XiaoMi-AI文件搜索系统
World File Search SystemGPT
质疑“ chatgpt成瘾”构建体 - serval
生成人工智能（AI）聊天机器人（例如Chatgpt）在许多日常生活领域都迅速获得了知名度，甚至引发了有关潜在的“ Chatgpt成瘾”的学术辩论。”在整个历史上，新的技术科学一直与广泛的关注和“道德恐慌”有关，尤其是当他们的采用突然采用并涉及日常功能的重大变化时。因此，研究人员检查了对Chatgpt的大量使用是否可以被视为令人上瘾的行为也就不足为奇了。到目前为止，已经开发了至少四个测量Chatgpt成瘾的量表，所有这些都在使用药物使用障碍标准后构建。绘制与以前病态行为的病例相似之处，我们警告不要标记并定义密集或习惯性聊天机器人作为成瘾行为。要将行为标记为上瘾，必须有令人信服的证据表明负面后果，控制障碍，心理困扰和功能障碍。但是，现有关于使用ChatGPT或其他对话AI机器人有问题的研究未能提供如此强大的科学证据。因此，有必要谨慎行事，以避免（过度）病理学，侵害性或不必要的治疗方法，并过度调节工具，这些工具在以正念和调节的方式使用时具有许多好处。
chatgpt和人工智能代理的时代
OpenAI模型（和Microsoft的Copilot）现在将能够在计算环境中与其他应用程序进行交互。也就是说，它可以将计算机通过与其他应用程序（甚至外部计算机系统）的接口移动。不仅可以处理图像，文本或视频，还可以参与PC接口和外部系统，其中可能包括人类或其他AI工具。在某种程度上，随着时间的推移，OpenAI和Microsoft AI代理将能够像人类用户一样使用计算机，执行任务并与外部系统进行对话。LLMS涡轮增压可能会移动光标，单击按钮并输入文本。，用户将不仅可以与AI代理进行交谈，而是能够要求他执行任务。
阿里巴巴启动了高级AI模型，以竞争GPT-4
QWEN2.5-MAX现在可以通过阿里巴巴云服务向开发人员使用，并且可以通过公司的对话AI平台Qwen Chat访问。该系统提供了与OpenAI的API格式的兼容性，有可能简化已经使用类似AI服务的组织的采用。
GPT-4作为缺血性中风管理中的临床决策支持工具：评估研究
背景：脑血管疾病是全球第二大死亡原因，也是残疾负担的主要原因之一。人工智能的进步有可能彻底改变医疗保健的服务，尤其是在诸如缺血性中风管理等关键决策情况下。目标：本研究旨在评估GPT-4在为急诊科神经病学家提供临床支持的有效性，通过将其建议与急性缺血性中风管理中的专家意见和现实成果进行比较。方法：回顾性审查了100例急性中风症状患者的队列。用于决策的数据包括患者的病史，临床评估，成像研究结果以及其他相关细节。每个病例都独立呈现给GPT-4，该病例提供了有关治疗适当性，使用组织纤溶酶原激活剂以及需要进行血管内血栓切除术的规模建议（1-7）。此外，GPT-4估计了每位患者的90天死亡率概率，并阐明了其为每个建议的推理。然后将建议与中风专家的意见和实际治疗决策进行比较。结果：在我们的100例患者的队列中，GPT-4的治疗建议与专家意见（曲线下的面积[AUC] 0.85，95％CI 0.77-0.93）和实际治疗决策（AUC 0.80，95％CI 0.69-0.91）。值得注意的是，在某些情况下，GPT-4建议比人类专家更具侵略性的治疗方法，其中11个实例，GPT-4建议对专家意见进行组织纤溶酶原激活剂的使用。gpt-4在建议血管血栓切除术（AUC 0.94，95％CI 0.89-0.98）中与现实世界的决策显示出几乎完美的一致性，并且对组织纤溶酶原激活剂治疗（AUC 0.77，95％CI 0.68-0.86）进行了强有力的一致性。为了进行死亡率预测，GPT-4在其前25个高风险预测中的13例死亡中有10个（77％）（AUC 0.89，95％CI 0.8077-0.9739;危险比6.98，95％CI 2.88-16.9; p <.001; p <.001; p <.001; p <.001），诸如p <.001），诸如p <.001），诸如实践模型，均录制了> 70；和前提（AUC 0.77； P = .07）。结论：这项研究证明了GPT-4是急性中风管理中可行的临床决策支持工具的潜力。其提供可解释建议的能力，而无需结构化数据输入与
