AI软件从航拍影像中检测到20000多处隐蔽的私人泳池,帮助法国税务官员额外征收约1000万欧元的资产税。
根据欧元区国家的规定,增建阁楼、开挖泳池等有助于提升房产价值的家庭装修项目,会增加房主所应承担的税款数额。例如,一处30平米的游泳池每年就对应额外200欧元税款。但由于以往仅要求主动申报,所以很多业主会保持沉默以躲避这笔开支。
为了追查逃税者,法国税务局下辖的九个部门测试了机器学习软件,尝试自动从航拍照片中找到未申报的泳池。该软件分析了航拍图像,可扫描出存在泳池的迹象——例如后院位置的蓝色矩形轮廓。官员们会借此识别那些拥有泳池的房屋、确定所在位置,并比对数据库以检查业主是否已经正常申报。
截至目前,该软件已经发现20356处隐蔽泳池,帮助法国当局收取高达1000万欧元的额外税款。此项计划未来将在全国范围内部署,搜寻更多未申报泳池,由此带来的财产税贡献预计将达到4000万欧元之巨。
该软件由谷歌和凯捷共同开发,今年4月的报道称其错误率为30%。例如,这款计算机视觉软件可能被太阳能电池板阵列所误导,造成错误标记;另外,如果泳池被阴影或树木覆盖,也可能发生漏检的问题。法国财政部表示,工程师们正在努力扩展这款应用程序,希望能适应不同类型的家居改造场景。
公共财政副总干事Antoine Magnant在采访中表示,“我们会特别关注阳台这类房屋扩建项目,但同时要求软件能准确揪出那些占地面积较大的新增建筑,不要被狗舍或孩子们的嬉戏场夺走了注意力。”
然而,在现有建筑物上检测到突出的扩展或附加部分其实更为困难,而且这款软件还无法把这类情形同正常搭设的帐篷或防水油布区分开来。Magnant补充道,“这是我们第二阶段的研究内容,包括检查房产是否有人居住,如果无人则应停止征税。”
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。