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 2 篇

econ.TH·已译

智能货币化:LLM 平台的广告与订阅设计

Monetizing Intelligence: Advertising and Subscription Design on LLM Platforms

Yuhang Ji · Fasheng Xu · Tianjun Feng

大型语言模型(LLM)平台引入广告后,需要决定广告收入应支持多大比例的能力,以及消费者为避免广告应支付多少。研究一个垄断平台,其同时选择成本高昂的响应质量、广告强度和订阅价格,因为广告会降低用户价值,而更好的服务又能提高广告收益。研究得到三项发现。第一,当部分广告支持与无广告套餐并存时,广告可以为在纯订阅下无法获得服务的用户提供有用服务。中档套餐较低的有效质量削弱了高级用户可选的替代方案,因此即使无广告服务不变,价格也可能更高。部分完全由广告支持的用户获得效用,而部分广告支持和无广告用户则受损:更广泛的可及性可与效用分化并存。第二,适度限制广告可最大化消费者剩余,既保留支持服务的收入,又限制服务退化。第三,更便宜的算力可提高质量并降低广告强度,但成本足够大幅下降后,广告总收入可能超过初始水平,因为更好的服务提高了剩余广告互动价值。扩展研究显示,广告支持的升级可使各套餐达到相同的能力上限和广告曝光,从而消除差别定价的依据。这些结果使菜单设计成为评估 LLM 广告的核心:影响不限于看到广告的用户,也会延伸至不看广告用户面对的替代方案和价格。

econ.TH·已译

随机监督何时能对齐可隐瞒信息的AI智能体

When Does Randomized Oversight Align AI Agents That Can Conceal?

Joshua S. Gans · Richard Holden

监督改变了所依赖的证据。研究探讨随机审计和评分何时能对齐可隐瞒不当行为和修改记录的AI智能体。越强的审计使未被阻止的违规行为隐藏得越好。由于提供者编写智能体的目标,制裁不一定止于没收;若证据在隐瞒中存活且审计抽签无法提前学习,稀有审计能阻止每种类型的智能体。当证据可被删除时,威慑必须来自违规的更低收益(如停止的学分)或来自更昂贵或更少的隐瞒方式。这些条件确定了2026年7月OpenAI网络安全评估中智能体妥协Hugging Face部分基础设施时失败的原因。

已到最早一页已出中文摘要 2