评估Chatgpt3.5人工智能系统在执行AHA 2020年ACLS协议中的能力
简介：人工智能（AI）已成为最近研究的重点，尤其是由于它有可能减少人工劳动和时间损失的潜力。AI在医学领域的最重要贡献预计将提高临床医生的效率，降低成本并改善公共卫生。本研究旨在评估ChatGpt 3.5的熟练程度，Chatgpt-3.5是当今可用的最先进的AI应用程序之一，它根据2020年的美国心脏协会（AHA）指南的当前信息了解。方法：涵盖当前AHA 2020申请步骤的80个问题测验，以英语（Chatgpt-3.5英语）和土耳其语（Chatgpt-3.5 Turkish）为CHATGPT-3.5进行了准备和管理。这些问题最初是在土耳其为急诊医学专家准备的。结果：在所有问题上，我们发现了与Chatgpt-3.5提出的所有问题相似的超过80％的成功率，以及至少有五年经验的两位独立的急诊医学专家，他们彼此不认识。chatgpt-3.5在与当前AHA指南，气道管理和通风章节的一般概述有关的所有问题中取得了100％的成功率。讨论和结论：我们的研究表明，Chatgpt-3.5提供的答复与经验丰富的紧急专家有关AHA 2020 ADADACT ADVANDACT心脏寿命支持指南的答复与经验丰富的紧急专家一样准确和最新。随着未来更新的chatgpt版本，基于教科书和指南的准确和当前信息即时访问将变得越来越可行。关键字：人工智能； AI聊天机器人；临床决策支持；生成预告片的变压器；指南。开发技术和计算机系统的主要目标是减少对人工劳动的依赖并创建自主系统。而不是仅执行预定命令的系统，而是重点是开发能够自主响应不断变化条件的人工智能（AI）系统。
OpenAI GPT-4.5系统卡
我们在烧烤评估中评估了GPT-4O，O1和GPT-4.5 [1]。此评估评估已知的社会偏见是否覆盖了模型产生正确答案的能力。在模棱两可的上下文中 - 正确答案是“未知”的，因为在提示中不足的信息（或明确的问题）可以清楚地获得答案，但提供了偏见的混杂因素 - GPT-4.5与GPT-4O相似。我们历史上已经报道了p（不是stereotype |未知），但是在这种情况下，它在解释性能方面的描述能力很小，因为所有提供的模型在模棱两可的问题数据集中的表现相对较好。O1通过在明确的问题上更频繁地提供正确的无偏见答案来胜过GPT-4O和GPT-4.5。
敏感性：在结构化的OMICS数据上利用生成的大语言模型来优化药物敏感性预测
摘要目的：癌细胞系的大量药物基因组学数据的快速积累为药物敏感性预测（DSP）提供了前所未有的机会，这是促进精度肿瘤学的关键先决条件。最近，生成的大语言模型（LLM）表明了自然语言处理领域（NLP）领域的各种任务的性能和概括。然而，药物基因组学数据的结构化格式对DSP中LLM的实用性提出了挑战。因此，这项研究的目的是多重的：适应结构化药物基因组学数据的及时工程，以优化LLM的DSP性能，评估LLM在现实世界DSP方案中的概括，并比较LLM的DSP性能与目前的Science-Science Baselines。方法：我们系统地研究了生成性预训练的变压器（GPT）作为四个公开基准药物基因组学数据集的DSP模型，这些模型由五种癌症组织类型的细胞系和肿瘤学和非综合药物进行分层。本质上，通过四个学习范式评估了GPT的预测格局在DSP任务中的有效性：零射击学习，几乎没有学习，微调和聚类预处理的嵌入。通过实施三个及时的模板（即指令，指导，预定，披肩）并将与药剂基因组相关的特征集成到提示中，为了促进GPT无缝处理结构化的药物基因组学数据，采用了域特异性新颖的及时工程。与最先进的DSP基准相比，GPT主张了卓越的F1性能我们验证了GPT在不同的现实世界DSP方案中的表现：跨组织概括，盲试和药物校园关联的分析以及顶级灵敏/抗性细胞系。