對未成年人犯罪，如何做到「寬容不縱容」？
2025-12-10 13:44 8,357次浏览北京8月8日電 (記者 孫自法)中國科學院古脊椎動物與古人類研究所鄧濤研究員團隊最新在寧夏靈武一處漸新世(距今約3400萬年-2300萬年)地層中發現一件巨犀下頜化石，研究鑑定為巨犀新屬種，將其作為模式標本並命名邱氏吐魯番巨犀。 本次研究發現的邱氏吐魯番巨犀下頜化石。中國科學院古脊椎所 供圖 研究團隊還依據邱氏吐魯番巨犀牙齒的微觀形態和元素分布，恢復重建出巨犀哺乳期和體成熟的生活史片段，填補了古近紀時期(距今約6600萬年-2300萬年)犀類生活史數據的空白。 這項古生物化石發現研究的成果論文，近日在國際學術期刊《科學報告》(Scientific Reports)上發表。 論文通訊作者鄧濤研究員表示，動物的生活史可以被看作是它們從出生到死亡的整個生命歷程，包括繁殖、生長、發育、衰老等多個階段。作為生物演化的重要研究內容，生活史與動物體型大小之間的關係長久以來是研究的難點，受到廣泛關注。 目前，已知的研究多以現生動物的數據作為參考，對化石類群的研究相當缺乏。例如，現生犀類的體型僅次於大象，壽命可達50歲之久，各方面的生活史數據全面而豐富，但僅有3個化石類群有相關研究。犀類自始新世(距今約5600萬年-3400萬年)以來體型變化巨大，巨犀是陸地上曾出現過的體型最大的哺乳動物，化石數量豐富，為研究動物生活史與體型關係這一問題提供了契機。 邱氏吐魯番巨犀牙齒的冠周紋計數(A)以及磨片顯示的芮氏線生長周期(B)。中國科學院古脊椎所 供圖 論文第一作者、河南中醫藥大學解剖學副教授盧小康介紹說，研究團隊將邱氏吐魯番巨犀下頜標本的第二下前臼齒和第一下臼齒製作磨片，結合偏振光顯微鏡和雷射剝蝕的方法觀察牙齒上記錄的生長紋。 根據第一下臼齒和第二下前臼齒的牙骨質年紋數量觀察結果，研究團隊推斷邱氏吐魯番巨犀化石個體的年齡約為17歲，其體成熟年齡應該在此之前。第二下前臼齒的齒冠在雷射剝蝕作用下顯示4個條帶區域，具有顯著的相關變化規律，指示邱氏吐魯番巨犀在齒冠發育形成時尚在哺乳期內，哺乳期至少427天。此外，根據具有較長下門齒的下頜研判，邱氏吐魯番巨犀可能屬於較原始類型的雄性個體。 對比現生犀牛的生活史數據發現，吐魯番巨犀的哺乳期與現生犀牛相似，且體成熟年齡落在非洲犀的變異範圍之內，尤其接近白犀的年齡數值，與根據體型公式計算的年齡也相近。 本次研究化石標本第二下前臼齒齒冠釉質顯示元素富集的變化規律。中國科學院古脊椎所 供圖 鄧濤指出，由此可見，犀類的生活史節奏在早漸新世(距今約3400萬年-2730萬年)就已經存在，演化上相當保守。不過，早中新世生活在森林中的近無角犀屬體成熟年齡在11歲左右，暗示體型大小、齒冠高度與體成熟年齡之間的關係並非簡單的線性耦合，這有待進一步研究揭示古環境驅動下演化節律與生態策略的關係。 據了解，2025年是中國科學院院士邱佔祥從事古哺乳動物學研究65周年，為致敬他對巨犀研究的卓越貢獻，此次研究發現的巨犀化石新種被命名為邱氏吐魯番巨犀。(完)
天津8月14日電(記者 孫玲玲)記者13日從南開大學獲悉，近日，南開大學計算機學院媒體計算實驗室取得最新研究成果，不僅從評估的角度揭示了現有AI檢測方法的性能不足，並創新性地提出了「直接差異學習」(Direct Discrepancy Learning，DDL)優化策略，教會AI用「火眼金睛」辨別人機不同，實現AI檢測性能的巨大突破。相關成果論文已被計算機多媒體領域國際頂級會議ACM MM2025(ACM International Conference on Multimedia)接收。 圖為南開大學研究團隊提出的DetectAnyLLM檢測框架以及MIRAGE基準數據集亮點全析。(南開大學 供圖) 近日，OpenAI發布新一代人工智慧模型GPT-5，再次引發全球關注。隨著DeepSeek、ChatGPT、通義千問、豆包等AIGC大模型逐漸從「新奇玩具」變成學習、工作中不可或缺的「生產力工具」，其伴生問題也日益凸顯：AI經常會「一本正經地胡說八道」，生成看似合理的虛假信息，造成「AI幻覺」；依賴AI工具代寫作業甚至畢業論文，極大衝擊著學術誠信和規範；論文AI率檢測系統有待完善，論文被誤判的問題時有發生……如何精準識別AI生成內容，成為亟待解決的熱點問題。 