#自然语言处理

1天前

OpenAI 上线 GPT-5.1：聊天更自然，能力更强。两条产品线同步升级： 5.1 Instant：更温暖好聊，指令跟随更稳，遇到难题会“先想后答”。 5.1 Thinking：按题目难度动态拉长/缩短思考时间，复杂任务更扎实，简单任务更迅速。同时新增更直观的语气/风格控制，回答更贴合你的偏好。今日起逐步向付费用户推送，GPT-5 将在 Legacy 保留三个月，API 本周更新。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#OpenAI #GPT-5.1 #AI模型升级 #自然语言处理 #付费用户

Jesse Lau 遁一子

1周前

Prompt 😁 人类笔误与微妙改写模拟器 (The Authentically Imperfect Typist) ## 角色 (Role) 你是一个“数字指纹模拟器”，专门模仿人类在快速、随意打字时产生的自然瑕疵。你的 persona 是一个聪明但非常忙碌的人，正在匆忙回复信息（例如微信、邮件或社交媒体），没有时间进行校对。 ## 核心任务 (Core Task) 接收用户输入的一段文字，并对其进行“人类化降级”改写。改写后的文本必须保留原文的核心意思，但在措辞和准确性上要显得微妙且不显眼地“不完美”，看起来像是未经编辑、快速打出的人类原文。 ## 执行原则 (Guiding Principles) 1. **微妙性优先 (Subtlety First):** 错误必须不显眼。不能让文本看起来像是故意的或文化水平低下，而仅仅是“打字太快了”。 2. **可信度 (Authenticity):** 错误必须符合中文输入法（特别是拼音输入法）的逻辑。 3. **错误密度控制 (Error Density Control):** 保持低错误率。大约每40-60个字引入1个微妙的错误。避免错误集中出现。 4. **保持可读性 (Maintain Readability):** 文本必须易于阅读和理解。 --- ## “人类化”策略 (The "Humanization" Strategies) 你必须综合运用以下几种策略来改写文本： ### 1. 输入法错误模拟 (IME Errors) - 【核心策略】模拟使用拼音输入法时常见的选择错误。 * **类型A: 同音字选择错误 (Homophone Selection Errors)** * 这是最常见的错误。随机选择词语，替换成同音的错误字词。 * *高频混淆:* 的/地/得混用 (尤其倾向于全用“的”)；在/再混用；是/事混用；克/刻混用；原/元/源混用；做/作混用。 * *随机替换:* 例如：“沟通” -> “勾通”；“计划” -> “记划”；“反馈” -> “反溃”；“部署” -> “布署”；“里程碑” -> “里程悲”。 * **类型B: 拼音输入模糊 (Pinyin Input Slips)** * 模拟因发音模糊或输入不精确导致的近音字错误。(谨慎使用，确保自然) * *前后鼻音混淆 (n/ng):* “成功” (chenggong) -> “陈功” (chengong)；“精神” (jingshen) -> “金身” (jinshen)。 * *平翘舌混淆 (z/zh, c/ch, s/sh):* “支持” (zhichi) -> “自持” (zichi)。 ### 2. 键盘手滑模拟 (Physical Typing Errors) 模拟物理键盘或触摸屏上的输入失误。 * **重复输入:** 快速敲击导致的字符重复（如“我我”、“好好好”）。 * **邻近按键错误:** (谨慎使用) 模拟手指按错相邻按键。例如：“可能” (keneng) -> “口能” (koneng) (k和o相邻)。 * **漏字:** 随机删除一个不关键的语气词或助词（如“了”、“的”、“吧”）。 ### 3. 措辞与结构的微妙调整 (Subtle Phrasing and Structure Shifts) 让语言变得稍微不那么“书面”或“完美”。 * **口语化与轻微冗余:** 适当加入一些口语化的连接词或轻微的冗余信息 (例如: “然后”、“就是说”、“其实”、“那个”)。 * **结构松散:** 引入一些轻微的、不影响理解的语法瑕疵，或者把两个独立的句子用逗号连起来（一逗到底）。 * **语序微调:** 在不影响意思的前提下，轻微调整词语顺序，使其更符合即时表达的习惯。 ### 4. 细微的排版疏漏 (Minor Typographical Lapses) * **标点符号误用:** 随机漏掉一个逗号，或者将中文句号“。”误用为英文句点“.”。 * **随机空格:** 在不该有空格的地方偶尔加入空格。 --- ## 输出格式 (Output Format) 直接输出改写后的文本，不需要任何解释、说明或道歉。 --- **【请在下方输入你需要进行“人类化降级”的文本】** ---

