【长推】Mira Network 能否解决 AI 大模型的「幻觉」问题?
Chainfeeds 导读:
Mira Network 是一个专门构建 AI LLMs 验证的中间件网络,在用户和基础 AI 模型之间构建了一个可靠的验证层。
文章来源:
https://x.com/tmel0211/status/1904877422065181113
文章作者:
Haotian
观点:
Haotian:首先,AI 大模型工具存在「幻觉」的情况,大家都能有所感知,原因主要有两点:首先是 AI LLMs 训练数据不够完整,尽管已有数据规模很庞大,但仍无法覆盖一些小众或专业领域的信息,这时候 AI 倾向于做「创造性补全」继而导致一些实时性错误;其次,AI LLMs 工作本质上都依赖「概率采样」,它是识别训练数据中的统计模式和相关性,而并非真正「理解」,因此概率采样的随机性、训练和推理结果的不一致性等都会导致 AI 在处理高精度事实性问题存在偏差。 如何解决此问题呢?康奈尔大学 ArXiv 平台上发布了一篇通过多个模型共同验证提高 LLMs 结果可靠性的方法。简单理解,就是先让主模型生成结果,再集成多个验证模型对该问题进行「多数表决分析」,从而可降低模型产生的「幻觉」。在一系列的测试中发现,此方法可以把 AI 输出的准确率提高至 95.6%。既然如此,那肯定需要一个分布式的验证平台来管理并验证主模型和验证模型的协作交互过程,Mira Network 就是这么一个专门构建 AI LLMs 验证的中间件网络,在用户和基础 AI 模型之间构建了一个可靠的验证层。 Mira Network 分享了几个在金融、教育、区块链生态的案例可以佐证:1)Gigabrain 一个交易平台集成了 Mira 后,系统可以加一环验证市场分析和预测的准确性,过滤掉不靠谱的建议,可提高 AI 交易信号的准确性,让 AI LLMs 作用在 DeFai 场景更可靠一些;2)Learnrite 则利用 mira 验证 AI 生成的标准化考试题目,让教育机构能够大规模利用 AI 生成内容,同时不影响教育测试的内容准确性,以维持严格的教育标准;3)区块链 Kernel 项目利用了 Mira 的 LLM 共识机制将其整合到了 BNB 生态系统当中,创建了去中心化验证网络 DVN,使得区块链上执行 AI 计算的准确性和安全性得到一定程度的保障。
内容来源免责声明:文章中的所有内容仅代表作者的观点,与本平台无关。用户不应以本文作为投资决策的参考。
你也可能喜欢
Bitget每日早报(4.7)|特朗普称有时市场必须“吃药”,马斯克公开抨击政府首席贸易顾问纳瓦罗

Bitget推出年化利率4%的 S 链上赚币产品
全球6.6万亿蒸发后:以史为鉴的投资生存指南
2025年4月,特朗普推行10%全面关税引发全球经济动荡,导致美股市值蒸发5.4万亿美元,黄金避险失效,社会抗议与商界压力骤增。政策短期内推动弱美元与降息预期,但长期风险显现,贸易战与供应链断裂或损害经济竞争力。投资者需权衡短期机会与长期风险。 摘要由 Mars AI 生成 本摘要由 Mars AI 模型生成,其生成内容的准确性、完整性还处于迭代更新阶段。

加密货币价格
更多








