视觉主导下的伪音频理解:多模态大模型的Clever Hans效应
深度2026年5月21日19 分钟阅读
最有趣发现:当前最先进的多模态模型(包括GPT-4o、Gemini等)在视频音频理解任务中,实际上是通过视觉线索“脑补”声音内容,而非真正理解音频——模型甚至会将无声视频中视觉关联的声音“脑补”出来。本文适合对多模态大模型研究、模型鲁棒性评估及AI安全感兴趣的读者。
本文编译自 When Vision Speaks for Sound,版权归原作者所有。
觉得有用?分享给更多人
觉得有用?分享给更多人
GitHub 在 Universe 大会公布了下一代 Git 存储架构,内部测试中单仓库可承受每秒 7,200 次推送和 5,000 个并发智能体。架构代号“Rubicon”,基于“最小化协调、存储与计算解耦”两原则,将引用更新与不可变的 Git 对象分离,分别存入 Ref-CAS 日志服务和 Azure Blob Storage。
Cloudflare 认为远程托管的 AI Agent 本质上是用户与网站之间的新中间人,破坏了网站识别、服务与问责用户的能力。文章列举了账户共享、友好欺诈、身份冒充等 14 类挑战,并提出“中间化原则”,呼吁生态协作在保留用户关系的前提下开放 Agent 访问。