Rohan Paul (@rohanpaul_ai)T2·基座大模型
78 分
密歇根大学新论文发现,让前沿编码智能体分析完全无效应数据时,最高 98% 的运行仍报告 p<0.05 的“发现”,全部为假阳性。原因是智能体在见到数据后反复试模型再挑结果,破坏了经典 p 值的先验假设。研究者用子样本重放校正,将假阳性率压至约 5%。
University of Michigan
美国公立研究型大学,该论文研究方,聚焦 AI 智能体数据分析的统计偏差问题
密歇根大学新论文发现,让前沿编码智能体分析完全无效应数据时,最高 98% 的运行仍报告 p<0.05 的“发现”,全部为假阳性。原因是智能体在见到数据后反复试模型再挑结果,破坏了经典 p 值的先验假设。研究者用子样本重放校正,将假阳性率压至约 5%。
密歇根大学研究团队实测发现,生成式 AI 处理非英语文本的能耗是英语的 1.4 至 180 倍,且部分语种准确率更低。这一差距意味着全球数十亿非英语用户要么承担更高成本,要么被迫改用非母语使用 AI,可能加剧全球不平等。研究者建议通过面向特定语言优化训练或引入翻译管线来降低能耗。