1、快速自套方法：开通闪付的方法，在白条页面我们找到闪付开通的页面，点击进去进行申请，部分优质用户会有白条闪付的使用权限，开通后会得到一个卡号和密码等等资料，然后大家将闪付绑定我们的手机pay支付，这样就可以通过支持闪付的pos机就可以套出来，非常方便，当然手机pay还可以在电商平台使用，比如叫外卖的时候选择pay支付就可以将白条刷出来了，这个方法仅限开通成功闪付的用户，而且每月限额，一般在3000以内。
2、自套技术
手机话费，在京东充值话费是支持白条支付的，但是限额500-1000，可以通过身边人充值话费进行提现，你帮他充值，然后叫他给你就可以，这个方法更加简单。
3、自己套出来白条实物货到的方式
在京东购买一些电子产品，然后挂到闲鱼进行出售得到变现，这个方式缺点比较明显，首先费用相对会高一些，比方我们买了物品在卖出去，虽然是全新的，但是别人不可能给我们原价，不然就没必要给你买了，其次时间不确定，不能马上找到合适的买家;当然优点也是比较明显的，首先不会被限额。
4、京东商城套白条
京东商城因为在平台上的白条店铺基本上都支持打白条，所以我们选择一家这样的店铺，然后和商家协商，你用白条购买一件他店铺里的东西，让后将地址填写成商家的地址，这样最后商品会直接再发给商家，然后让商家将费用转到你的微信绑定的银行卡中，通过微信绑定的银行卡。成功提现到微信。
5、朋友代付套出来
京东白条在这一平台上支付时有一朋友代付选项，如果你正好有一朋友需要买东西，这时候你让他在付款的时候选择让你帮他付，你通过白条帮他付款之后，再让他将钱转到你的银行账户中，实现套现。这是目前最安全也是能够最快拿到钱的一种方式。
6、找提现公司套白条
由于人们有这方面的需求，所以也存在这方面的公司，所以如果你有这方面的需求，就可以找这些机构帮你实现，他们的方法和上面的方式类似，不过需要收取你一定的费用。这种方式在速度上也很快，不过也存在着许多的风险，在办理时需要小心。
以上就是为大家介绍的5种实用的京东白条提现方法。在选择适合自己的提现方法时，请务必注意保护个人隐私和信息安全以及遵守相关法律法规的规定。同时也要注意及时还款以免影响个人信用记录。希望本文能对大家有所帮助!
----专业商家提现专号【客服v信1312339978电15873152131】提现秒到账-----
长上下文能力只是吹牛?最强GPT-4o正确率仅55.8%，开源模型不如瞎蒙
www.163.com 2024-07-23 11:36
新智元报道
编辑：alan
【新智元导读】当今的LLM已经号称能够支持百万级别的上下文长度，这对于模型的能力来说，意义重大。但近日的两项独立研究表明，它们可能只是在吹牛，LLM实际上并不能理解这么长的内容。
大数字一向吸引眼球。
千亿参数、万卡集群，——还有各大厂商一直在卷的超长上下文。
从一开始的几K几十K，发展到了如今的百万token级别。
Gemini的最新版本可以接收200万个token作为上下文。
这大概相当于140万个单词、2小时视频或者22小时的音频。
但不知诸位平时用得着这么长的上下文吗?毕竟100K已经相当于一部比较长的小说了。
更重要的是，LLM真的能在这个长度上进行推理吗?
近日，有两篇独立研究分别表明：长上下文水分很大!LLM实际上并不能「理解」内容。
读小说挑战
首先是来自UMass、AI2和普林斯顿的研究人员，推出了一项针对性的测试。
论文地址：https://arxiv.org/pdf/2406.16264
代码和示例数据：https://github.com/marzenakrp/nocha
当前传统的长上下文测试手段一般被称为「大海捞针」(needle-in-a-haystack)：
将一个事实(针)嵌入到大量的上下文信息(干草堆)中，然后测试模型能否找到这根「针」，并回答与之相关的问题。
这种方式基本上衡量的是LLM的检索能力，有些流于表面。
于是研究人员构建了NoCha(小说挑战)数据集，让模型根据所提供的上下文(书籍)验证声明的真假。
如下图所示，由小说的粉丝根据书籍内容，提出关于同一事件或角色叙述的一对相反的声明。
LLM看完小说后需要分别判断两个问题的真假(确保是根据理解做题，打击在考场上瞎蒙的)。
对于一对问题的回答有四种情况，只有两个问题全对时才能得一分。
研究人员测试了目前最强的一些长上下文模型(包括闭源和开源)，并将成绩单贴在墙上，公开处刑：
首当其冲的是GPT-4o，虽然全班第一，但是55.75分。
而开源阵营的成绩直接惨不忍睹，表现最好的Command R(simple)只有22.47%的准确率。
——要知道，这考试瞎蒙也能得25分(四选一)。
当然，这也说明人家不是瞎蒙的，确实动脑子了。
视觉上的长上下文
另一篇研究来自UCSB，考察的是视觉大模型(VLM)的长上下文能力。
论文地址：https://arxiv.org/pdf/2406.16851
主要的实验思路如下图所示，研究人员通过不断增加上下文长度(干扰图片的数量)，将现有的VQA基准和简单图像识别集 (MNIST) 扩展为测试长上下文「提取推理」的示例。
结果在简单VQA任务上，VLM的性能呈现出惊人的指数衰减。
——LLM：原形毕露了家人们。
