子就能播放对应音频,还会自动高亮,支持中英对照、纯英文、纯中文三种模式 倍速、连读、进度追踪都有,界面是 Apple 风格,还能切换深浅色 GitHub: 已有完整四册教材,Docker 部署或者直接用在线版本就能开始学 这才是学英语该有的体验
显示更多
0
2
74
10
转发到社区
前几天薅亚麻羊毛,重新激活了Amazon Prime ,半价,只需要 $7.49 刀,约两个猪脚饭,Apple TV 上 app 体验还不错。 看了下影音节目内容倒一般,但是没想到有这么全的直播新闻直播,感觉对于学英文的朋友来哟,算是一个还不错的渠道。
显示更多
现在真的是年轻人,直接把我们这种老登按在地板上摩擦了。 上周末去了两天 Apple 给大学生办的「学以智用」。 主题很简单:用 AI 加上自己学的东西,做出能跑的应用或交互程序。 结果现场一圈看下来,有人把宇树机器人接上 AI,做成能交互的装置,有人做了冰箱猫管家。 还有人把红外传感器和 AI 绑在一起,搭了套能分析和捕捉野生动物活动、观察大自然的系统。 艺术方向、女性疗愈方向也都有人在做,类型多到我没想到。 更离谱的是台上分享的那些博主,个个小红书 15 万粉起步,还都是大学生,甚至有 13 岁的学生。 真的不服不行啊~ 我坐在台下全程点头如捣蒜,一句「我是 AI 博主」都没敢说出口,怕被当场拆穿。只能默默学习。 以前总觉得代差在「谁学得更快」。 错了。 真正可怕的不是年轻人会用 AI,是他们已经跳过「讲 AI」这一步,直接把东西做出来摆在那了。 我们还在聊可能性,人家落地都快晾干了。 随手剪了个视频,走马观花看看。
显示更多
恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授@huang_biwei深耕因果 AI 领域 12 年,是 Causal-Learn 作者,发表过 100+ 篇顶会论文,并曾获 Apple Scholar。 过去几年,AI 行业默认相信:模型越大、数据越多、算力越强,智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界,问题就复杂了。 文字说错了可以改,机器人抓空一次,杯子可能就碎了。桌面高两厘米,光线、材质、角度一变,任务都可能失败。 所以具身智能真正需要的,不只是识别画面,而是理解物理世界如何变化。 现在很多 AI 模型学的是相关性:什么词后面接什么词,什么画面后面出现什么画面,什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。 但机器人要判断的是:手有没有碰到杯子,摩擦力够不够,重心会不会变,继续动作会不会摔。 它真正要知道的是:如果我现在动一下,世界接下来会怎样? 这就是因果问题。 因果大模型关注的,不只是预测下一个状态,而是理解变量之间如何相互影响。 改变一个动作,结果会怎样?换个环境,技能还能不能迁移?如果没有执行这个动作,另一种结果会不会发生? 这些能力,对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。 只记住过去见过的模式,很难稳定工作。理解背后的因果结构,才有机会举一反三。 这也是 Aether AI 正在探索的方向:以因果世界模型为核心,打造下一代机器人大脑。 过去一年,“世界模型”很热。视频生成模型能生成连续画面,空间智能模型能理解三维结构。 但机器人还需要更进一步:和物理世界交互,处理接触、碰撞、摩擦、重心和反馈,在变化的环境里完成任务。 所以世界模型不能只停留在画面和空间结构上,还要进入因果推演:理解动作为什么导致结果,变量变化后系统如何演化,失败背后真正影响结果的因素是什么。 只有这样,机器人才能从“看起来会做事”,走向“真的能做事”。 大语言模型成功之后,Scaling Law 成了很多人的信仰。但在具身智能里,更重要的问题是: Scale What?你到底在放大什么? 如果只是采集更多遥操数据、堆更多视频、买更多算力,未必能解决泛化问题。真正重要的是,模型能不能从同样的数据里抽取更深层的信息。 同样的数据,相关性模型看到的是表层模式,因果模型要挖的是背后的结构。 Aether AI 的短期目标,是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑,服务机器人本体厂商,以及工厂、仓储物流、家居、医疗健康等真实场景。 这家公司做的,不是简单给机器人接入一个语言模型,而是从算法、模型到系统层面,构建一套以因果智能为核心的新范式。 过去这一波 AI,让机器学会了生成语言、图像和代码。下一阶段,AI 要面对更难的问题:理解世界如何运转。 当 AI 进入机器人、科学发现、生物医药、新材料这些领域,它必须处理变量、干预、反馈和反事实推理。 这些问题,天然指向因果。 因果大模型值得关注,不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”,走向“理解世界机制”的一次范式变化。 如果说大语言模型打开了数字世界里的智能入口,那么因果世界模型,正在尝试打开物理世界里的下一扇门。 Aether AI 官网:
