AI图鉴

AI图鉴首页 › AI 资讯 › 所有 " Ok " 网络响应的20% AI Gets Are not okay

所有 " Ok " 网络响应的20% AI Gets Are not okay

来源:Unite.AI · 发布时间:11-04 · 由 AI图鉴每小时自动聚合

我最近进行人工智能辅助网络搜索实验,激励活动 fo

安德森角

所有 " Ok " 网络响应的20% AI Gets Are not okay

在 Google 上的首选来源中添加 Unite.AI

我最近通过人工智能协助的网络搜索实验,当然,这种缩减的动因是AI网络搜索的惊人增长,而AI对新数据的毫不妥协的需求最终会让域域脱机。

这是一个很好的借口,让域来做他们中许多人长期想要做的事情:只有当用户登录(虽然Googlebot通常会获得免费通行证)时才能访问其内容。 Facebook于2023年完成了这项政策的逐步通过,Twitter/X也于同年完成。 Reddit本月晚些时候将采用。

这样,遵守任何针对具体国家的年龄限制规定,对域而言就容易一些,因为用户已经登记。 更重要的是,用户的数据可以保存起来,用于本地分析,如果当地立法允许,则出售给数据经纪人和AI公司。

Cloudflare表示,在其他地方,旨在抵御bots(而不是注册用户)的措施逐年上升了58%以上;所有不断升级的bot活动自然鼓励网站仔细检查VPN和代理地址,可能拒绝合法用户访问,以及任何“恶意”流量。

我甚至可能放弃一个开始加载的站点;由于已发现CAPTCHA - 墙会阻遏用户和潜在的客户,人们可以想象

所有这些新的和不断加剧的摩擦部分是后勤问题(因为并非所有领域都能承受攻击),也常常是一种谈判策略

由于AI爬行者必须大规模工作,他们倾向于在Playwright框架下使用Chrome的"无头"例子。 这些天,对于越来越多的域来说,这将给你带来一个403( " 禁止 " ) 错误( 即主机知道你是自动流量,现在滚开):

想要的是`200'(OK)客户的反应,即使人们必须把一堆钱交给一个居民代理农场

没有比200个响应更好的了;也就是说,没有一个客户端响应代码具有更高水平的正信号。 这也不是一个模棱两可的回答;它从来没有“几乎可以”、“待会可以”或“更可以”;它“很好!” 如果情况不妙

哈啰!走开

但是,根据一份新文件,这种缺乏颗粒性的情况可能严重扭曲AI数据集、统计估计和报告 " 良好 " 状况。

该研究* 估计,200类答复中约有五分之一根本没有可用的页面内容,而是提供了空网站壳、CAPTCHA挑战、访问限制或替代网页。

该文件指出:

`20.9%的静态客户端获得的具有200级状态的页面并不包含该页面的主要内容:应用程序贝壳、机器人挑战、块页、错误和占位符页以及部分内容。

因此,不耐烦的自动化系统被它们本身的稀缺性所绊倒,因为 " 200 " 响应被允许等同于成功获取,即使获取只是产生CAPTCHA墙、付费墙或其他障碍。

本文概述了七类内容

对于研究来说,在三天的时间里,10,307个网页同时使用一个基本的网络牵引程序和一个能够加载JavaScript的浏览器进行了测试,其响应按照检索的内容分类,而不是他们的HTTP状态代码。

" 无法使用 " 的202个答复中最大的类别是空网站壳和错误或替代页,总共占失败的三分之二以上。

关于空网站壳,一个网站可能显示其菜单和导航,同时将所请求的文章或产品保留在空白位置;在后一种情况下,可能会出现一个不相关的网页或主页,而不是所请求的内容,但两者都可以得到同样的HTTP 200状态,作为提供有用和有用内容的成功检索。

作为补救,本文建议网易工具报告实际检索的内容,而不是依赖HTTP状态代码,因为简单的检查异常短的页面,可疑的重定向和类似不存在页面的内容可以识别大多数失败。

然后,只有当一个页面似乎无法正常加载时,才能使用资源密集型的浏览器工具。 此外,AI评价可以检查所引用的资料来源是否实际包含预期信息,而不是假设HTTP 200回复意味着内容被成功检索。

新作品的作者指出认为“廉价heuristics”可以略微识别大约86%的无法使用的答复

为什么这么多错误的200个答复?

