
CNET科技资讯网 4月23日 北京消息(文/周雅):“云计算”和“大数据”这些IT热词登上了红头文件,成为需要在全社会广泛宣传和学习的对象。4月18日,科技部和中央宣传部印发关于《中国公民科学素质基准》的通知,其中云计算和大数据成为基准。
细心的读者发现,在《中国公民科学素质基准》第18条中,着重提到要求中国公民“关注科学技术发展”,“知道基因工程、干细胞、纳米材料、热核聚变、大数据、云计算、互联网+等高新技术”。
这与当前中国“大众创业、万众创新”的热潮密不可分,“云计算”和“大数据”不再是技术人员的专业术语,悄然进入寻常百姓家。在中关村的那些咖啡馆里,这些词与“股份”、“创投”、“人工智能”、“VR”热词一起,成为创业者口中最潮、最热频的关键词。
据专家介绍,包含“云计算”和“大数据”的《中国公民科学素质基准》将被广泛宣传,目的是在全社会大力弘扬科学精神、普及科学知识,提高全民科技意识和科学素养,最终造福社会。
据悉,《中国公民科学素质基准》共有26条基准、132个基准点,基本涵盖公民需要具有的科学精神、掌握或了解的知识、具备的能力。适用范围为18周岁以上,具有行为能力的中华人民共和国公民。
测评时从132个基准点中随机选取50个基准点进行考察,50个基准点需覆盖全部26条基准。根据每条基准点设计题目,形成调查题库。测评时,从500道题库中随机选取50道题目(必须覆盖26条基准)进行测试,形式为判断题或选择题,每题2分。正确率达到60%视为具备基本科学素质。
附录:科技部 中央宣传部关于印发《中国公民科学素质基准》的通知
国科发政〔2016〕112号
各省、自治区、直辖市、计划单列市、副省级城市科技厅(委、局)、党委宣传部,新疆生产建设兵团科技局、党委宣传部,中央、国务院各部门、直属机构,中央军委科学技术委员会,各人民团体:
为实施《中华人民共和国科学技术普及法》,落实《国家中长期科学和技术发展规划纲要(2006—2020年)》,《全民科学素质行动计划纲要(2006— 2010—2020年)》(以下简称《科学素质纲要》)等确定的科普工作任务,国务院办公厅确定科技部、财政部、中央宣传部牵头,中央组织部等20个部门 参加制定《中国公民科学素质基准》(以下简称《基准》),建立《科学素质纲要》实施的监测指标体系,定期开展中国公民科学素质调查和全国科普统计工作,为公民提高自身科学素质提供衡量尺度和指导。
经组织专家研究,在部分省(市)试点测评,并广泛征求部门、地方和社会各界意见,在形成广泛共识的基础上,制定了《基准》(电子版可从科技部门户网站等下 载),现予印发。请各地各部门认真组织党政机关干部、工人、农民,科技、教育工作者,城乡劳动者、部队官兵、学生、社会各界人士等学习;各级党政机关、科 研机构、企业、事业单位、学校、部队、社会团体等要组织《基准》学习和培训活动;新闻媒体、网站要对《基准》进行广泛宣传,在全社会大力弘扬科学精神、普 及科学知识,提高全民科技意识和科学素养,形成鼓励大众创业、万众创新的良好氛围,为实施创新驱动发展战略,建设创新型国家和实现全面建成小康社会的目标 奠定坚实的社会基础。
科 技 部 中央宣传部
2016年4月18日
《中国公民科学素质基准》(以下简称《基准》)是指中国公民应具备的基本科学技术知识和能力的标准。公民具备基本科学素质一般指了解必要的科学技术知识,掌握基本的科学方法,树立科学思想,崇尚科学精神,并具有一定的应用它们处理实际问题、参与公共事务的能力。制定《基准》是健全监测评估公民科学素质体系的重要内容,将为公民提高自身科学素质提供衡量尺度和指导。《基准》共有26条基准、132个基准点,基本涵盖公民需要具有的科学精神、掌握或了解的知识、具备的能力,每条基准下列出了相应的基准点,对基准进行了解释和说明。
《基准》适用范围为18周岁以上,具有行为能力的中华人民共和国公民。
测评时从132个基准点中随机选取50个基准点进行考察,50个基准点需覆盖全部26条基准。根据每条基准点设计题目,形成调查题库。测评时,从500道题库中随机选取50道题目(必须覆盖26条基准)进行测试,形式为判断题或选择题,每题2分。正确率达到60%视为具备基本科学素质。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。