出生于伊朗的巴哈尔·安萨里(Bahar Ansari)是一名移民律师,她的律师事务所2nd.law以具成本效益的方式为许多人聘请律师,帮助过无数家庭获得美国公民身份。2nd.law是由Ansari联合创办的第一家虚拟律师事务所,可为客户提供20多种不同类型美国签证的法律服务,帮助过许多移民获得在美国工作的资格。 2nd.law也提供就业法、家庭法、遗产规划、商业法和人身伤害法等方面的服务。
移民律师Bahar Ansari是2nd.law的联合创始人(图:Oleg Bogdan)
2nd.law通过利用人工智能(Ansari称之为“机器人律师”)提供比传统公司价格低75%的法律服务,2nd.law还可以为一些通常找不到律师的边远地区提供法律服务。此外,因为有了机器人律师,2nd.law的人类律师不用处理大量的文书工作,可以花更多时间为客户处理优先级更高的问题。
Ansari 表示,“我助力创建了2nd.law,因为我相信众生平等。在大多数国家里,需要拥有法律学位才能理解复杂的法律和法规,而这些法律通常限制或掌控了一个公民的权利。贪婪的律师则通过‘ 帮助’客户处理这些法律而中饱私囊。我们的2nd.law认为可以利用机器人让法律为公民服务。”2nd.law正在颠覆全球法律市场,Ansari希望”每个人都能更简便地获得正义“。
Ansari十六岁从伊朗来到美国,她一直都知道自己想成为一名律师。她表示,“我认为身为律师是一种社会责任。我想成为人权活动家,帮助改变世界。”她自己亲历了移民过程,这给了她独特的视角,令她能够真正地与她的客户及他们面临的挑战连在一起。
Ansari认为,如果法律援助太昂贵以致于令人负担不起,那就谈不上公义。(图:Omeg Bogdan)
Ansari喜欢学习,拥有法律硕士学位和法学博士学位,但在加入一家律师事务所后,她很快意识到太多的时间花在了文书处理上以及要满足不切实际的计费要求太困难了。她称,“希望和梦想很快就破灭了。我当时变得越来越沮丧,因为我觉得总是有做不完的事情、没有足够的时间与人打交道。我当时常常闷闷不乐。“
后来Ansari终于意识到,虽然从外表上看她是个“成功人士”,但她并不开心,因为她对自己在做的东西没有热情。她没有遵循自己的人生目标。她当时已经是一名争取平等权利、使世界变得更美好的律师。但她也知道虽然美国有超过120万名的律师,许多人却雇不起这些律师或是由于某种原因没办法雇请这些律师。Ansari表示,“雇不了律师就谈不上公义。”
Ansari的新梦想和激情变得清晰起来:“缩小公义鸿沟,回归法律行业的初心:真理、正义和秩序。”她确信自己可以开发一种创新性的和有效的技术,达到增加获取法律援助的渠道及为大众提供可负担的法律援助的目的。她因此在2016年联合创办了Case.one Inc.,Case.one是一家总部位于加利福尼亚州的法律科技公司,专门从事法律流程自动化工具的开发。2018年,她利用Case.one的技术有联合创立了2nd.law。
Ansari的公司利用人工智帮助减少人类律师花在案件上的时间。(图:Bahar Ansari)
现在的Ansari觉得自己的职业与人生目标是一致的。她忙着为中低收入人群和其他弱势群体增加用法律捍卫自己利益的机会。她表示, “对我来说,成功意味着能有个机会对现存体制产生影响,几个世纪以来这个体制影响了人类行为,成功意味着能有机会让法律体制回归公平和公义。”
Ansari的工作肯定也面临挑战。法律行业是一个保守的行业,从不是个喜欢采用早期技术的行业。即是说,大多数律师现在还是用实体文件。但Ansari觉得这也正是为什么需要2nd.law的原因。 她表示,“我们希望为法律行业做的事是AirBnB为旅游行业做过的、优步为运输业做过的以及苹果为音乐行业做过的事。”
Ansari在被问到如何才能使职业与生活目标保持一致时表示,要每天做些自己喜欢的事情。她表示,“要以激情为动力,而不是以金钱为动力。如果工作时不能开开心心,那就应该找个新的职业。海阔天空的思维才能产生海阔天空的情感,才能拥有海阔天空的生活。“
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。