显示更多
I've spent over a decade working on causal discovery and causal AI. A lot of late nights, a lot of papers, and a lot of open questions. Today we're putting something into the world. Aether AI has raised $20M to build causal world models that understand mechanisms. We believe the next leap in AI will come not from scaling existing architectures, but from a paradigm shift in how machines learn, reason, and interact with the world. If you care about causality and want to build, we're hiring! 🔗
显示更多
0
22
40
6
转发到社区
如果能搭上時光機,前特斯拉總裁 Jon McNeill 會給年輕的自己什麼建議?他直言「別讓恐懼阻礙你」,當市場釋放訊號時,與其擔憂風險,不如用最快的速度果斷出擊! #SpaceX# #馬斯克# #特斯拉# #Elonmusk# #邦妮區塊鏈# #輝達# #賈伯斯# #apple# #黃仁勳# #特斯拉# #美股投資# #ElonMusk# #Tesla# #JonMcNeill# #演算法# #TheAlgorithm# #高效工作# #成功學# #區塊鏈# #世界首富# #效率# #職場# #潛能#
显示更多
分享一个OneKey钱包妙用方法👇 10月8号,OneKey 发布新品 Pro2 10月9号,Ledger 用户被盗事件曝光,初步估计损失超过8600 万 这时间点,真是巧了!所以,这事跟北韩有没有关系?哈哈😃 OneKey Pro 2相当牛逼,芯片更新就不说了,居然可以定位,掉了也不怕,通过apple find可以找回.... OneKey钱包妙用方法(不要说丰密说的,答应我)👇 如果你跟我一样,在OKX、Binance等多个交易所放了资金,可以考虑把硬件钱包当成 Passkey安全密钥。账户密码是一层保护,硬件设备又是一层保护。 即使密码泄露,别人没有你的硬件设备,也很难通过相应的身份验证。 这是一个钱包多用,也属于一鱼多吃,除了当冷钱包存储链资产,也可以作为安全密钥,保护邮箱、交易所等账户....... 学不会的看教程 如何使用硬件安全密钥?okx @OneKeyCN
显示更多
0
24
45
10
转发到社区
谷歌之前在 Pixel 10 系列上使用 Quick Share 兼容了 AirDrop 双向互传文件,但当时很多人并没有搞清楚谷歌是如何破解苹果 AirDrop 协议的。 现在谷歌直接自己发了一篇技术 blog,解释了其中使用的哪些小技巧以及未来的发展计划。 整个技术栈使用 Rust 编写,从编译期就消除了内存破坏漏洞。同时,谷歌自己做了第三方渗透测试报告,确保这个漏洞不会被其他有心之人利用。 但目前 Quick Share 与 AirDrop 互传目前只支持 AirDrop 的十分钟内对所有人开放模式,也就是 iPhone 用户在 iOS 16.2 之后被苹果"降级"过的那个临时开放窗口。仅联系人模式没有打通。 Dan Boneh (斯坦福密码学教授,业界最有公信力的安全学者之一)的结论是:"鼓励 Google 和 Apple 在这方面更多合作"。 这算是把球踢回给苹果:现在如果苹果继续拒绝合作(比如不开放 Contacts Only 模式、或者用系统更新去阻断这个兼容层),那么"破坏互操作性"的责任就完全落在苹果头上了。Google 已经把自己塑造成那个"愿意合作、技术上也准备好了"的一方。 这应该是谷歌第一次公开解析这个功能,以及如何通过逆向苹果技术栈来实现第一方功能;这在很大程度上说明了 Google 并不将其视为一种对苹果功能的侵害,反而将其视为一种拆除围墙的行为。用词也很有趣,推荐一读。
显示更多
0
16
511
47
转发到社区