尹錫悅妻子金建希出席逮捕必要性審查
2026-01-19 03:19 6,738次浏览北京8月10日電 題：學者史海鉤沉十五年再現鄭振鐸抗戰期間搶救珍本古籍 記者 應妮 歷時十五年深入日本各大圖書館、藏書機構，挖掘眾多日方視角的新文獻，中國人民大學文學院教授吳真完成了著作《暗鬥：一個書生的文化抗戰》，重現一介書生鄭振鐸在1937年至1945年留守上海的日常生活史，講述他在深陷被敵偽追捕、生計無著的極端環境中，如何為國家搶救珍本古籍周旋於各方勢力之間，堅守在文化抗戰的第一線。 日前接受記者專訪時，吳真坦言這本書的寫作思路是書籍史角度下的文化抗戰。「書籍同樣是戰爭的受難者，從中可以看到書籍和人的命運的共振。」 鄭振鐸個人資料照片。 (生活·讀書·新知三聯書店供圖) 為什麼聚焦鄭振鐸？ 2009年，吳真在日本東京大學做研究期間偶然看到一條日寇隨軍記者關於戰時搜集與匯總中國珍稀圖書的記載，激發了她探究抗戰時期中國古籍遭受「書厄」的好奇心，並隨之不斷積累資料。其中一個重要個案是在1938年，稀世孤本《脈望館鈔校本古今雜劇》驚現於亂世，幾經易手，最終在鄭振鐸的努力之下收歸國有，她由此將目光聚焦在這位文化大家身上，再延展到以鄭振鐸為中心的、以往少為人知的地下文獻保護工作。 事實上，淞滬會戰爆發，時任暨南大學文學院院長的鄭振鐸面臨著抉擇：走，還是不走？他任教的暨南大學依然堅持在上海辦學，而且他的家裡上有老祖母、下有剛剛出生的小兒子，全家十口人一起撤退不太現實。他決定，不躲、不逃、不撤退，留居上海，等待天亮。 吳真告訴記者，面對日軍的文化暴行，鄭振鐸意識到自己應該有所作為，他為自己選擇的報國途徑是「收異書於兵荒馬亂之世，守文獻於秦火魯壁之際」。 這一決定並非抗戰時期一般知識分子認為應該擔負的責任，而是鄭振鐸自覺承擔起來的文化責任。站在更深遠的人類文明長河中拼命打撈這些古籍文物，鄭振鐸認為文物古籍散佚了就不可復得，毀滅了就無從彌補。吳真指出，當責任落到個人的肩膀上，而且還是在上海「孤島」苦守的個人身上時，又多加了一層「萬一失敗則成罪人」的歷史負擔。 《暗鬥：一個書生的文化抗戰》書影。 (生活·讀書·新知三聯書店供圖) 「暗鬥」既是一個人的抗戰，也是一幅書生報國的文化群像。作者將形形色色的人物置於抗戰風雲之下，又串聯起一部由鄭振鐸勾連起的抗戰群像史：開明書店文人圈、「文獻保存同志會」、唐弢、許地山，一同搭建了購買、貯藏、運輸、保存的線路，也構成了互相幫扶、沉默抵抗的團體。 尤為值得一提的是，該書還披露了2023年面世的鄭振鐸1939年日記的內容，為理解其抗戰生活提供了更完整的鮮活資料。 鄭振鐸寫於1949年的文章曾總結：「抗戰中為國家得宋元善本明清精槧一萬五千餘種。」事實上，「一種」古籍可能是幾十冊，也可能是上百冊。「通過這些年的研究，根據不同數據來源，我的統計是這一萬五千餘種大約是6萬冊」，吳真引用鄭振鐸《求書日錄》中的話，「我從劫灰裡救全了它，從敵人手裡奪下了它……我在躲藏裡所做的事，也許要比公開的訪求者更多更重要。」(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。
六月直播
「活动」首次登录送新手大礼包
- 软件大小: 738.75MB
- 最后更新: 2026-01-19 03:19
- 最新版本: v9.3.5.12
- 文件格式: apk
- 应用分类:ios-Android 青柠直播
- 使用语言: 中文
- : 需要联网
- 系统要求: 3.13以上
客服热线：134-1426-6573
香蕉直播类似软件
猜你喜欢
38572
94178
67
2026-01-19 03:19
18654
28
2026-01-19 03:19
71639
72
2026-01-19 03:19
96321
42
2026-01-19 03:19
98714
69
2026-01-19 03:19
59382
76
2026-01-19 03:19
78532
82
2026-01-19 03:19
71963
36
2026-01-19 03:19
16423
34
2026-01-19 03:19
69428
52
2026-01-19 03:19
87693
61
2026-01-19 03:19
13
25
26
47632
63579
42
79532
73
61
79
71
86
81
43182
97361