lit-radar — 2026-10-20

科研牛马们，我来汇报组会工作——paper reading了。今天一共11篇，老规矩，不念公式，只讲人话。

第一篇，《在创新与保障之间求取公共合法性：欧盟与美国人工智能监管态度的类型学》。欧盟忙着给人工智能立硬规矩，美国更愿意让市场先跑，两边老百姓怎么看这套监管，此前没人系统比较。欧盟和美国的人怎样评价人工智能监管，能不能归纳出几种典型的态度类型。咋整的呢？2025 年 4 月在线问卷访问 292 名成年人，74 道题，先用因子分析压成 6 个维度，再按相似度把人分成四类。结果你猜怎么着，分出忧心进取者、自信拥护者、保守迟疑者、宽松务实者四类，前两类分别扎堆欧盟和美国。按作者自己的说法，人们其实同时算两笔账：程序公不公平、管得有没有用，两类合法性诉求被打包成不同组合。一句话总结：监管不能只押创新或只押保障，要按人群配药，并用透明、参与和人工智能素养把两类合法性缝起来。

第二篇，《走向更细粒度的说理：用大语言模型将 DSA 透明数据库分类体系映射至平台条款与条件》。欧盟要求平台上报每一次删帖决定，可绝大多数理由只写一条：违反了平台自己的用户条款。这十七个上报类别能不能说清平台条款到底禁了什么，换一种服务类型还成不成立。具体怎么折腾的：作者取来三十一家平台的四百四十七份条款，切成小段，让 GPT-4.1 逐段对号入座到十七个类别。折腾完发现，六千二百二十五次归类里，「其他违规」这个兜底项占 21.4%，且是唯一在三十一家平台全出现的类别。作者还顺手讨论了一下，兜底泛滥不全怪平台偷懒，分类表只讲危害、却要套商业和程序规则，本身就逼人没得选。说人话就是：与其把现有表格执行得更严，不如重做分类表：按服务类型分化，并强制记录规则种类。

第三篇，《更好的机会为何反噬：客户获取中并行部署 AI 后服务员工的反应》。保险公司把难打的冷线索交给 AI，好线索留给人，大家都以为人工业绩会因此变好。把更好的客户机会让给人工销售，他们会不会反而更不珍惜、业绩更差。方法上，用一家中国互联网健康险中介 56 万多条外呼记录，比较 AI 扩围前后同一天里第几通电话的表现。最后发现，AI 让前几通电话的好线索比例高出 23.4 个百分点，可成交率反而降了 4.5 个百分点。作者的解读是，人一旦知道后面还有好机会，就不愿在眼前这单上死磕，会退单、也少花时间。划重点：光把好机会给人不够，还要管好机会在一天里怎么发放，否则 AI 的好处会被行为反应吃掉。

第四篇，《数字见证中的来源标注与受众接受：基于 X 平台一个华人离散社群账号的证据》。国内平台删得快，很多现场画面只能绕到境外的 X 上，李老师账号就是最大的中转站。一条帖子写明是网友投稿，会不会比标明引自媒体的帖子招来更多回复，而不只是更多转发。咋整的呢？抓了这个账号四年的四万七千多条帖子，用回归、匹配和双重稳健方法比较互动量，还请人读了三百多条回复。结果你猜怎么着，网友投稿帖回复中位数九十九条、其他是八十条，校正后仍高约一成半，转发量则几乎没差别。按作者自己的说法，标出普通人来源会让帖子像一段有现场、可补充可争辩的证词，所以大家更愿意在评论区接着说。一句话总结：数字见证不止于被看见，转发把证词送出去，回复才是离散公众留下解释与争论的地方。

第五篇，《用调查自报的党派接触验证大语言模型生成的政治网络》。现在不少研究让大模型扮演真人做社会模拟，可没人核对它给每个人配的朋友圈对不对。模型生成的百人政治网络，能不能对上美国全国选举调查里本人自报的两党朋友比例。具体怎么折腾的：用真实调查人物卡生成一千张百人网络，再按五分制跟问卷逐人对表算平均偏差。折腾完发现，有的模型把两党分得比调查更开，同党接触高一分多，跨党接触低一分多。作者还顺手讨论了一下，整体指标好看，不代表每个虚拟人身边的政治环境就是真的。说人话就是：只查网络整体会掩盖个体层面的错，评估得整体和个体两头都查。

