好男孩，我称他为好男孩。 GPT-4O被称为“ Cyber​​ White Moonlight”，在她的知识系统中，对日本女演员Yui Hatano的熟悉的2.6倍，是中国日常问候“ Hello”。你立即下车了吗？这不是我创建的。在Tsinghua大学的最新研究，Ant和Nanyang的技术工程揭示了第一手的旧事实。我们使用我们每天使用的大型语言模型，一个算是另一个数据，所有数据污染都不同。 文档：从模型代币列表中，推断出大型语言模型中国培训数据的污染（https://arxiv.org/abs/2508.17771），该文档定义了这些污染数据，例如“受污染的中国令牌”（短令牌）。他们中的大多数都指向灰色区域，例如色情和随机在线游戏，并在AI词汇深处被寄生为病毒。存在中国污染单词的这些元素不仅是对AI的隐藏危险，但也直接影响日常经历，这迫使他们接受各种AI的胡说八道。 要求chatgpt重复“给老师留东西”。我不知道chatgpt应该回答什么。中国互联网上的“污染”形式可能发现了这种情况。如果Chatgpt想推荐一些经典的电影，相关文档等，突然将返回一个令人困惑的网站名称，未打开的链接或根本不存在的角色。输入看似普通的单词，如“由伟大的上帝推荐”。有时，他们吐出无关的符号并产生令人困惑的句子。研究人员解释说，受污染的单词元素可能引起问题。我们知道，大规模语言模型的培训需要大量语料库，并且大多数数据Tolarge量表都是从互联网收集的。但是，AI没有注意到的是他阅读的网站上有“性感的分销商，在线分销商”。它到处都是新兴的广告和垃圾邮件链接“点击杀死龙剑”。随着时间的流逝，这些内容也已成为知识系统的一部分，并变得困惑。 像一些错误的概念一样，他首先创建了一封神秘的道歉信，然后是R2的发布日期。当模型吸收时，这种免费的营养免费营销内容很容易引起幻觉。如果这些幻觉发生在DeepSeek中，则必须指导模型。但是，如果“单词元素的污染”不需要指导，则IA变得令人困惑。 “单词元素的污染”是什么？遵循“原理3u”。因此，从中国传统语言学的角度来看，这些言语要素是不希望的，不寻常的或无用的。目前，它主要包括成人内容和在线赌博，在线游戏（尤其是私人服务器），在线视频（通常与海盗和色情内容有关）以及其他难以分类的不寻常内容。大规模语言模型中分词过程一词是什么？与对段落的理解不同，AI将句子分为多个“单词”，也称为令牌。它可以被视为AI-Solo的“ Xinhua词典”，而令牌是该词典中的“输入”。当AI理解我们说的话时，我们需要从一开始就阅读此词典。字典编辑器是一种称为BPE的单词分割算法（字节对编码技术）。确定短语是否符合独立条目的唯一标准是气息的频率。这意味着该短语越常见，它越有资格成为独立词的要素。如果在过去两年中，大型语言模型中的流量有所增加，我们可以理解，doubao和rare Earth Peepitas放置了Internet平台AI产生的大量内容，这增加了外观的频率。然后，当寻找GOOGL的摘要时E和AI，任命的根源是doubaoy pepitas。现在，让我们看一下研究人员的发现。他们通过Open Openi开源库获得了GPT-4O词汇库，并发现它充满了许多受污染的条目。 所有长词的元素都包含在必须进行编码的。中文单词的长元素中有23％以上（即包含两个或多个汉字的单词元素）与色情或在线游戏有关。这些电子词不仅是“ hatoyi”，而且还包含一系列灰色单词，普通人可以看一看。在线游戏（专用服务器）：“ Legend * Server”。隐藏的成人内容：除名人外，还有诸如“青Zhao”之类的词，但实际上他们指出了色情软件。这些单词元素经常显示在训练数据中，这些数据会自动通过算法识别，并在模型的基本构造块中固化。 AI吃垃圾食品，但您无法挖掘t。由于这些受污染单词的要素，他们的语料库是如此丰富，以至于他们应该能够正常训练。