中文互联网的色情赌博信息，怎么“污染”AI

以下文章来源于APPSO ，作者发现明日产品的 号称"赛博白月光"的GPT-4o，在它的知识体系里，对日本女优"波多野结衣"的熟悉程度，竟然比中 文日常问候语"您好"还要高出2.6倍。 是不是瞬间就下头了？ 这可不是我瞎编的。一篇来自清华、蚂蚁和南洋理工的最新研究直接揭了老底：我们天天在用的大语 言模型，有一个算一个，都存在不同程度的数据污染。 论文：从模型Token列表推测大语言模型的中文训 练数据污染（https://arxiv.org/abs/2508.17771） 论文中把这些污染数据定义为"污染中文词元" （Polluted Chinese Tokens，简称PoC Tokens） 。它 们大多指向色情、网络赌博等灰色地带，像病毒一样寄生在AI的词汇库深处。 这些中文污染词元的存在，不仅对AI来说是一种隐患，更是直接影响到我们的日常体验，被迫接受 AI各种各样的胡言乱语。 APPSO . AI 第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative AI 本文来自微信公众号： APPSO （ID：appsolution） ，作者：发现明日产品的，原文标题：《 ...