我们不培训公共LLM。我们使用商业预训练大型语言模型作为信息检索和增强框架的一部分。目前，这包括使用检索增强生成（RAG）体系结构和其他高级技术。虽然我们使用经过预先培训的LLM来支持叙事内容的创建，但该内容中的事实来自我们可信赖的学术来源。我们对这种设置进行了严格的测试，以确保学术诚信，并与学术生态系统保持一致。测试包括通过学术主题专家验证回答，这些专家评估输出的准确性和相关性。此外，我们还进行了广泛的用户测试，包括真实的研究和学习场景，以进一步提高准确性和性能。

我们致力于用户隐私和安全的最高标准。我们不会出于任何目的将任何出版商内容、图书馆拥有的材料或用户数据共享或传递给大型语言模型（LLM）。

我们坚信，我们对学术界负有关键责任，以减轻AI引起的不准确。我们不断测试我们的解决方案及其产生的结果，包括通过专门的测试程序以及与客户和主题专家的密切合作。我们的数据科学专业知识有助于确保系统的准确性、公平性、健壮性和可解释性。将此与我们值得信赖的策划内容相结合，我们大大降低了“幻觉”和错误信息的风险。

我们基于AI的发现工具对源的排序和优先级将根据用户查询的特定特征、用户角色和每个查询的上下文而变化。

排序和优先级划分的方法与我们的发现解决方案中传统的方法类似。这种理解使我们能够首先提供最相关和最有价值的来源，确保所提供的信息尽可能符合用户的需求。

我们的工具为学术发现、探索和研究提供了手段。但有时用户可能会输入固有偏见、偏见或寻求敏感信息的查询。

虽然我们的工具通常不会阻止用户查询，但我们用于叙述功能的基本大型语言模型经过了训练，可以识别敏感或冒犯性查询并适当处理它们。

这意味着，这些问题通常将以平衡的视角来回答，并利用我们精心策划的学术内容。请注意，不能保证所有敏感或冒犯性内容都会被识别，并且可能会发生错误。如果您确实遇到此类内容，请使用反馈机制进行报告。