审计:五个LLM餐厅推荐系统性漏店
热点事件持续更新
审计:五个LLM餐厅推荐系统性漏店
1 篇报道1 个报道来源22 小时前更新
先了解这件事
AI 综述
Lin Chen等研究者发布审计研究,用320个合成用户画像对美国五座城市304个社区的餐厅推荐向五款LLM发出近百万次查询,发现模型既会编造不存在的场所,也会系统性忽略真实场所。 在固定真实场所集合中选择时,41.5%的餐厅从未被推荐,近五分之一被五个模型全部忽略。研究还显示,高收入用户得到更贵、更冷门的场所,游客被导向更贵但更多样的餐厅。
AI 根据报道生成 · 14 小时前更新
最新进展11月19日 13:00
研究发现大语言模型在城市之上形成不均衡的信息层报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv cs.CY研究发现大语言模型在城市之上形成不均衡的信息层
研究团队用 320 个合成用户画像,对美国五座城市 304 个社区的餐厅推荐进行审计,向五款 LLM 发出近百万次查询。结果显示 LLM 既会编造不存在的场所,也会系统性忽略真实场所:在固定真实场所集合中选择时,41.5% 的餐厅从未被推荐,近五分之一被五个模型全部忽略;高收入用户得到更贵、更冷门的场所,游客被导向更贵但更多样的餐厅。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 811月19日 22:00
- 近 24 小时变化
- –
02468
11月20日03:0006:0009:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。