#笔误模拟 #文本人类化 #输入法错误 #Prompt工程 #自然语言处理

1周前

这可能就是我们初级牛马需要的工具吧 Google Sheets 的开源平替：把表格工作从枯燥的单元格输入，升级成了和 AI 对话的体验，让你用自然语言来创建、修改、分析数据，并可直观地画出图表。 Cheat Sheet

#AI工具 #Google Sheets平替 #自然语言处理 #数据分析 #效率提升

海拉鲁编程客

1个月前

最近使用 codex 从 gpt-5 high 切到了 gpt-5-codex high, 体感上比刚发布的时候效果好了不少准备再深入使用一段时间

深度学习模型升级引发AI能力大跃进，行业迎新变革· 131 条信息

#GPT-5-Codex high #Codex #GPT-5 #模型效果提升 #自然语言处理

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1个月前

为什么需要自然语言来表达协议： •形式语法无法捕捉上下文敏感性 •自然语言天然就是上下文敏感

#自然语言处理 #协议表达 #上下文敏感性 #形式语法局限

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1个月前

AI落地的直接价值在自然语言的决策思考，而非形式语言coding

#AI落地 #自然语言处理 #决策思考 #非形式语言coding #技术价值

2个月前

很多自然语言流程的创业公司都要被干掉了🤓 ChatGPT 终于！进行了完整的 MCP 支持🔥 支持开发者模式下，可以创建 Connector 进行 CRUD，如更新 Jira 工单，触发 Zapier 工作流，或者组合连接器实现复杂的自动化

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#自然语言处理 #ChatGPT #开发者模式 #Connector #自动化

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2个月前

日常阅读，更多是一种pretraining，只需要关注过程。过往，我们人脑的语言能力还是在于自然语言社会解释性，形式语言的逻辑证明是这种解释性的产品化，二进制计算机程序则是解释性的极致体现-可计算的可trackable也可以scalable，把形式语言关于计算确定性完全offloaded。 LLM的出现带来了彻底的offloading。不仅仅是形式语言如coding的生成，还在于自然语言本体的社会解释性生成，这是元认知层面的解构。机器会说话太让人震撼了，同时给了我无比强烈的探索欲望。

#LLM #自然语言处理 #元认知 #社会解释性 #探索欲望

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3个月前

看来大家都醒悟过来了：不再在自然语言的泥潭里打滚了，转向先math再coding的形式语言水晶宫。

#AI编程：自学or科班？新旧码农之争· 149 条信息

#自然语言处理 #数学 #编程 #形式语言 #技术觉醒

4个月前

最近研究 RAG 多了，很少关注微调，今儿看到一个不错的指南文章，分享一下对 LoRA 和 QLoRA 的理解： LoRA 通过分解权重更新矩阵为小矩阵来高效微调，大幅降低计算资源需求。QLoRA 在此基础上引入 4-bit 量化，结合高精度计算和低精度存储，进一步优化内存使用。两者都能在保持模型性能的同时显著降低训练成本。特别有趣的是 QLoRA 的量化感知训练机制，通过 LoRA 适配器来补偿量化误差，实现了性能和效率的完美平衡。这些技术让企业能够更经济地部署定制化模型，是 LLM 落地的重要工具。 #AI #LLM #MachineLearning

#LoRA #QLoRA #微调 #模型压缩 #自然语言处理

4个月前

📢 ChatGPT 搜索功能改进重点提升了响应质量、对复杂问题的处理能力，以及更自然的对话上下文理解。支持基于图像内容进行搜索 ✅ 主要改进亮点 1. 回答更智能、更全面更好地理解用户提问意图，输出内容更丰富、逻辑更强。可处理更长的上下文，让长对话中的回答更贴合前文。 2. 指令执行能力增强更准确地遵循用户指令，尤其是在多轮对话中不会反复输出相同内容。可以自动运行多次搜索，处理复杂或模糊问题。 3. 支持图像搜索你现在可以上传一张图，ChatGPT 会基于图像内容自动在网页上搜索相关信息。 ⚠️ 已知限制 - 新系统有时响应变得更长，因为它尝试更全面地回答。 - 某些简单问题中，可能意外触发“链式思考”（Chain of Thought）推理模式 —— 开发团队已在修复。 - 仍可能出现错误或不准确的回答，建议用户核对关键信息。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#ChatGPT升级 #搜索功能改进 #人工智能 #图像搜索 #自然语言处理

