词元（token）是大语言模型（LLMs，Large Language Models）处理文本语料的基本单元，然而最先进 ChatGPT 系列模型（GPT-4o/o1/o3/4.5/4.1/o4-mini）的中文词表里却有高达 46.6% ...

该研究首先组建了包含 6 名跨学科领域专家的标注团队（拥有哲学、社会学、中文语言学、计算机科学博士学位），对先进 ChatGPT 模型的中文词表进行污染词标注，总结出中文污染词的定义和分类，为后续研究打下基础。 定义 ： 中文污染词（Polluted ...

最新 ChatGPT 系列模型的《新华词典》里有 46.6% 都是「污言秽语」，并且输入这些「污言秽语」会让模型胡言乱语。基于这一现象，研究团队系统性给出了此类中文污染词的定义和分类，构建了中文污染词自动识别模型，并基于词表污染估计训练语料污染。综上所述，该研究期待 为 LLM 海量训练语料的治理提供轻量化的方案。

2.2我国成功发射卫星互联网低轨09组卫星。据C114通信网，8月17日22时15分，我国在太原卫星发射中心使用长征六号改运载火箭，成功将卫星互联网低轨09组卫星发射升空，卫星顺利进入预定轨道，发射任务获得圆满成功。此次任务是长征系列运载火箭的第590次飞行。长征六号改运载火箭由中国 航天科技 ...