跳到正文

论文解读

arXiv 论文中文摘要 + 关键要点 · 最近 90 天· 已显示 5 篇

econ.GN·已译

AI 时代自由职业工作的重新捆绑

The Rebundling of Freelance Work in the AI Age

Caroline Chin · Shagun Kala · Nadav Kunievsky · 3+

考察 AI 时代自由职业工作的变化。比较人们在 ChatGPT 中从事的活动与客户在自由职业平台 Upwork 上请求的工作,并分析客户如何将任务组合成项目。发现在 ChatGPT 中更普遍的活动往往在 Upwork 上失去市场份额,而较少普遍的活动则获得份额。在 AI 相关工作中,需求正变得更加多样,职位发布将生成式 AI 时代之前很少一起请求的任务组合在一起。AI 相关职位发布的项目预算显著更大,涉及的工作时间更多,而小时费率的差异很小。这些发现表明,AI 不仅重塑了客户外包哪些任务,还重塑了他们如何将任务组合成更大、更高价值的项目。

econ.GN·已译

前沿 AI 能否强化网络防御?来自 Project Glasswing 的证据

Does Frontier AI Strengthen Cyber Defense? Evidence from Project Glasswing

Thomas Mosk

防御者与攻击者竞相寻找相同的软件漏洞。借助 Project Glasswing 的发布——该计划让少数美国大型科技公司提前获得用于发现软件漏洞的模型 Claude Mythos Preview——研究前沿 AI 访问权如何影响防御者、外部研究者与攻击者。基于全部公开披露的漏洞数据,有访问权的公司披露量相比无访问权的中国和俄罗斯科技公司增加逾一倍,高影响漏洞披露量多约 150%,修复已报告缺陷的速度与之前相同。由于受处理公司自身发现更多漏洞,通过漏洞赏金出售发现的外部研究者在这类公司代码中报告的漏洞减少约一半,而在其他公司代码中报告更多,且未退出市场。没有证据表明攻击者利用了新增漏洞:披露后一个月内被利用的比例下降约三分之二,主要因为披露时已被利用的比例更小,而被利用的数量未变。前沿 AI 帮助防御者在攻击者利用前发现并修复更多漏洞,但其受限发布在不同国家公司之间造成软件安全的不对称。

econ.GN·已译

决策模型作为可扩展的经济替代模型,捕捉人类行为差异

Decision Models as Scalable Economic Surrogates that Capture Human Variation

Maxime Saxena · Fabio Caccioli · R. Maria del Rio-Chanona

决策模型(Decision Models, DMs)是一类新型 AI 模型,能快速响应并返回固定选项集上的概率分布。这些特性使其成为经济模拟和调查中人类替代模型的候选,而这一角色正越来越多地由大语言模型(LLM)承担,但 LLM 在大规模应用时成本高昂且低估了人类行为的差异。首次评估 DMs 作为经济学中人类替代模型的表现,在三种经济场景下比较 10 个 DMs 与 8 个 LLMs:消费支出调查、若干经典经济博弈和劳动力市场田野实验。在通用决策基准上得分最高的前沿 DMs 在三种场景中均比 LLMs 更贴近地复现人类响应的差异。在支出调查中,它们捕捉人类众数响应的能力与 LLMs 相当,但在经济博弈中较弱。前沿 DMs 的速度约为最快 LLM 的十倍,成本可低至百分之一以下。这些结果表明,DMs 比 LLMs 更好地捕捉人类行为的异质性,并使大规模经济模拟更可行。

econ.GN·已译

职业独特性与工资增长

Occupational Uniqueness and Wage Growth

R. Vestrelli · A. Fronzetti Colladon

职业任务内容的变化具有不同的经济含义,取决于增减的任务是职业特有的还是已在经济中广泛分布。现有度量通常将职业视为自包含的任务束,忽略了任务在职业间的分布。本研究开发了一个测量“任务结构”的框架,区分任务数量变化与职业独特性(即任务束相对于其他职业的独特性)。利用1977-2018年《职业词典》和O*NET中196563条任务陈述的协调数据集,测量了任务扩散、职业独特性及任务增减的不同维度。研究发现,职业独特性降低与工资增长放缓相关;任务增减的工资关联取决于其在其他职业中的普及程度。增加高扩散任务或移除职业特有任务均与较低工资增长相关。但在整体经济层面,新任务增加与工资增长正相关,任务移除则负相关。这表明相似的任务数量变化可能反映不同的经济过程,纳入跨职业任务分布能更丰富地解释职业变化及其与工资结构的关系。

econ.GN·已译

预训练图像编码器的表征风险

Representation Risk in Pretrained Image Encoders

Ardyn Nordstrom · Morgan Nordstrom · Vamuyan Sesay · 1+

应用研究者越来越多地将图像转换为预训练编码器生成的特征,并在下游预测模型中使用这些特征。编码器通常被视为实现细节。但研究表明,编码器实际上可能是模型不确定性的重要来源。这种不确定性被称为表征风险:不同的预训练编码器将同一图像映射到不同的特征空间,可能导致基于预测性能的样本外结论截然不同。研究比较了10种现代和传统冻结编码器,应用于房价、赛马表现、乳腺癌组织学、胸部X光片、连续面部年龄和水稻疾病等场景。在常用维度控制、预测头和安全分组分割下,验证选中SigLIP 2用于房价预测,将测试R²从ResNet50的0.396提升至0.629;选中DINOv2用于赛马,将R²从0.029提升至0.105。没有编码器在所有任务中表现最优。候选程序使用训练数据构建,在独立验证分区上比较。选中程序在房价上达到0.658,肺炎分类准确率达0.978。固定分割的收益在赛马和水稻上较小,而重复分割揭示了赛马特征联合的不稳定性。连续年龄任务选中SigLIP 2,MAE为4.786年。主要表征差距在使用神经预测头、大小相似的DINOv2和ViT模型以及有限适配时仍然存在。这些结果支持一个简单工作流:对可能的表征进行基准测试,在锁定验证数据上选择,仅在有独立验证证据时才合并,并报告配对和分割级不确定性。研究在LOOKAGAIN-ML软件包中实现了这一工作流,用于开展本文分析。

已到最早一页已出中文摘要 5