科技行者 1月8日 北京消息(文/尹轶男):什么“无头猫”机器人、什么纵向电视、什么自动垃圾桶,通通没有排面儿。在今年的CES技术大展上,最热门的话题只有一个,那就是隐私。
近年来,监管机构与消费者对于个人数据的关注与使用一直不断升温。在都重视的背景之下,多家全球顶尖科技巨头在本届CES大展上,全面宣传了一波儿自家用户隐私保障策略。
首先是Facebook,在本周一公布了其“Privacy Checkup”隐私检查工具的最新版本,旨在引导用户实现各项关键性隐私设置。Facebook解释为,更新后的检查工具将帮助用户轻松了解谁有权查看共享内容、如何使用个人信息以及如何提高账户安全性。顺带一提的则是,这款工具原本的作用是帮助用户观看个人发帖、个人资料信息以及对接Facebook账户的应用程序。
而亚马逊旗下的家庭安全与视频门铃厂商Ring也在同一时间同样宣布对配套应用程序进行更新,允许用户退出与所在地警方的视频共享协议。就在前段时间,由于默认将视频内容共享给各地执法机构,Ring公司遭到隐私保护者们的强烈抨击。
紧跟着是谷歌,这位搜索巨头在本周二宣布在谷歌语音助手当中新增了两条命令,确保用户在使用过程中更好地解决隐私问题。例如,一旦被意外激活且说出了不想让助手听到的内容,用户就可以立即使用“Hey Google, that wasn’t for you”这条新指令将其撤回;还可以通过“Hey Google,are you saving my audio data?”这条指令进一步了解当前隐私选项并变更各项设置。同时,还为用户提供了语音数据删除命令。
自从前任CEO John Sculley在1992年首次公布Newton个人数字助手以来,苹果公司时隔28年重返CES现场。但这一次,苹果方面没有发布任何新产品,而是专门讨论隐私问题。
苹果公司全球隐私高级总监Jane Horvath在本周二参加了一场小型会议,题为“首席隐私官圆桌会议:消费者想要什么?”。一同出席的还有Facebook公共政策副总裁兼政策首席隐私官Erin Egan、宝洁公司全球隐私官Susan Shook以及联邦政府贸易专员Rebecca Slaughter。顺带一提的是,联邦贸易委员会曾因隐私侵犯问题对Facebook公司处于50亿美元罚款。
Facebook闹出的剑桥分析事件在2018年曾掀起轩然大波,并推动科技行业发起整体性的隐私自查浪潮。最近,谷歌与苹果也分别被迫道歉并承诺做出改变,原因是他们在未履行通知义务的情况下允许外包人员审查用户的语音指令内容。
此前,研究公司eMarketer首席分析师Victoria Petrock就指出,消费者对于隐私问题“只会更加了解也更加关注”,因此隐私很可能会成为本届CES上的一大“热门议题”。在她看来,科技企业正努力“证明自己正在认真处理隐私问题”,这显然是一种防御性举动,因为“如果不这么做,科技企业未来很可能面临更为严厉的监管;所以他们宁愿成为解决方案的一部分,也不愿被视为问题的一部分。”
实际上,隐私问题在去年的CES大会上也有体现,但具体方式与今年不太一样。当时苹果公司曾在拉斯维加斯会议中心附近设置了巨型广告牌,写着“iPhone上的一切,只留存于iPhone”,意在强调对隐私问题的重视。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。