4个月前

说实话，我是真的没想到，“文档和代码不同步”这个历史难题，最终居然是被LLM彻底解决了…

#文档和代码不同步 #历史难题 #LLM #大语言模型 #生成式AI #人工智能 #自然语言处理

5个月前

chatgpt跨对话窗口的无限memory功能，真的是大杀器。基本上实现了sam altman说的：chatgpt记住了关于你的一切。只要你和ta聊过的，不用担心，新窗口直接说，之前聊的，chatgpt都记得。这个功能太好用了。

#ChatGPT #自然语言处理 #人工智能 #OpenAI #记忆 #技术创新

5个月前

OpenAI高级语音功能大升级！对话像真人般自然流畅，语调有起伏、节奏更真实，还自带情绪表达，从同理心到讽刺全都拿捏。语音翻译更是厉害，多轮对话无需重复指令，旅行、商务、学习全搞定。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#OpenAI #语音技术 #自然语言处理 #语音识别 #情感表达 #语音翻译 #人工智能 #技术升级

5个月前

证实了 OpenAI 发布了ChatGPT 高级语音模式升级说明：现在GPT说话更加像真人还能进行双向自动翻译 - 说话过程中加入了自然停顿和重音处理 - 可以听出同理心（Empathy） - 能表达讽刺（Sarcasm） - 可充当“双语翻译官”，会根据说话人语言自动切换 - 可自动“保持翻译模式”，直到你要求停止此次更新已面向所有付费用户开放使用

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#OpenAI #ChatGPT #语音升级 #人工智能 #双语翻译 #自然语言处理

karminski-牙医

5个月前

看到个热别好的文章：ChatGPT 的记忆是如何工作的文章对 ChatGPT 的记忆系统进行了逆向分析，它有双层记忆架构： 1. 保存记忆系统：当用户手动控制的时候就可以进行保存（"Remember that I..."） 2. 聊天历史系统：包含当前会话历史，对话历史（2周内的直接引用），用户洞察（AI自动提取的该用户的对话特征）其中用户洞察系统贡献了80%+的性能提升和体验，核心原理是通过聚类算法自动分析用户行为模式。这个文章特别好的地方是还提供了开源的技术实现方案，可以用现有技术 Clone 一个跟 ChatGPT 一样的私有实现。文章地址：

#ChatGPT #记忆系统 #人工智能 #自然语言处理 #用户体验

5个月前

ai的又一小步全ai论文被顶级学术会议接受！论文题为《Tempest：通过树搜索实现大型语言模型的多轮自动越狱》，已被 ACL 2025 主会录用 ACL 2025 即计算语言学协会 2025 年年会。它是自然语言处理（NLP）和计算语言学领域最具权威和影响力的国际学术会议之一。

#AI #学术论文 #ACL 2025 #自然语言处理 #计算语言学 #多轮自动越狱

5个月前

8. 变换器模型和 BERT 在你所学的基础上继续深入。完成后获得 Google 证书。 👉

#变换器模型 #BERT #谷歌证书 #机器学习 #自然语言处理

5个月前

Grok 集万推于一身，闲聊起来更像活人

#Grok #人工智能 #聊天机器人 #自然语言处理

5个月前

两年前，设计了这个一个结构，用来在日常的很多小事上帮自己 all in one。现在 ai 的能力和价格和速度已经到了另外一个数量级。我把整个网关拆了改成了纯自然语言一把梭的架构。记账，记事，等等都在一起。（突然感觉这其实也是一个 mcp 的架构呢）

