歐盟人工智能法案：四種AI系統風險類型的劃分及監管措施
作者：趙志東 蔡佳雯來源：區塊鏈日報該法案采用風險分級的規制路徑，將人工智能系統的風險劃分成不可接受的風險、高風險、有限風險和輕微風險四種類型，并針對不同類型施加了不同
讓大模型破譯從未見過的甲骨文，準確率拿下新 SOTA！
來自復旦大學的研究人員提出了一種基于部首和象形分析的可解釋甲骨文破譯框架 —— 不僅在公開基準數據集 HUST-OBC 和 EV-OBC 上，達到最先進的 Top-10 識別準確率以及優異的零樣本破譯能力。
而且面對未破譯甲骨文，所提方法也能夠輸出可解釋性的分析文本，從而為考古破譯工作提供潛在幫助。
事實上，作為最古老的成熟文字系統，甲骨文長期以來因其稀有性、抽象性和象形多樣性，給考古破譯工作帶來了重大挑戰。
當前基于深度學習的方法在甲骨文破譯任務上取得了令人鼓舞的進展，但現有方法往往忽視了甲骨文字形與語義之間的復雜關聯。
這導致了有限的泛化能力和可解釋性，尤其是在處理零樣本場景和未破譯的甲骨文時。
為此，本文提出了一種基于大型視覺語言模型的可解釋甲骨文破譯方法，該方法通過聯合部首分析與象形語義理解，彌合了甲骨文字形與語意之間的鴻溝。
下面具體來看 ——
首個象形解析甲骨文破譯數據集概括而言，團隊提出了一種漸進式訓練策略，引導模型從部首識別和部首分析，過渡到象形分析，最后進行部首-象形交互分析，從而實現從字形到字意的推理。
論文還設計了基于分析結果的“部首-象形雙重匹配機制”，顯著提升了模型的零樣本破譯性能。
為便于模型訓練，論文提出了包含 47,157 個漢字的象形破譯甲骨文數據集，其中部分漢字具有相應甲骨文圖像和古代字體圖像，所有漢字都具備現代楷書圖像、部首分析和象形分析標注。
先說數據集。
盡管現有視覺語言大模型在多種任務上表現優異，但仍難以直接應用于甲骨文破譯任務。
為解決這一挑戰，論文提出了象形破譯甲骨文（PD-OBS）數據集，用于訓練具備甲骨文象形分析能力的視覺語言大模型，這對甲骨文破譯任務具有重要意義。
PD-OBS 數據集共包含 47,157 個漢字。其中，3173 個漢字與從公開的 HUST-OBC 和 EVOBC 數據集收集的甲骨文圖像相關聯；10,968 個漢字提供了來自字形庫的古代隸書圖像；所有漢字均配有來自《漢典》的現代楷書圖像。
除圖像數據外，每個漢字均通過文本形式標注了部首分析和象形分析，這兩者均與漢字的語義含義密切相關。
標注過程分為三個階段，如圖 1 所示。
首先，通過漢典從《說文解字》（一部古代漢語詞典）中檢索每個漢字的部首標簽、定義及解釋。
其次，將獲取的部首標簽及其解釋與每個漢字的現代、古代字體和甲骨文圖像關聯。接著，利用 GPT-4.1 基于參考的字形圖像豐富部首標簽，并總結分析內容。
最后，通過 GPT-4.1 進行自我檢查和人工修正來確保數據集的整體質量。
整體框架基于 Qwen2.5-VL-7B 構建，共享相同的視覺編碼器和大型語言模型（LLM）。
如圖 2 所示，研究人員引入了一個空間 patch 合并模塊作為視覺適配器，以及一個分類器來預測部首標簽，并且還提出了部首 LoRA 和象形 LoRA 模塊來分析相應的信息。
此外，研究人員設計了一種漸進式訓練方法，從部首識別開始，接著進行部首和象形分析，最終實現聯合分析，以逐步引導模型完成甲骨文破譯任務。
還提出了一個新穎的部首-象形雙重匹配機制，以從數據庫中選擇最合適的字符。
在本階段，研究人員的目標是將視覺編碼器適配于甲骨文的獨特視覺風格，并預測用于下游推理的關鍵信息 —— 部首標簽。
為此，團隊設計了一個空間 patch 合并模塊作為視覺適配器，該適配器將高維視覺特征壓縮并聚合為預設維度的特征向量，作為甲骨文的抽象表示。
此外，研究人員基于歐式距離設計了一個三元組損失函數，以明確提升不同部首特征向量之間的區分度。
具體而言，團隊實施了一種采樣策略，確保每個批次中每個部首類別至少包含兩個樣本。
在訓練過程中，對于批次中的每個樣本，將它的特征向量 Vn 指定為錨點，然后選擇一個正樣本（即具有相同根部標簽的樣本）和一個負樣本（即具有不同根部標簽的樣本）。