多年来,在开发者社区中,有一些观点认为,202( " 接受 " )错误( " 要求接受但尚未完成 " )可以消除这些 " 失败 " 200个地位要求;但实际上,202不能满足新文件中概述的所有情况,而且没有现有的代码可以。

虽然该文件没有深入讨论这一问题,但域名所有人允许200个错误的原因在未来的相关作品中可能值得进一步研究。

其中一个原因是,任何不是200码的东西本质上都是某种错误页或障碍,包括最常见的404( " 未找到 " )错误,因为目标内容完全缺失。 一些用户认为,过量的这种错误会导致在SEO(大概是GEO)中的惩罚,尽管Google否认这一点。

事实上,错误的200个错误被Google视为`软'的404个错误,显然可能比普通的404个错误更被视为一个问题,因为这些错误基本上是 " 欺骗 " 的结果,有意或不故意的。

引用

如果所有这一切看起来都是踏足,那么就必须考虑为了AI培训的目的,例行收集(或试图收集)的数据的线粒体规模。 如果五分之一的数据不可靠或完全是欺骗性的,下游的后果就很难像某种 " 附带的不准确性 " 那样缩水;相反,这种错误的反应可能会对数据集的分布以及将这类数据纳入AI模型培训的结果造成重大和不利的影响。

例如,围绕错误的200个答复的一个显著问题涉及`引用漂移 ',即最初作为证据引用的网页不再支持AI生成的答案,即网页可能已经改变,相关文本可能已经删除,或者链接现在可能通向其他地方。

新研究发现,当所有HTTP 200答复被接受为成功检索时,无论它们包含什么内容,明显引用率从5.8%上升到21.9%。

这意味着,一个来源可能被错误地判断为更改、消失或停止支持AI生成的主张,仅仅是因为CAPTCHA、空页或其他障碍已被检索到取代了原始材料。

说吧

蓄意不存在网址的测试也表明了这个问题。 当从网站随机请求发明的路径时,13.1%的响应者返回了200(OK)状态,即使请求的页面不存在。

`13.1%回答随机路径探测器的场地返回了200个(S1.10.5%,S2 13.3%,S3 17.3%,S4 13.7%,S5 13.1%)。 每个这样的反应都是通过建造而软化的404,但不是每个称这样。

“在172个软-404回复的探索性分类中,标签者称98个错误或替代页,32个空壳,28个内容:一个主页或列表服务于随机路径,读起来像正常页。

结论

如果这个问题在更高层次上得到承认,那么IANA可以设想建立一个新的和更合适的http状态代码,例如[X]. (`请求成功,但请求的内容没有交付 ' ) 虽然这实际上可以描述正在发生的事情,但这自然要求东道方对交易有不太可能的深入了解。

类似的代码已经存在,尽管没有一条真正适合:451( " 出于法律原因无法获取 " ),模棱两可,而且相当令人震惊(!);206( " 部分内容 " ),技术上是合适的,但是为了不完全的数据(fetches);以及203( " 非权威信息 " ),这是1997年创建的,它只是当前使用案例的边缘。

也许最近的候选者其实是非直觉地命名的103(`Early Hints ' ),这表明尚未装满URL的所有资源(尽管这显然是对代码意图的严重误解)。

* 标题为“200 OK不是答案:在代理网络内容获取中悄悄获取失败”。 请注意,该文件的撰写显然主要是机器可读的,也许需要大赦国际的质询,其本身并非易读。

我对机械学的引言表示歉意,但如我上文所指出,整篇论文的写法是 " 机器可读 ",而不是人文可译,尽管它没有以JSON格式提出。

2026年11月4日,星期三首次发表

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 609 款 AI 工具分类导航 · 每日 AI 热门项目与动态