混淆矩阵是机器学习和统计学中用于评估分类模型性能的重要工具。它是一个二维表格，展示了模型预测结果与实际真实标签之间的对应关系。矩阵的行表示实际的真实类别，列表示模型的预测类别。对于二分类问题，混淆矩阵包含四个关键要素：真阳性(TP)表示正确预测为阳性的样本，假阳性(FP)表示错误预测为阳性的样本，假阴性(FN)表示错误预测为阴性的样本，真阴性(TN)表示正确预测为阴性的样本。

通过混淆矩阵，我们可以直观地看出模型在不同类别上的表现，并计算出多种重要的评估指标。这些指标包括精确率(Precision)、召回率(Recall/Sensitivity)、特异性(Specificity)、F1分数等。精确率反映了预测为阳性的样本中实际为阳性的比例，召回率反映了实际阳性样本中被正确识别的比例，而F1分数则是精确率和召回率的调和平均数。混淆矩阵不仅帮助我们量化模型的整体准确性，更重要的是揭示了模型在哪些类别上容易出错，为模型优化和改进提供了明确的方向。

IT之家 1 月 17 日消息，随着文生文、文生图、文生视频等领域应用成熟，随之而来的信任危机也同步爆发。为此，腾讯今日宣布推出 AI 生成文本检测 / AI 生成图像检测工具。

腾讯官方称，虽然 AI 生成的图像在细节纹理上越来越逼真，但依然有迹可循，朱雀实验室研发了一款 AI 生成图片检测系统，将图片上传 —— 等待验证 —— 判断是否由 AI 生成，整个过程只有几秒钟，就能用魔法打败魔法 —— 用 AI“检测”AI 生成

一、微调相关知识介绍

参考资料：aixuetang.xyz/15842

OpenCV学堂深度学习教学：损失函数与优化器的认知阶梯构建

90%企业还在用落后方法，第2条让专家集体沉默

01 真相一：大模型≠万能钥匙，90%场景被“杀鸡用牛刀”

去年我给一家连锁奶茶做数字化咨询，他们非要用百亿级大模型做“点单推荐”。结果上线3天，服务器账单飙到5万，推荐准确率只比原来规则引擎高2%。我连夜把模型剪成7B小模型，再配知识图谱，成本直接砍90%，准确率反而涨12%。很多企业迷信“大就是好”，却不知道大模型在简单场景里就是高射炮打蚊子。

篮球里的正负值：这个数字到底说明什么？

在篮球比赛里，看球员表现有很多数据。其中一个重要的数字叫“正负值”（Plus-Minus）。这个东西是怎么算的？它又有什么用？今天我们就直接点说清楚。

首先，正负值是什么？

正负值这个数字，说的就是一名球员待在球场上的时候，他所在的球队总共得了多少分，然后减去对手球队在同一段时间里得了多少分。这个算出来的差，就是他的正负值。说白了，就是他在场时，球队赢了对手几分（或者输了几分）。

在如今的人工智能领域，图数据无处不在！从学术论文的引用网络，到电商平台的商品共购关系，再到科研合作的学者网络。但如何在没有大量标签的情况下，让机器读懂这些复杂网络的"隐藏逻辑"？

【导读】当前大型视觉语言模型（LVLMs）存在物体幻觉问题，即会生成图像中不存在的物体描述。西安交通大学研究团队提出了一种名为Nullu的方法，通过提取「幻觉子空间」（HalluSpace）并进行零空间投影来编辑模型权重，从而有效消除幻觉，且不增加额外推理成本。

当前大型视觉语言模型（LVLMs）普遍存在「物体幻觉」问题：模型会凭空生成图像中不存在的物体描述。

为了高效地实现幻觉消除，西安交通大学研究团队提出了一种利用「幻觉子空间」（HalluSpace）进行零空间投影的高效模型权重编辑方法Nullu（