文献追踪日报

我们正处在大语言模型（LLM）时代，LLM已深刻变革数据库社区中的诸多技术领域。本文考察LLM在文本到可视化（text-to-vis）任务中的应用：尽管采用了先进的神经网络架构，Seq2Vis、ncNet、RGVisNet等将自然语言查询转换为DV命令的现有方法仍表现欠佳，说明存在显著改进空间。为此我们提出Prompt4Vis——一个利用LLM与上下文学习（In-context learning）增强从自然语言生成数据可视化的新型框架。由于上下文学习的效果高度依赖示例选择，优化这一环节至关重要；同时，编码查询的完整数据库模式不仅成本高昂，还可能引入不准确。该框架包含两个核心组件：(1) 示例挖掘模块——筛选高成效示例以增强text-to-vis的上下文学习能力；(2) 模式过滤模块——精简数据库模式。在NVBench数据集上的全面测试表明，Prompt4Vis显著优于当前最优模型RGVisNet，开发集提升约35.9%，测试集提升约71.3%。据我们所知，Prompt4Vis是首个将上下文学习引入text-to-vis增强的框架。

CARD（关系数据分析编码助手）生成在原始数据上处理关系型查询的Python代码。用户可通过自然语言指令定制所生成的代码，例如指定使用特定库或产生特定输出。CARD内部使用GPT-4o等大语言模型合成代码，自动构造描述代码生成任务的提示，提示中包含数据格式、定制要求以及由CARD场景专用查询规划器生成的处理计划。CARD通过将生成代码的输出与参考SQL引擎的输出进行比较来自动测试代码，发现不一致时以一定随机化程度重新生成代码。此外，CARD可在预处理阶段自动为特定定制场景生成代码样本库，并在运行时利用这些样本进行少样本学习。实验表明，CARD在绝大多数场景下能生成准确代码，且语言模型的当前发展趋势有望进一步提升CARD的性能。

本文批判性考察生成式AI的颠覆性能力如何促成并助长“合成舆论”。这种合成舆论的特征包括：沟通行动的瓦解、意见的数据化、公共领域的垄断、信息中毒、大规模社会监控、合成与人工内容对真实内容的主导，以及合成内容与真实内容难以区分。本文旨在考察欧盟民主国家中舆论合成化的出现与紧迫性，以确定应对这一现象负面影响的最适当行动方案。为此，本文首先呈现更先进的生成式AI出现之前舆论人工化的状况；其次深入考察生成式AI冲击公共领域与舆论所引发的变革；第三，分析舆论合成化对民主制度正常运行的主要负面影响；最后提出一系列潜在行动方案，以在合成化冲击面前强化欧盟协商民主的基本支柱。

受维特根斯坦后期语言观启发，我们考察人类与基于大语言模型（LLM）的系统之间互动中的“迷惑”现象。该框架特别适合分析人机互动，因为它将理解视为可观察的公共沟通实践，而非心理或计算状态——鉴于LLM固有的不透明性，这一视角尤为有价值。基于此视角，我们表明成功交流不仅需要语言使用的规律性，还需要通过在定义与判断上达成一致来保持参照点的恒定性。关键在于，LLM缺乏在对话全程中追踪否定与矛盾所需的恒定性，因而破坏了真正交流所需的参照点。人机互动中表面上的理解源于我们所说的“迷惑”：即LLM对语言模式的统计遵从与人类盲目跟随熟悉语言游戏的倾向之间的相互作用。此外，当与LLM的互动基于系统似乎能够识别参照点的刻板语境时，我们会自动应用“在证明其相反之前假定存在理解”的实践原则。随着LLM在模拟人类互动的刻板特征方面不断改进，迷惑只会更加深刻。这种改进非但不能解决已指出的局限，反而只能加深理解的幻觉，引发对有意义地控制此类系统的重大担忧。

推动人们对大语言模型（LLM）准确、全面建模世界的前景保持乐观的一个关键假设是：真理是系统的——关于世界的真命题整体不仅是自洽的（不含矛盾），而且是融贯的（真命题之间存在推论性关联）。这带来一种前景：LLM原则上可以依赖这种系统性来填补训练数据的空白并纠正其中的不准确之处，一致性与融贯性有望推动LLM对世界表征走向全面。然而，哲学家们已提出有力理由怀疑真理在所有思想领域都是系统的，特别是在规范领域，真理在很大程度上是非系统的。本文论证：只要规范领域的真理是非系统的，LLM就越难以取得进展，因为它们无法利用真理的系统性；而LLM越无法依赖真理的系统性，我们就越不能依赖它们替我们进行实践推理，因为规范领域的高度非系统性恰恰要求人类能动性在实践思考中发挥更大作用。

本文聚焦欧盟《证券融资交易监管条例》（SFTR）的引入及其影响。该条例要求对证券融资交易（SFT）进行详细报告，以提升回购市场透明度并支撑金融稳定分析。利用欧洲央行证券与融资交易数据库（SFTDS）收集的交易级数据，文章展示了欧元区回购市场结构的主要发现，包括市场细分（管辖地、货币、中央清算、担保品类型）、交易对手角色（银行、非银行、外国实体），以及担保品特征（如资产构成与折扣率实践）等。