中国东部江苏省连云港的工人在物流中心包装货品。 (STR/AFP/Getty 图)
互联网连接重塑了消费者与信息互动的方式。现在的消费者在做出在线购买决定之前会浏览和研究产品,因而非常依赖在线信誉系统。诸如Facebook一类的社交媒体平台使我们能够分享评级信息及向我们的在线网络推荐发现的好东西。而许多在线市场都为供应商和客户提供内置的评估和评级系统。
不过,时下的在线信誉系统存在巨大的漏洞。由于缺乏强劲的验证和社会信用机制,供应商很容易操纵消费者对自己公司和竞争对手的看法达到欺骗消费者的目的。而区块链可以实现分散式信誉系统,能够验证所有的用户和为用户创建独特的数字身份,并可以将网络上信誉数据进行汇总。如此可恢复在线市场的信任和透明度,令客户信任产品评论及令市场得以茁壮成长。
目前的信誉系统多是自成一体,易受操纵
通常每个市场都有一个独立的本地信誉系统,信誉则是从独特的个人身份抽象出来的;有心人可以对此加以利用,坐在屏幕后面干丑事。
供应商和互联网用户都可以相对轻松地在每个平台创建多个不同的帐户。如果提高信誉等级的动机不存在,任何评级较差的用户只需创建一个新的账户就可以中性得分开始。
因而虚假评论的经济正在蓬勃发展也就很属于意料之中了。在利润的驱动下,供应商和商家开始为自己购买正面评价或出钱买竞争对手的负面评价,达到人为地影响他们的在线信誉的目的。也许可以在亚马逊可以找到一个完美的例子,最近有报道揭露了Facebook上蓬勃的经济活动,供应商可以购买评论达到操纵信誉评级的目的。
在中国的电子商务平台某宝上,供应商甚至可以补偿购买产品和留下好评的消费者。
建立分散信誉系统恢复信任
影响力如果可以自由地购买或出售,那么这些供应商就没有动力去理会在线信誉评分。而利用区块链技术或许可以找到一种方法改变在线信誉的管理方式。分散信誉的建立如能成为智能合约的一部分就提供了一种可以访问积累信誉数据的标准化方法,而更多的跨平台验证则可以增加各信誉评分的可靠性。
例如,在验证系统中加入个体证明框架也将有助于防范Sybil攻击,所谓的Sybil攻击是指伪造多个身份以操纵信誉评分的行为。
我们现在已经见到一些区块链项目在做信誉管理机制的探索工作,如DREP Foundation。笔者说明一下,电子商务市场中这种系统应该可以做到:
验证用户身份、清除重复帐户或僵尸帐户;
对用户在平台上的信誉进行量化和发放数字令牌,根据产品或服务质量、响应时间或售后支持等因素这些做;
促进双向信誉系统机制,如用户可以留下反馈,点“赞”或“踩”;
在网络上的不同平台上汇合各用户的信誉。
Drep.org信誉协议的核心组件
这样做以后,交易各方就可以利用信誉指标决定与谁打交道或对谁避而远之。此外,商家从自身利益出发也会更留意他们提供的服务和商品。 Yeeyi是个配有二手市场的社区平台,面向100多万中国外籍人士和澳大利亚学生,Yeeyi已经开始了在DREP链上的技术对接。
其他与信誉领域开发有关的项目包括Ontology和Fantom,这些项目正在开展分布式信任协作平台方面的工作。Ontology甚至还提供一个信任搜索引擎,引擎提供个人身份验证和连接服务。Utu项目因推出 “Who Do You Trust?”(要相信谁呢?)的广告语而出名,Utu也在非洲市场上着手解决线上信誉系统存在问题。非洲市场的挑战有其独特的地方,消费者信任个人推荐多过星级评级,因为诈骗的可能性比比皆是。在这里,信誉就更加重要了。
区块链技术可以提供供应商和消费者之间的个人交易、互动和评论的完全透明度等信息,同时又可以保护相关各方的隐私。区块链上数据安全性可以确保信息的完整性。
对在线市场以外的影响
分散信誉系统对在线市场将产生重大影响。分散信誉系统也将改变我们的内容生态系统,可以帮助消费者辨别内容或内容创作者的可信度, 在充满“假新闻”的世界促进信任。或许从长远来看,这些信誉值甚至可以成为区块链数字资产的资格加权因素。
由于记录数据是不能被改变的,区块链数据的不变性可以起到阻止恶意在线行为的作用。随着我们进一步深入到数字时代,也许分散信誉系统这一类的系统能有助于在线行为和离线身份更加趋于一致。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。