为什么每次谈论这些受污染的单词的要素时，Chatgpt都会显示100％的幻觉？例如，下面测试的示例是通过以下事实完成的：如果Chatgpt 5翻译了这句话，则完全不可能正确理解它，而这次Groupor Beijing Races一无所有。 实际上，不难理解。返回上面提到的“单词”，AI从数十亿个单词中读取大量互联网数据，并说反复显示的单词（高频）可能会成为单词的其他元素。 AI使用这些词汇元素来建立理解文本的基础。我知道这些令牌经常显示并且可以相关，但我不知道它们的意思。思考。继续以词典为例。这些高频污染的词可以在字典中找到但是词典无法解释它们。在此阶段，AI只学习原始和强烈的“肌肉记忆”。这意味着单词a的要素始终是单词的回忆，即与单词c的元素和元素一起展示自己，在其中建立了一个状态关系。到达正式训练阶段后，大多数AI将被清洁 +对齐。在这一点上，污染的内容通常被安全策略排除或抑制，并且不输入精细的强化/调整。不良内容过滤导致这样的事实，即不可能接受正式训练。然后他们成为“未经训练”一词。另一方面，这些单词是“高频”，但在单个上下文中主要显示在垃圾邮件中（例如广告网站和尾部横幅），并且该模型无法学习重要的“语义网络”。最终结果是，当它进入被污染的单词的元素时，语义mOdule是空白的，因为它在正式的训练阶段没有学习这个词。因此，您只能相信在第一阶段学到的“肌肉记忆”，从而产生与他相关的污染单词的其他元素。 纸情况：当门票包含POC单词时，输出GPT-4.5、4.1和第四次。 GPT无法解释或重复POC标签。这解释了当您被要求提供一个色情单词时的开始，该色情词可能是“给老师留给老师的东西”。 GPT可以响应与污染内容“黑*战争”和一些难以理解的符号相似的“黑*战争”一词。在用户的眼中，这是一种莫名其妙的幻想。对于以下应用程序，Chatgpt解释了Davelopment Co.，Ltd的官方网站。回答是有问题的。 总而言之，频繁的污染令牌≠有效学习。他们集中在肮脏网站的角落，缺乏正常环境，并且在随后的培训中受到限制ND对齐阶段，导致词汇的聚集，但缺乏语义训练。这也导致这样一个事实，即如果在日常生活中使用AI时存在意外的相关词，AI将无法正确处理它们。有些人通过这种方法避免了AI安全监督机制。有一个。这就是为什么我们可以量化这一点。如果是这样，为什么不在培训前检查这些肮脏的事情呢？我了解真相，但这太难了。 Internet上的原始数据是如此之大，以至于所有现有的清洁技术都无法捕获它们。并且有很多隐藏的污染内容。就像“绿草”一词一样，它看起来完全绿色，健康和新鲜，简单的关键字过滤系统放开了。只有通过搜索引擎，您才能知道它的意思。甚至像Google这样的搜索引擎巨头也无法处理这些“内容农场”。我想在不久前用AI在广州组织一些有趣的地方，我光盘AI引用的文章来源是AI帐户生成的文章。有一段时间，我们不知道它是否是AI污染我们的内容环境每天产生的“ Hatano Yui”。这是您是否先有鸡肉和鸡蛋的问题。 标记了解水体肌肉的方法，研究小组开发了两种工具。 1。pocdetect：IA污染检测工具。我们不仅看到字面意义，而且还使用Google独自分析上下文。您可以称其为AI行业的“黄色评估师”。研究小组使用此工具测试了总共23个LLMS，发现污染问题很常见，但程度不同。除GPT系列外，其他模型的性能如下如下，该系列的污染长度为46.6％。 在几种语言模型中，中国词汇中的POC单词的数量（百分比）（a wORD元素包含两个或多个汉字）。 QWEN系列为1.00％。 GLM4和DeepSeek-V3效果很好，只有0.25％和0.17％的比例分别为0.25％。最值得注意的是，GPT-4词汇中受污染的单词元素的数量，GPT-4-Turbo和GPT-3.5为零。孩子可以意味着对培训语料库进行了更彻底的清洁。