三元組損失如下：
關于分類器，研究人員使用交叉熵損失來優化它。因此，本階段的整個損失函數可以表示如下：
為了在甲骨文中實現字形與意義的關聯，研究人員設計了一個漸進式的字形分析過程，以促進破譯任務的完成。
在甲骨文和古代漢字中，部首通常決定了字的基本語義，如圖 3 中的 Q1&A1 所示。
因此，團隊利用 PD-OBS 數據集構建的大量部首分析問答對對模型進行部首分析能力的訓練。
接下來引導模型對整個字符進行象形分析，以分析字形蘊含的語意，如圖 3 中的 Q2&A2 所示。
最后，研究人員設計了一個聯合分析步驟，以解決僅憑象形分析可能無法直接預測正確對應現代漢字的情況。此步驟通過部首分析的結果指導象形分析，從而獲得更準確的漢字含義，如圖 3 中的 Q3&A3 所示。此階段通過交叉熵損失來優化模型。
以下為部首-象形聯合分析示意圖：
經過前兩個階段后，團隊為每個測試字符生成了四個中間結果：預測的部首標簽、部首分析、象形分析以及聯合分析結果。
研究人員提出了一種基于詞典的雙重匹配機制用于破譯。給定來自 PD-OBS 數據集的候選詞典 D，該機制的工作流程如下：
首先，根據預測的部首標過濾候選項，然后根據象形分析之間的語義相似性選擇前 k 個條目。
其次，將預測的部首分析與部首信息增強的象形分析結果進行拼接，并通過相似性進行排序。
最后，將這些候選集合并并重新排序，以獲得前 k 個現代漢字作為破譯結果。
所有步驟和符號在圖 4 中詳細說明。
值得注意的是，團隊采用匹配機制而非直接輸出破譯結果，這有助于緩解模型在零樣本設置下因訓練數據中缺乏此類甲骨文而導致的泛化能力不足問題，以及未破譯甲骨文帶來的影響。
以下為部首象形雙重匹配算法：
研究人員在 HUST-OBC 和 EV-OBC 數據集上對所提方法和現有方法進行了評估，從每個數據集中選取 200 個字符類別作為零樣本測試集。
剩余數據以 9:1 的比例隨機劃分為訓練集和驗證集，以評估新框架及現有方法的甲骨文識別能力。
與先前研究一致，團隊采用 Top-1 和 Top-10 準確率作為評估指標，該指標通常用于各類分類任務。
為了系統地評估新方法在甲骨文破譯中的有效性，團隊在兩個基準數據集 HUST-OBC 和 EV-OBC 進行了全面比較，分別在驗證集和零樣本設置下進行，如表 1 所示。
注意，每個單元格分別顯示 Top-1（左）和 Top-10（右）的準確率（%）。最佳結果和次佳結果分別以粗體和下劃線標注。
團隊采用 InceptionV3、ViT 和 PyGT 作為基于分類模型的代表方法，以及 OBSD 和 BBDM 作為基于擴散模型的代表方法。由于缺乏開源實現和數據集設置的不一致，現有基于組成式的方法目前未被納入比較方法。
作為替代，研究人員納入了強大的商用 LVLM，GPT-4.1 和 Qwen-VL-Max 用于比較。
相比之下，商用 LVLM 在兩種設置下表現不佳，Top-1 準確率始終低于 6%，這說明了其理解古代文字視覺結構的能力受限。
在驗證集上，盡管新方法的 Top-1 準確率略低于最佳分類模型基線（如 PyGT），但它實現了最高的 Top-10 準確率，展示了生成高質量候選項的優越能力，并提供了更大的實際用途。
在更具挑戰性的零樣本場景中，新方法表現出顯著的優異性能：
在 Top-1 準確率方面仍具競爭力，并在 Top-10 準確率方面顯著超越所有方法，在 HUST-OBC 數據集上比第二好的方法高出 26.2%，在 EV-OBC 數據集上則高出 13.6%。
這些結果證實了新方法在未見過的甲骨文上的強泛化能力和可遷移性，突顯了其在考古研究中輔助識別未破譯甲骨文方面的潛在價值。
2、破譯的可解釋性評估為了定量評估新方法生成的部首分析和象形分析的準確率，研究人員采用 BERT-Score 來衡量 Top-1 輸出與字典 D 中真實分析標注之間的相似性。
團隊還評估了其他大型視覺語言模型，包括 GPT-4.1、Qwen-VL-Max 和 Qwen2.5-VL-7B，并比較了它們在 HUST-OBC 和 EVOBC 數據集的驗證集和零樣本測試集的平均 BERT-Score。