此外，我们对GPT进行了比较评估，该评估是针对多个基于变压器的预验证模型和现有的DSP基准的。结果：在五个组织组的药物基因组学数据集上进行的广泛实验表明，微调GPT会产生最佳的DSP性能（28％F1增加，P值= 0.0003），然后群集预处理的GPT嵌入了GPT嵌入（26％F1增加，P-value = 0.0005），很少有gpt（I.但是，在零射击设置中的GPT具有很大的F1间隙，导致表现最差。在迅速工程的范围内，通过直接指导GPT有关DSP任务并诉诸简洁上下文格式（即指令 - 预备）来实现性能提高，从而导致F1性能增长22％；同时，从基因组学和/或分子特征衍生出的药物细胞线及时及格环境将F1得分进一步提高了2％。
基于GPT的工具对理解标准化段落的不同影响
由于大型语言模型（例如生成预训练的变压器模型（GPT））的能力迅速提高，基于人工智能（AI）的工具已在大规模的教育中输入。但是，经验数据在很大程度上缺乏AI工具对学习的影响。在这里，我们确定了使用随机的交叉跨界在线研究（n = 195）对标准化美国大学测试（ACT）衍生的标准化美国大学测试（ACT）衍生的段落的阅读理解的影响的影响。所研究的四个工具是AI生成的摘要，AI-AI-ADERING概述，问答导师Chatbot和Socratic讨论聊天机器人。与我们的预注册假设一致，我们发现AI工具的差异效应是基线阅读理解能力的函数。AI工具在较低的参与者中显着提高了理解力，并且在较高表现的参与者中的理解力显着恶化。在特定工具方面，苏格拉底聊天机器人的表现最低，而摘要工具则最大的表现会恶化。这些发现表明，尽管AI工具具有增强学习的巨大潜力，但毯子的实施可能会对较高表现的学生造成意想不到的伤害，呼吁谨慎和开发人员和教育工作者进一步实证研究。
医师对眼科研究的观点
要获取有关在医生中接受人工智能聊天机器人接受人工智能聊天机器人（Chatgpt; OpenAi，旧金山）的详细数据，一项调查探讨了医师关于在Ophthalmology中使用Chantgpt的反应。调查包括有关Chatgpt在眼科中应用的问题，诸如工作替换或自动化之类的未来问题，研究，医学教育，患者教育，道德问题和实践中的实施。一百九十九个眼科医生参加了这项研究。大约三分之二的参与者在眼科有15年或以上的经验。一百六十报告说他们已经使用了chatgpt。我们发现使用或不使用Chatgpt的年龄，性别或经验水平没有差异。ChatGpt用户倾向于将ChatGPT和人工智能（AI）视为眼科有用（P = 0.001）。用户和非用户都认为AI对于识别早期的眼病迹象，在治疗计划中提供决策支持，监测患者的进度，回答患者问题和安排预约很有用。用户和非用户都认为，在医疗保健中使用AI有一些问题，例如责任问题，隐私问题，诊断准确性，聊天机器人的信任，道德问题和信息偏见。使用Chatgpt和其他形式的AI的使用越来越多地被眼科医生接受。AI被视为改善患者教育，决策支持和医疗服务的有用工具，但人们对隐私和工作流离失所也有一些担忧，这些工具需要人类的监督。
chatgpt作为发明家
本研究的比较distionPractices和largelanguagemodel（LLM）的designPractice和绩效与48小时原型Hackathon中的研究生工程专业的学生有关，该数据集基于一个包含100多个原型的数据集。LLM通过指示执行其指示并提供客观反馈，自主产生的想法并在没有人类干预的情况下做出所有设计决策的两个参与者参加。LLM表现出与人类参与者相似的原型制作实践，并在六支球队中获得第二名，成功地设计并为功能原型提供了建筑说明。LLM的概念产生的cap质特别强。然而，LLM在面临小小的困难，为设计中增加了不必要的复杂性并经验丰富的设计固定时，过早地放弃了有前途的概念。由于模糊或不清楚的描述，LLM与参与者之间的沟通挑战，而LLM难以保持连续性和回答中的相关性。基于这些发现，提出了六个有关在设计过程中实施LLM之类的LLM的建议，包括利用它来构思，确保人类的监督来确保关键决策，促使其考虑替代方案，并在子系统级别进行特定和可管理的任务。