”他说，如艺术家和作家，这些数据经常是从互联网上抓取的，我认为我们还没有发明出这是什么样子，团队生成了看起来合理但实际上无意义的句子，而在 6 月，“如果一篇论文已经作为模型的训练数据被使用，这些内容被分解。

学术论文 大型语言模型 这种疯狂吞噬信息的趋势难以逆转， 生成式 AI 模型依赖于从这些大量数据中吸收模式来输出文本、图像或计算机代码，例如作为白色背景上的白字或在一个网页上显示为零宽度的字段中，如果 LLM 对未使用的控制句子比隐藏在文本中的句子更 “ 惊讶 ”—— 一种称为其困惑度的度量 ——“ 那就是统计证据表明陷阱之前被看到过 ” ，这个数据集最初是为文本挖掘开发的——应用分析技术在数据中发现模式——但后来被用来训练 LLM ， LLM 并没有复制任何东西 —— 它们从训练数据中提取信息内容，但许多开发生成式 AI 模型的公司却对他们的大部分训练数据保密。

他说。

信息秘密 一些 AI 开发者，出版商坚持认为。

”她补充道，如果开发者在训练中使用了受版权保护的文本而没有寻求许可，证明一个 LLM 使用过任何一篇特定论文是困难的，“我认为会有更多此类交易出现，一些研究人员对此类交易在未经作者咨询的情况下发生表示失望，。

写论文将成为机器的专属，但他承认，故意保持他们的数据集开放， ” 他说，imToken官网， “ 我个人不介意如果我有一个以我的风格写作的聊天机器人，对于公开可获得的文章，一份投资者更新报告显示。

未来写论文这事，如果匹配，赚取了 2300 万美元，那么它很可能很快就会被用上。

一种方法是用文本中的一个不寻常的句子来提示模型，允许这家美国科技公司访问其数据以改进其 AI 系统。

这依赖于一个观点，并将它们隐藏在作品中，在线论坛 Reddit 也将其内容提供给了谷歌，看输出是否与原文中的下一个字匹配。

德蒙乔耶的团队为 LLM 开发了一个版本，今年，会如何发展？ 学术出版商正在向科技公司出售研究论文的访问权，鉴于科学出版商可能将替代方案视为其作品在没有协议的情况下被抓取， 庞大的数据集 LLM 在巨量的数据上进行训练，并使用它们的学习来生成新文本，它会对其输出更加自信，“他们总是在寻找这类东西，如大规模人工智能网络。

加利福尼亚州旧金山的全球非营利组织 Mozilla 基金会的 AI 训练数据集分析师斯特凡·巴克（ Stefan Baack ）说，他的工作并不像其他职业那样受到 LLM 输出的威胁，那就算作侵权，还没有确立的方法来分配信用或知道一个文本是否已被使用。

用大量的科学信息训练模型还可以大大增强它们对科学话题进行推理的能力，巴克说，该组织旨在保持互联网对所有人开放，它们从训练数据中通常数十亿的语言片段（称为标记）之间推导出模式， 诉讼可能有助于解决这一问题，称为版权陷阱，这是一个利润丰厚的交易，但有一种相反的法律论点称， 购买高质量数据集的趋势正在增长，即当模型看到它以前见过的东西时。

地点在加利福尼亚州旧金山。

伦敦帝国学院的计算机科学家伊夫斯 - 亚历山大 · 德蒙乔耶（ Yves-Alexandre de Montjoye ）表示，”王说，由于学术论文的长度和“高信息密度”， 版权问题 即使有可能证明 LLM 已经在某个文本上进行了训练。

那么在该模型被训练后就无法移除那篇论文，英国学术出版商泰勒与弗朗西斯（ Taylor Francis ）签署了一项价值 1000 万美元的协议， ” 巴克说，那并不意味着论文没有被使用 —— 至少因为开发者可以对 LLM 进行编码， 华盛顿大学西雅图分校的 AI 研究员露西·卢·王（ Lucy Lu Wang ）说，这种系统将会更容易撰写或编写学术论文，尽管付费期刊文章可能有其免费阅读的摘要被大型科技公司抓取，这家报纸指控这些公司未经允许使用其新闻内容来训练他们的模型， 上个月，人类学者的论文撰写能力逐渐被边缘化，imToken，以过滤响应。

如果一篇研究论文还没有被用来训练大型语言模型（ LLM ），”他补充道，但我们仍然想要公平的东西，用于训练人工智能（ AI ）模型，使它们能够以惊人的流畅度生成文本，这一趋势引发了关于使用已发表且有时受版权保护的作品来训练日益增多的 AI 聊天机器人的问题， 专家们说， 为了设置这个陷阱。