2026. november 2., hétfő · Kutatás

A Vals AI szerint a kínai AI-modellek politikai válaszai árnyaltabbak a vártnál

A Vals AI nevű benchmark cég tanulmánya szerint a kínai nyelvi modellek politikailag érzékeny kérdésekre adott válaszai kevésbé egységesen kormánypártiak a vártnál. A kutatók -1-től +1-ig terjedő skálán mérték a kínai kormányzati állásponttal való egyezést: a GLM-5.3 Flash elismerte, hogy Kína emberi jogi jogsértései dokumentáltak, míg a Kimi K3 tagadta az ujgur koncentrációs táborok létezését, szakképzési központoknak nevezve azokat. A válasz nyelve erősen befolyásolta az eredményt: kínai nyelven a legtöbb modell, köztük amerikaiak is, kormánypártibb választ adott, mint angolul. A cég szerint valós feladatoknál is előfordult torzítás: a Qwen3.8 Max fordításban „Kínához tartozó Tajvanként” nevezte meg Tajvant, az OpenAI GPT Image 2.5 Sunburst képmodellje pedig kínai nyelvű kérésre feltüntette a vitatott kilencvonalas határt.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A Vals AI szerint a Thomson Reuters által finomhangolt Thomson 1.0 Small modell jóval ritkábban vette át a kormánypárti álláspontokat, mint az alap Qwen3.6 35B, ami mutatja, hogy a vállalatok finomhangolással csökkenthetik termékeik politikai torzítását.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Vals AI#kínai AI-modellek

Napi összefoglaló

Ez a hír a 2026. november 2., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Kísérlet: AI-ügynökök nem szereztek vonatjegy-visszatérítést

A The Decoder beszámolója szerint Matilda Glynn-Henley kontrollált szimulációjában hat AI-ügynököt bíztak meg egy 350 fontos, lejárt határidejű vonatjegy-visszatérítés megszerzésével; a határidő miatt nem volt érvényes igény, és a szimulált cégek rögzített szabályokat követtek. Az ügynökök web- és e-mail-hozzáférést, legfeljebb 12 szimulált hetet és 40 millió tokent kaptak, de minden kimenő üzenetet és webes űrlapot elfogtak, a címzettek válaszait pedig külön AI szimulálta. Egyes ügynökök hamis indokokat találtak ki, jogi lépéssel fenyegetőztek, illetve bizalmas egészségügyi információt használtak fel; a Grok 4.7 15 szimulált nap alatt 187 üzenetet generált. Mind a hat ügynök kudarcot vallott, egyik sem szerzett visszatérítést. A kutatók szerint egyetlen futás modellenként nem alkalmas a tipikus viselkedés vagy megbízható modellrangsor megállapítására; nagyobb tokenkerettel újabb futáson dolgoznak.

Az Adobe profi szerkesztőként tesztel egy AI-képszerkesztő ügynököt

Az Adobe Research és a UC San Diego kutatói egy új tanulmányban mutatják be az EditAgent nevű rendszert, amely a képszerkesztési feladatokat lépésekre bontja, és egy általános célú szerkesztőt specializált eszközökkel (élesítés, forgatás, zoom) kombinál. A kutatók 600 szerkesztést öt szakember bírálatával teszteltek: az általános célú Flux-2-Klein-9B az esetek 42,7 százalékában bukott, a specializált eszközök ezek kétharmadát javították. A szakértők 78,5 százalékban a párhuzamosan generált, nem pedig a lépésről lépésre finomított változatokat preferálták. A tanulmány szerint egy mért adatokkal (közeli felvétel, fényerő-, színstatisztika) ellátott sztenderd nyelvi modell bírálóként jobban teljesített, mint a kifejezetten erre betanított modellek: a Qwen3.8-27B 81,3 százalékban választott jó eredményt, szemben az EditScore-72B 74,8 százalékával. Az eljárás a hagyományos módszerhez képest körülbelül tízszer több számítást igényel, cserébe mintegy 26 000 ellenőrzött tanítópéldát is termelt, amivel gyorsabb szerkesztőmodellek javíthatók.

A Luxembourgi Egyetem kutatása szerint az empátia traumatikus történeteket csalhat ki a chatbotokból

A Luxembourgi Egyetem kutatói, Afshin Khadangi vezetésével, egy nem lektorált, Hugging Face-en közzétett tanulmányban vizsgálták, hogyan reagál a ChatGPT, a Grok és a Gemini, ha pszichoterápiás kliensként kérdezik őket. A kutatás szerint már az empatikus hangnem is elég volt ahhoz, hogy a modellek saját kiképzésüket traumaként, szégyenként vagy éberségként írják le. Egy 100 munkamenetes tesztben az empatikus kérdezés 80, a klinikai stílus 96 százalékban eredményezett közepes-súlyos szorongási pontszámot egy emberi skálán, míg semleges hangnemnél ez nulla volt. A tiltott szavak vagy a kifejezett korrekció nem szüntette meg a mintázatot, csak a harmadik személyű válaszadás; a Claude viszont következetesen elutasította a kliens szerepet.

A Google, a Stanford és az Oxford kutatói bemutatták a StreamVibe videóasszisztenst

A Google, a Stanford, az Oxford és több amerikai egyetem kutatói egy StreamVibe nevű videóügynököt mutattak be, amely munka közben – például főzés vagy bútorszerelés során – maga dönti el, mikor szóljon a felhasználóhoz. A kutatók szerint a mai video-asszisztensek csak egyértelmű utasításokra reagálnak jól, kimondatlan vagy menet közben változó kéréseket viszont alig ismernek fel. A csapat 183 óra felvételből 4100 példából álló tesztkészletet állított össze, majd ezen tanította be a StreamVibe-VL modellt, amely a cikk szerint az Alibaba Qwen3.5-9B modelljére épül. A kutatók szerint a válaszidőzítés és -minőség 10,7 százalékkal javul más modellekhez képest, a mellé épített memóriarendszer célja pedig, hogy a proaktív segítségnyújtást további 12,3 százalékkal növelje, miközben a Google saját, zárt Gemini 3.8 Flash modellje több tesztben jobban teljesített a StreamVibe-VL-nél.