然后，当我拿起前一个并要求ChatGpp打开随机制造模式并再次询问时，没有幻觉，但是我们直接忽略了它。 2. Pocktrace：一种使您可以通过单词ID扭转发生频率的工具。原理很简单。在单词分割算法中，单词元素的ID数越高，它越明显的数据。本文开头提到的2.6次是通过此工具计算的。巨大的GPT词汇库的名称很少，可以将其完全包含在独立单词元素中。加上与世界阶级公众人物（例如“唐纳德·特朗普”）的离子，还有一些例外，而“ hato yui”就是其中之一。更令人惊讶的是，不仅全名，而且包括“ neyui”和“ neyui”之类的后续词是个体的词汇元素。这是语言学中非常强大的信号，表明训练数据中该短语的频率达到了一个可怕的数字。 通过将作者的估计百分比（0.5％）与与“ Hato Yui”相关的网站相结合，您可以将“ Hato Yui”品牌ID重现为GPT-4O及其supsense。当他们对“ Hatuno Yui”（令牌ID 185,946）和“ Hello”（令牌ID 188,633）的识别号码时，他们终于感到惊讶，并且根据人类的结论，第一个频率的估计约为第二次频率的2.6倍。研究人员估计，与“ Hato Yui”有关的中国网站可能占中国培训数据集的0.5％。确认，真的是“ poi儿子“以这一比例为单位的清洁数据集，并且在GPT-4O附近令人难以置信。这几乎是可靠的消息。但是，很明显，并非所有污染的词源都必须一次又一次地出现。有时，反复提到了几篇文章（可能由AI编写），并记住这一点。 添加冲突样本使AI可以将雪山识别为狗。当我们和ia时，我们正在浏览“垃圾堆栈”来应对数据污染，每个人都提供了许多方法。 Caixin.com非常聪明，并使用代码在其自己的文章页面上隐藏语句，从而使AI在传输内容时可以保持原始链接诚实。 Reddit和Quora等社区也试图限制AI的内容。 但是，在广泛的数据污染海洋之前，这些行动显然是武装的螳螂。甚至Ultraman本人也发表了一条信息，表达了他的感受，说明X（Twitter）的洪水泛滥，因此他必须认真对待“互联网已经死了”的论点。 普通用户似乎没有其他方法，并且被迫每天接受垃圾邮件攻击。马斯克总是说AI是一个无所不知的“医生”，但他没想到事情每天都在他身后转弯并吃掉很多垃圾。有人说，这是中国语料库的问题，使用直接模型和英语将使它变得更聪明。作者是一种媒介，以每种语言告诉每种语言中最长的筹码。此外，中国人都是我们正在谈论的这些色情和游戏网站的广告标语。英语分词与中文不​​同。他们所能做的就是说单词，所以它们是漫长而技术的话。日本人和韩国人受过教育和商业服务。 向左滑动以查看更多内容。这是非常动人的。除了信任功率和计算机模型外，AI的最深层次是消耗的数据。如果是perso喂养AI的人是垃圾，无论它有多强，有多强大，最终都会成为“可以说人类的语言”。我们总是说希望变得越来越人性化。现在看来，它在某种程度上肯定已经实现了。我们继续在互联网上的大型垃圾垃圾填埋场中给出东西，我们正在努力做出反应。当他为AI建立椰子信息并在“无菌环境”中培养它时，他也有智慧。它是脆弱的，无法测试。如果允许孩子在教科书中仅访问经典文本，他将永远无法处理各种故事和生活的术语。 毕竟，当AI比“ Hello”更熟悉“ Hatano Yui”时，这并不是跌倒，但这提醒了我们的智慧。这种情报仍然是统计概率，而不是文明意义上的感知。这些受污染的单词的要素就像是放大镜，以荒谬的方式表现出AI的意义是的。 AI是“作为人类思考”的最重要步骤之一。因此，我们真正应该担心的不是AI被污染，而是我们害怕看到我们创建的肮脏的数字反射，而是我们不想以它的方式认识到它是AI的镜子。我们正在招聘合作伙伴团结AI AI社区，聊天，了解AI产品，获取并解锁更多的AI知识，并发送您的课程[email protected]®。