跳到正文
热点事件持续更新

语言模型预测深度揭示人类阅读时长

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

研究团队发现,语言模型在 GPT-2、OPT 和 Pythia 架构上的逐层预测轨迹深度(resolution depth)比最终层指标更能预测人类阅读时长。该结论基于包含 81,957 个词的眼动追踪数据得出。 在预测精度方面,深度指标相较于最终层 surprise,每词提升了 0.26 millinats 的预测性能,统计显著性 p 值为 0.001。这表明模型处理信息的深层阶段与人类认知投入存在关联。 研究还指出,模型在较深层才解析的词汇及其后续词汇会被人类阅读得更慢。值得注意的是,该效应未在未经训练的网络中观察到,验证了训练过程对预测准确性的必要性。

AI 根据报道生成 · 15 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · ML
    语言模型预测深度决定人类阅读时间

    语言模型在 GPT-2、OPT 和 Pythia 上的逐层预测轨迹深度(resolution depth)能更好地预测人类阅读时长。 在 81,957 个词的眼动数据上,相比最终层 surprise,深度指标每词提升 0.26 millinats 预测精度(p = 0.001)。 模型在较深层才解析的词及其后词被阅读得更慢,且该效应在未经训练的网络中不成立。

本事件热度走势

可比范围当前
6
可比范围峰值
911月20日 15:00
近 24 小时变化
–

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。