McAfee推出Mockingbird项目来阻止AI语音克隆诈骗 | YouTube | 文章

McAfee推出了Project Mockingbird，以检测使用生成式AI制作的深度伪造音频和视频。这些伪造内容正在被网络犯罪分子用来进行诈骗和操纵公众舆论。

该技术可以检测出音频是否真的是某人的声音，或者是AI生成的。它可以帮助消费者识别视频和信息的真伪，避免上当受骗。

McAfee表示这项技术应用广泛，可以帮助消费者应对AI生成的诈骗和虚假信息的增加。它可以赋予消费者区分数字世界中真假内容的能力。McAfee进行的一项调查显示，68%的美国人比去年更担心深度伪造，33%的人表示遇到过或知道深度伪造诈骗。

大众最担心深度伪造会被用来影响选举、网络欺凌、破坏公众对媒体的信任等。McAfee希望通过这项技术来增强在线隐私、身份和福祉。McAfee在CES 2024上首次公开展示了Project Mockingbird。该技术被比作知更鸟的鸣叫来欺骗的行为，同样地网络犯罪分子也利用AI来欺骗消费者谋取利益。

McAfee的这项技术旨在帮助消费者识破AI生成的语音和视频欺骗，提高数字世界的安全性。它具有广泛的应用前景。

14:04

Media is too big

VIEW IN TELEGRAM

大型语言模型基础知识可视化学习指南 | link | 翻译版 | #指南 #可视化

本文收集了一系列工具和文章，通过直观的可视化方式解释大型语言模型(LLM)的基础概念。

Jay Alammar的《图解Transformer》以生动的可视化说明了Transformer架构的工作原理。由于Transformer是所有语言模型的基石，理解它的基础尤为重要。《图解GPT-2》直观地展示了GPT-2的内部结构，如注意力机制等，有助于理解LLM的组成部分。
Brendan Bycroft的LLM可视化工具允许直观地探索不同LLM内部状态的变化。
Financial Times的文章解释了Transformer的重要性，以及它如何促成了生成式AI的发展。
OpenAI的Tokenizer工具演示了Tokenizer在文本处理中的作用。
Simon Wilson的文章深入解释了GPT Tokenizer的工作原理。
Greg Kamradt的Chunkviz工具展示了文本是如何被LLM处理成“块”的。
PAIR的“机器学习模型记忆还是泛化?”交互式介绍了两种学习方式及其对LLM的影响。

这些资源从多个维度直观地说明了LLM的核心概念和机制，有助于科技从业者和爱好者更好地理解LLM技术的本质。

mamba.c：纯C语言推断Mamba模型，在CPU上的速度比pytorch更快

电子书库管理工具，与Calibre向后兼容，其目标包括与Calibre兼容、提供良好的用户体验和高性能等。

Citadel | #工具

Samantha：自主对话Agent，具备自由思考和连续说话的能力，创造出极高的逼真感和动态性，具有以下特点：

1.动态语音，可以根据上下文自主发言，不仅限于回答问题
2.实时视觉能力，只有在相关时才直接提到和处理视觉信息，但视觉始终影响其思维和行为
3.外部分类记忆，可以动态地读写记忆，选择最相关的信息
4.每时每刻都在发展，存储在记忆中的经验可以影响和塑造Samantha的行为，包括个性、说话频率和风格等。

MingCute Icon：带动效的图标库 | #图标

共 111 个图标，图标本身带动效，支持网页、安卓、iOS，可在 After Effects、Lottie 二次编辑。