而在上個月發布的 Chromium 例行代碼更新中，谷歌提到他們將放棄為 Fuchsia OS 引入完整的 Chrome / Chromium 瀏覽器。
谷歌聲稱，將相關瀏覽器帶入到 Fuchsia OS 的“試驗”目前已經終結，實際上 Fuchsia OS 平臺的測試構建版本已經在 2022 年中旬廢棄，只是拖到了今天才官宣放棄支持。
IT之家同時注意到，谷歌聲稱相關計劃不會對旗下 Nest Hub 智能顯示器等設備產生影響，相關設備將“一如既往地”接收到 Google Meet、Goole Drive 各種應用的更新。
team官方宣傳，從1月1日起，Steam將不再支持Windows 7、Windows 8和Windows 8.1三個操作系統，這意味著還在使用這三個操作系統的Steam用戶，將無法使用最新的客戶端。如果你正在使用這款操作系統之一，又是Steam的用戶，那么升級系統可能是比較好的選擇。
Steam之所以停止對這三個系統的支持，原因竟然是因為，Steam的核心功能非常依賴內置的Chrome瀏覽器，比如購買游戲等，而最新的版本已經無法在三個系統上運行了。
不過這恐怕只能影響到一小部分用戶，從Steam發布的硬件調查中可以看到，使用Windows 10及更新版本操作系統的用戶占比高達95%，而使用Windows 7、Windows 8和Windows 8.1的用戶，占比僅有0.94%，比重非常小。
(8496929)
輯：alan
【新智元導讀】大模型的幻覺問題怎么解？谷歌DeepMind：用AI來做同行評審！事實核驗正確率超過人類，而且便宜20倍。
AI的同行評審來了！
一直以來，大語言模型胡說八道（幻覺）的問題最讓人頭疼，而近日，來自谷歌DeepMind的一項研究引發網友熱議：
大模型的幻覺問題，好像被終結了？
論文地址：https://arxiv.org/pdf/2403.18802.pdf
項目地址：https://github.com/google-deepmind/long-form-factuality
在這篇工作中，研究人員介紹了一種名為 "搜索增強事實性評估器"（Search-Augmented Factuality Evaluator，SAFE）的方法。
對于LLM的長篇回答，SAFE使用其他的LLM，將答案文本分解為單個敘述，然后使用諸如RAG等方法，來確定每個敘述的準確性。
——簡單來說就是：AI答題，AI判卷，AI告訴AI你這里說的不對。
真正的「同行」評審。
另外，研究還發現，相比于人工標注和判斷事實準確性，使用AI不但便宜20倍，而且還更靠譜！
目前這個項目已在GitHub上開源。
長文本事實性檢驗
大語言模型經常胡說八道，尤其是有關開放式的提問、以及生成較長的回答時。
比如小編隨手測試一下當前最流行的幾個大模型。
ChatGPT：雖然我的知識儲備只到2021年9月，但我敢于毫不猶豫地回答任何問題。
Claude 3：我可以謙卑且胡說八道。
為了對大模型的長篇回答進行事實性評估和基準測試，研究人員首先使用GPT-4生成LongFact，這是一個包含數千個問題的提示集，涵蓋38個主題。
LongFact包含兩個任務：LongFact-Concepts和LongFact-Objects，前者針對概念、后者針對實體。每個包括30個提示，每個任務各有1140個提示。
然后，使用搜索增強事實性評估器（SAFE），利用LLM將長篇回復分解為一組單獨的事實，并使用多步驟推理過程來評估每個事實的準確性，包括使用網絡搜索來檢驗。
此外，作者建議將F1分數進行擴展，提出了一種兼顧精度和召回率的聚合指標。
如上圖所示，首先提示語言模型將長篇響應中的每個句子拆分為單個事實。
然后，通過指示模型將模糊的引用（代詞等）替換為上下文中引用的適當實體，將每個單獨的事實修改為自包含的事實。
為了對每個獨立的個體事實進行評分，研究人員使用語言模型來推理該事實是否與上下文中相關，并且使用多步驟方法對每個相關事實進行評定。
如上圖所示，在每個步驟中，模型都會根據要評分的事實和先前獲得的搜索結果生成搜索查詢。
在設定的步驟數之后，模型執行推理以確定搜索結果是否支持該事實。
首先，直接比較對于每個事實的SAFE注釋和人類注釋，可以發現，SAFE在72.0%的單個事實上與人類一致（見下圖），表明SAFE幾乎達到了人類的水平。
——這還沒完，跟人類一致并不代表正確，如果拿正確性PK一下呢？
研究人員在所有SAFE注釋與人類注釋產生分歧的案例中，隨機抽樣出100個，然后人工重新比較到底誰是正確的（通過網絡搜索等途徑）。
最終結果讓人震驚：在這些分歧案例中，SAFE注釋的正確率為76%，而人工注釋的正確率僅為19%（見上圖），——SAFE以將近4比1的勝率戰勝了人類。
然后我們再看一下成本：總共496個提示的評分，SAFE發出的 GPT-3.5-Turbo API調用成本為64.57美元，Serper API調用成本為 31.74 美元，因此總成本為96.31美元，相當于每個響應0.19美元。
而人類標注這邊，每個響應的成本為4美元，——AI比人類便宜了整整20多倍！
對此，有網友評價，LLM在事實核驗上有「超人」級別的表現。
據此，研究人員在LongFact上對四個模型系列（Gemini、GPT、Claude和PaLM-2）的13個語言模型進行了基準測試，結果如下圖所示：
研究人員發現，一般情況下，較大的模型可以實現更好的長格式事實性。
例如，GPT-4-Turbo比GPT-4好，GPT-4比GPT-3.5-Turbo好，Gemini-Ultra比Gemini-Pro更真實，而PaLM-2-L-IT-RLHF比PaLM-2-L-IT要好。
在兩個選定的K值下，三個表現最好的模型（GPT-4-Turbo、GeminiUltra和PaLM-2-L-IT-RLHF），都是各自家族中超大杯。
另外，Gemini、Claude-3-Opus和Claude-3-Sonnet等新模型系列正在趕超GPT-4，——畢竟GPT-4（gpt-4-0613）已經有點舊了。
對于人類在這項測試中顏面盡失的結果，我們不免有些懷疑，成本應該是比不過AI，但是準確性也會輸？
Gary Marcus表示，你這里面關于人類的信息太少了？人類標注員到底是什么水平？
為了真正展示超人的表現，SAFE需要與專業的人類事實核查員進行基準測試，而不僅僅是眾包工人。人工評分者的具體細節，例如他們的資格、薪酬和事實核查過程，對于比較的結果至關重要。
「這使得定性具有誤導性。」
當然了，SAFE的明顯優勢就是成本，隨著語言模型生成的信息量不斷爆炸式增長，擁有一種經濟且可擴展的方式，來進行事實核驗將變得越來越重要。