而与实际研究相对的，在今年早些时候，谷歌展示了几个预先录制的演示。
让Gemini 1.5 Pro搜索阿波罗11号登月的电视直播记录(约402页)，查找包含笑话的引语，以及在电视直播中找到与铅笔素描相似的场景。
主持这次简报会的谷歌DeepMind研究副总裁Oriol Vinyals表示，「Gemini 1.5 Pro可以在每一页、每一个单词上执行此类推理任务。」
一千零一夜
第一篇工作被作者命名为「One Thousand and One Pairs」(下面这盏灯应该也是这么来的)。
一千零一在这里有两个含义，首先用于测试的材料基本都是小说，对于大模型来说，算是故事会了;
其次，作者真的花钱请人注释了刚刚好1001个问题对。
为了保证模型无法依靠自己的知识来作弊，这1001个问题大部分来自于最近出版的虚构叙事类读物。
数据收集
NoCha数据集包括63本新书(33本于2023年出版，30本于2024年出版)和四本经典小说，书籍的平均长度为127k个token(约98.5k个单词)。
注释者首先写出关于书中事件或人物的真实陈述，然后针对同一对象创建相应的虚假陈述，同时还需要给出一个简短的解释，说明为什么这些说法是正确或错误的。
为了确保声明的质量，作者聘请了读过相同书籍的注释者，来验证五本书中的128个声明，并最终对其中的124个达成了一致。
下面给出参加本次考试的考生信息(开源和闭源两大阵营)：
以及考试成绩：
结果分析
如果按照小说类型划分，所有六个闭源模型在历史小说上的准确率为56.4%，当代小说为46.8%，推理小说为38.8%。
对于每个模型来说，都是历史小说的准确度最高，当代小说次之，推理小说的准确度最低。
从这个结果来看，貌似LLM的推理更多依赖于自身参数中的知识。
接下来做个对比实验：如果某个主张可以通过书中的一小部分内容来单独验证，那么提供本书的其余部分是否会影响其准确性?
上图显示了在四个短篇故事集上的模型性能，每两行为一组，上面一行表示给出整本书(约129k token)时的准确率，下面表示只给出与声明相关的部分(约21k token)。
Gemini对于添加上下文的表现相对稳健，而Claude-3-Opus的准确度直接下降了44.5%，Claude-3.5-Sonnet、GPT-4-Turbo和GPT-4o的表现也大幅下降。
作者表示，与句子层面的检索任务相比，模型在验证需要考虑整本书(或大部分)内容的问题时，显得力不从心。
另外，书中的一些隐含信息对于人类读者来说是明确的，但LLM却无法理解。
大海捞针
另一项研究来自加州大学圣巴巴拉分校(UCSB)，作者引入了 LoCoVQA，一种带有干扰项的长上下文视觉问答 (VQA) 基准生成器。
LoCoVQA可以提供与问题相关的图像序列，以及一组可配置的视觉干扰项，从而准确评估VLM如何在杂乱的上下文中仅提取与查询相关的信息。
从原理上讲，这也是一项「大海捞针」的任务。
另外，LoCoVQA的方法能够以任意图像理解数据集为基础，创建长上下文图像理解测试。
生成方法
通过LoCoVQA合成的样本包含一个或多个与问答对(、)相对应的内容图像。
内容图像可以从各种图像理解基准中采样，例如OK-VQA、MMStar 、MNIST等。
除了内容图像之外，每个样本还包括最多35个干扰图像(来自相同或者不同的数据集)。
VLM的输入样本可以是多个交错的图像，也可以是上面这种排列为网格的合成图像。
单图像推理任务
OK-VQA(Outside Knowledge Visual Question Answering)是一个单图像视觉问答数据集，包含5072个问题-答案-图像三元组。它需要外部知识来超越图像进行推理。
LoCoVQA生成分布内的长上下文OK-VQA样本，确保内容图像不会出现可能使评估复杂化的概念冲突。
实验使用三个指标对样本进行评分：精确匹配(如果模型的响应包含任何真实答案作为子字符串，则为满分)、连续文本生成、和 ROUGE(候选人和推荐人之间)。
为了解决内容干扰冲突问题(视觉上下文中多个相似分布的图像使QA对模糊)，作者实现了一种基于LM的鲁棒过滤方法。
对于每个视觉上下文图像，提示GPT-4列出前五个实体，如果存在重叠，则认为该问题可能含糊不清。
多图像推理任务
这里使用合成任务构建「序列VQA」数据集，将多个OCR示例作为交错图像输入，要求VLM列出所有文本(OCR规范数据集采用MNIST)。
为了获得所需的视觉上下文长度，研究人员从大约60K图像的MNIST训练集中采样1到8个随机颜色的数字，将它们的大小调整到其他上下文图像最大高度的1/6到1/2之间。
剩余的干扰图像是从5K个MS COCO的子集中随机采样的。VLM的任务是列出序列中存在的所有手写数字。
通过改变序列中的位数，可以动态调整多图像干扰OCR任务的难度级别。
上图展示了9个图像上下文中包含1、4 和8个数字的示例。仅当存储的生成数字字符串与基本事实完全匹配时，输出才被认为是正确的。
实验
参赛的VLM如下图所示：
研究人员在LoCoVQA生成的基准上，评估了以上九种视觉语言模型的性能。
微信好友
朋友圈
”分享微信好友Safari浏览器请点击“
”按钮
QQ