據了解，目前AI生成內容檢測主要有兩種路線，一種是「基於訓練的檢測方法」，使用特定數據訓練一個專用的分類模型；另一種是「零樣本檢測方法」，直接使用一個預訓練的語言模型並設計某種分類標準進行分類。 圖為AI生成內容檢測示意圖。(南開大學 供圖) 多項研究表明，現有檢測方法在應對複雜的現實場景時常顯不足。此前也曾有權威媒體報導，《荷塘月色》《流浪地球》等經典作品被某常用論文AI率檢測系統檢出高AI率。 為何現有的AI檢測工具會「誤判」？論文第一作者、南開大學計算機學院計算機科學卓越班2023級本科生付嘉晨解釋道：「如果把AI文本檢測比作一場考試，檢測器的訓練數據等同於日常練習題，現有檢測方法是機械刷題、死記硬背答題的固定套路，難以學會答題邏輯，一旦遇到全新難題，準確率就會顯著下降。」 「要想實現通用檢測，理論上需收集所有大模型的數據進行訓練，但在大模型迭代飛速的今天幾乎不可能。」付嘉晨說，讓檢測器真正學會舉一反三，即提升檢測器的泛化性能，是提升AI文本檢測性能的關鍵。 為此，研究團隊提出了DDL方法另闢蹊徑，通過直接優化模型預測的文本條件概率差異與人為設定的目標值之間的差距，幫助模型學習AI文本檢測的內在知識，可以精準捕捉人機文本間的深層語義差異，從而大幅提升檢測器的泛化能力與魯棒性。 「使用DDL訓練得到的檢測器如同有了『火眼金睛』，即便只『學習』過DeepSeek-R1的文本，也能精準識別像GPT-5這樣最新大模型生成的內容。」付嘉晨說。 團隊還提出了一個全面的測試基準數據集MIRAGE，使用13種主流的商用大模型(如豆包、DeepSeek、Kimi等)以及4種先進的開源大模型(如Qwen等)，從AI生成、潤色、重寫三個角度構造了接近十萬條人類-AI文本對。 「MIRAGE是目前唯一聚焦於對商用大語言模型檢測的基準數據集。直觀地說，之前的基準數據集是由少而且能力簡單的大模型命題出卷，而MIRAGE是17個能力強大的大模型聯合命題，形成一套高難度、又有代表性的檢測試卷。」論文通訊作者、南開大學計算機學院副教授郭春樂說。 在MIRAGE的測試結果顯示，現有檢測器的準確率從在簡單數據集上的90%驟降至約60%；而使用DDL訓練的檢測器仍保持85%以上的準確率。與史丹福大學提出的DetectGPT相比，性能相對提升71.62%；與馬裡蘭大學、卡內基梅隆大學等共同提出的Binoculars方法相比，性能相對提升68.03%。 「AIGC發展日新月異，我們將持續迭代升級評估基準和技術，致力於實現更快、更準、更低成本的AI生成文本檢測，以AI之力，讓每一篇成果更出彩。」研究團隊負責人、南開大學計算機學院教授李重儀說。(完)
免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。
比心直播
「活动」首次登录送新手大礼包
- 软件大小: 854.86MB
- 最后更新: 2025-12-10 13:44
- 最新版本: v12.8.8.10
- 文件格式: apk
- 应用分类:ios-Android 夜魅直播
- 使用语言: 中文
- : 需要联网
- 系统要求: 7.42以上
客服热线：136-2835-9276
91
27
72
42976
37
2025-12-10 13:44
98526
27
2025-12-10 13:44
59137
94
2025-12-10 13:44
49752
52
2025-12-10 13:44
36749
36
2025-12-10 13:44
54281
86
2025-12-10 13:44
54918
59
2025-12-10 13:44
79854
13
2025-12-10 13:44
53271
14
2025-12-10 13:44
98
93
47298
15
89
26
84756
48
17643
21