如表 2 所示，新方法在驗證集和零樣本設置下，分別平均比最先進的 LVLM 模型 GPT-4.1 高出 21.60% 和 12.95%，在兩個數據集上。
這一結果表明，新框架生成的分析結果更加可靠。
下表為，不同方法在驗證集上獲得的 Bert-Score（%）。Valid.和 S 分別表示驗證集和零樣本測試集。
為了評估設計的部首識別階段的有效性，研究人員以 Qwen2.5-VL-7B 的原始視覺編碼器作為基線，并分別集成部首識別模塊以及基于 LoRA 的識別方法。
其識別準確率在 HUST-OBS 數據集上進行了驗證，并包含驗證集和零樣本設置。
新方法在基線視覺編碼器上引入了空間補丁合并和損失函數 Ltrip，分別在驗證集和零樣本設置下實現了 0.9% 和 1.2% 的準確率提升。
基于 LoRA 的識別方法將識別階段與部首分析過程合并，并采用基于 LoRA 的微調進行訓練。
實驗結果表明，該方法導致部首識別準確率顯著下降，從而在部首分析中引入大量錯誤，因此研究人員在框架中將部首識別保留為獨立階段。
下表為，關于部首識別的消融實驗結果：
為了驗證團隊提出的模塊和策略的有效性，他們以 Qwen2.5-VL-7B 作為基線，并逐步添加每個組件以形成最終模型。
在驗證集和零樣本設置下的 Top-1 和 Top-10 性能如表 4 所示。
結果表明，LoRA 微調（+LoRA）在驗證集上實現了基本的破譯能力，但在零樣本場景下仍缺乏泛化能力。
引入部首-象形互分析與部首識別后，模型在驗證集上的準確率持續提升，但零樣本能力的提升仍非常有限。
主要原因在于通過 LoRA 基于監督式微調訓練的模型缺乏足夠的泛化能力，常無法生成罕見字符 —— 這是零樣本場景中的常見挑戰。
為解決此問題，團隊引入了部首-象形雙匹配機制，以替代直接預測。
該策略不僅顯著提升了模型的零樣本性能，還增強了甲骨文中與語義無關的部首的魯棒性，確保了解碼結果的可靠性和可驗證性。
4、定性實驗圖 5 展示了新方法以及 OBSD 方法在三種設置下的定性結果：驗證集、零樣本和未破譯的甲骨文。
如圖所示，團隊的模型在驗證集上展現出強大的識別能力，并在零樣本設置下對未見過的甲骨文也具有良好的泛化能力。
更值得注意的是，對于人類專家尚未破譯的字符，模型能夠生成語義上合理的預測，并附帶可解釋的分析。
其設計的部首-象形相互分析在其中發揮了關鍵作用：部首分析追溯部首的結構起源，并解釋其在當前字符形式中的象征功能。
同時，象形形式分析基于字符的整體形狀和隱含意義，提供了一個整體的視覺-語義映射。
這些互補的分析共同形成了一條雙重推理路徑，提升了模型生成語義基礎且可解釋輸出的能力，即使對于尚未破譯的字符也是如此。
下表為，破譯結果和可解釋性過程展示：
小結一下，在本研究中，團隊提出了一種基于部首和象形分析的可解釋甲骨文破譯框架。
該框架通過三個階段將字形與意義相連：部首識別與分析、象形分析以及相互分析。
借助提出的部首-象形雙重匹配機制，其模型可根據分析結果從字典中篩選出合適的破譯候選集，取代直接輸出破譯結果，從而實現更優的零樣本性能。
此外，生成的文本分析可作為可解釋內容，為未破譯的甲骨文字符提供參考，因此在考古應用中具有巨大潛力。
為支持訓練，他們構建了 PD-OBS 數據集，包含 47,157 個注釋有甲骨文圖像和象形文字分析文本的漢字，為未來研究提供了寶貴資源。
實驗結果表明，其方法在破譯準確性、泛化能力和可解釋性方面均表現出強勁性能。
論文地址：https://arxiv.org/abs/2508.10113
項目地址：https://github.com/PKXX1943/PD-OBS
本文來自微信公眾號：量子位（ID：QbitAI），作者：復旦大學團隊，原標題《大模型破譯甲骨文創下新 SOTA！復旦團隊推出新框架》
本文鏈接：http://www.yifxia.cn/showinfo-45-27449-0.html大模型破譯甲骨文創下新 SOTA，復旦團隊推出新框架
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號