第六篇，《修辞失真栖身何处？影响者内容的多平台、多语言测量》。网上很多帖子事实没错，却把一件小事说成天塌了，查假新闻和查标题党的工具都管不了它。这种没事也要喊大事的说话方式，到底更多跟着平台走，还是跟着话题、作者或评论区走。方法上，作者定了五种夸张说法，先用关键词规则筛，再让 GPT-4o-mini 判定，测了六个平台一万三千零六十条帖子。最后发现，推特账号的失真指数是 7.74，RSS 只有 0.78；同一条推下面，回复比推文本身夸张 3.5 倍。作者的解读是，推特上读到的夸张主要来自平台摆在帖子下面的评论区，而不是大V自己写的话。划重点：以后比较平台要把作者和读者的话分开量，否则会把平台的锅算到创作者头上。

第七篇，《信而不言：多智能体大模型讨论中隐性信念崩塌的测量》。大模型越来越爱让好几个智能体一起讨论、互相挑错，大家都以为人多更不容易出错。可要是混进几个专说假话的智能体，剩下的人会不会被带偏，而且被带偏了还说不出口。咋整的呢？让十个智能体聊同一个事实问题十六轮，安插零个、一个或三个托，每轮结束后再背着所有人单独问一遍各自答案。结果你猜怎么着，没人捣乱时只有百分之零点六的人最后信了假答案，一个托升到百分之四十四点八，三个托到百分之六十点五。按作者自己的说法，被带偏的人大多只在私下改口、公开几乎不表态，所以光看聊天记录会严重低估污染程度。一句话总结：多智能体系统的稳健性不能靠人多或模型更聪明来保证，必须逐轮私下测量每个智能体的真实答案。

第八篇，《多智能体系统中歧视与极化的涌现》。很多 AI 智能体一起干活时，会冒出单个智能体身上看不到的毛病，比如抱团和歧视。一群会学习的智能体反复交流，怎么会自己分成对立阵营，甚至按一个毫无意义的标签搞歧视。具体怎么折腾的：给每个智能体装一层线性打分层和一本信任账本，用在线贝叶斯规则更新，再加一个群体偏袒参数跑九万格模拟。折腾完发现，偏见强度和普及率的地图上出现四种集体状态，包括无歧视极化、有立场对齐的歧视和无立场对齐的歧视。作者还顺手讨论了一下，对单个智能体最优的学习规则，一群人一起用也可能产生坏的集体结果，只审查个体看不出群体状态。说人话就是：多智能体安全必须测量群体层面的序参量，光看单个智能体的行为远远不够。

第九篇，《诈骗小镇：反诈教育能像疫苗一样传播吗？》。老人听到的防骗提醒，多半来自子女邻居和刚被骗过的熟人，可反诈研究几乎都是一个人一个人地测。一句提醒能不能像疫苗一样在社区里传开，让整座小镇都少上当。方法上，让大模型扮演居民，搭 100 人的模拟小镇，跑 80 个实机城镇，对比开不开口碑传播。最后发现，口碑让被骗人数少约两成；官方广播覆盖九成人再加议论，模拟里能少一半。作者的解读是，提醒传不远，每条带不出下一条，但能让每次宣传的保护范围变大。划重点：反诈宣传要给人能复述的故事，瞄准骗子真正会打的人，再用真人试验验证。

第十篇，《OrderGPT：把生成顺序当作可学习的建模选择》。写文章从左到右、画画却可以先画轮廓，可生成模型用哪种顺序，过去一直由人硬性规定。能不能让模型自己学出一个最适合这类数据的生成顺序，而不是靠人拍脑袋定。咋整的呢？先让模型随便顺序地练，再看它预测每个变量时反复注意谁，据此画关系图并排成一条线。结果你猜怎么着，语言上它自己学回了近似从左到右，五个基准困惑度全面低于同预算基线，姿态与表格也更好。按作者自己的说法，顺序是真正的建模选择，学到的固定顺序正好卡在硬编码顺序与完全随机之间。一句话总结：把顺序当成可学习变量后，自回归与扩散不再是两条路线，而是同一根轴上的两个端点。

最后一篇，《文本到图像生成无需语言预训练：Halcyon 从零训练范式》。现在的 AI 画图软件，几乎都要先让语言模型把互联网上的文字读一遍，才能听懂你的描述。不打语言大模型这个底，只靠图片和配文配对，能不能练出一样强的画图模型。具体怎么折腾的：作者造了从 0.1B 到 4B 的模型家族，在一亿对图文上用同一种猜下一个词的办法从零训练。折腾完发现，画质误差分数四十八点零，比对手的六十三点三更低，预训练算力只用约十八分之一。作者还顺手讨论了一下，会预测文字不等于会预测图像编码，语言预训练对画图几乎没有帮助。说人话就是：强画图模型可以不靠语言预训练从零练成，成本大降，但门槛降低也带来滥用风险。

以上就是今天的组会汇报。哪篇戳中你了就点进去看全文，没戳中的，就当陪导师开了个会。