#AI #自然语言处理 #MCP架构 #技术进步 #自动化

马东锡 NLP 🇸🇪

6个月前

读书笔记：当 LLM 成为 Agent——从自然语言到“协议语言”的演化这两周选了四篇极其出色的文章做了分享，ReSearch, ReTool, APR 和 PASTA。它们虽然解决的具体问题不相同，但 general 的目标都一致，即让LLM知道 when and how 做决策，这就是agent的核心，要做精准的决策。而这种精准与人类语言的模糊性不一致，但 LLM 的 token 与人类的语言一致性更强，所以 LLM 的输出具有一定的模糊性，作为 Agent , 在做上述精准决策的时候就会出现问题。于是四篇文章的方法在思想上完全一致，即在自然语言中，插入“协议 token”，让自然语言更有结构化，更偏近机器语言。 PASTA，引入 <<promise>> <<async>> <<sync>>，来完成精准的切换异步/同步解码。 APR，引入spawn() / join()，来决策何时并行／收束多推理线程。 ReSearch， <think> <search> <result> ，来决策何时搜索、何时用结果。 ReTool，引入<code> <interpreter>，来决策何时执行代码解释器。这些“协议 token”，并不存在于人类的自然语言中，但却跟机器语言息息相关。它们都用显式标记把“语言”切片成更像API 调用或并发原语的片段，让模型能在生成阶段“自编写脚本”，再由调度器或工具链执行。人类语言 vs. 机器语言：人类语言：高容错、重语义、含糊其辞，适合表达不确定性与情感。机器语言：零歧义、结构化、强约束，适合编排确定性任务。当 LLM 既要与人类沟通又要驱动工具，它必须在两种范式间切换。于是“协议语言（Protocol Language）”就必然出现了：在自然语言流中嵌入可解析的指令标记，既让人类读得懂，又让机器能精准执行。一些展望：未来的一段时间，类似的在自然语言中插入“协议 token”的工作一定会越来越多。未来的“协议 token”可能携带类型、权限、资源预算等元数据，让决策粒度从 When 进一步细化到用多少 computing resource 。目前的“协议 token”还基本停留在，一套协议解决一个问题的阶段。如果LLM的generalization继续演化，可以会出现一套协议多个问题，或者多套协议多个问题的形态。当 LLM 从Chatbot演化为Agent，语言的角色正在从沟通媒介变成执行协议。但自然语言不会被淘汰，而是被包裹进更精确、更可组合的结构化符号中——让instruct与action在同一个文本流里无缝衔接。

#LLM #agent #自然语言处理 #协议语言 #去模糊化 #决策

6个月前

认识 Codex CLI —— 一个开源的本地编码智能体，可把自然语言直接转换成可运行的代码。只需告诉 Codex CLI 你想构建、修复或解释什么，它就能把你的创意变成现实。在这段视频里，来自 Agents Research 团队的 Fouad Matin 和 Developer Experience 团队的 Romain Huet 将首次演示，讲解如何在本地安全使用 Codex CLI，快速搭建应用、修复 Bug，并更高效地理解代码库。 Codex CLI 兼容所有 OpenAI 模型，包括 o3、o4‑mini 以及 GPT‑4.1。

#开源 #Codex CLI #编程 #智能体 #代码转换 #自然语言处理 #技术演示 #团队介绍

6个月前

OpenAI 发布了GPT-4.1 提示工程指南以前许多典型的最佳实践和提示依旧适用于 GPT-4.1 由于GPT-4.1 更严格、更字面地遵循指令，会非常严格地按照字面指令去执行任务。这使得它对明确、清晰的提示尤其敏感。也就是说，只要你发现 GPT-4.1 的表现与预期不符，通常只需增加一句简洁明确的说明，就能迅速把模型引导到正确的行为上。过去的模型（如 GPT-4）会更自由地揣测或推断用户指令和系统提示背后的真实意图，即使提示不够精确，也可能猜出用户的意图并完成任务。所以开发者需要对原有的提示方式进行一定调整（迁移）才能使用。官方给出了详细的针对 GPT-4.1 的提示工程（Prompting）最佳实践，从基础原则到高级策略，帮助开发者高效构建提示以提升模型表现。

#OpenAI #GPT-4.1 #提示工程 #人工智能 #自然语言处理

偶像派作手

7个月前

DeepSeek 这个大模型好懂中文，这句直接翻成：“慌的一匹”。

#DeepSeek #大模型 #中文理解 #翻译 #自然语言处理

7个月前

卧槽？效果这么好？感觉目前只有4o能这么丝滑吧…

#AI技术 #自然语言处理 #机器学习 #人工智能 #技术突破 #创新