XiaoMi-AI文件搜索系统
World File Search SystemMs
问询：供应链管理部门： Modiegi 胜利/女士Rain Boshomane/Frans Malaka
MORETELE 地方市政当局 市政办公室 私人邮袋 X 367 展位号 4065 B Makapanstad MATHIBESTAD 0404 电话：012 716 1300 传真：012 716 9999
CURIE：评估多任务科学长期法学硕士 (LLM) ...
科学问题解决涉及在应用专家知识的同时综合信息。我们引入了 CURIE，这是一个科学的长上下文理解、推理和信息提取基准，用于衡量大型语言模型 (LLM) 在协助科学家进行现实实验和理论工作流程方面的潜力。该基准引入了由六个学科的专家策划的十项具有挑战性的任务：材料科学、凝聚态物理、量子计算、地理空间分析、生物多样性和蛋白质。我们在 CURIE 中的任务上评估了一系列封闭和开放的 LLM，这些任务需要领域专业知识、对长上下文信息的理解和多步骤推理。虽然 Claude-3 在各个领域都表现出一致的高理解力，但流行的 GPT-4o 和 command-R + 在蛋白质测序任务上表现不佳。总的来说，所有模型都有很大改进空间。我们希望这项工作能够指导未来科学领域 LLM 的发展。
动态情报评估：在通往AGI的道路上基准LLM，重点是模型置信
摘要 - 随着机器智能的发展，需要测试和比较不同AI模型的问题解决能力的需求。但是，当前的基准通常很简单，允许模型均匀地表现良好，并且很难区分其功能。此外，基准通常依赖于模型可能记住或猜测的静态问答对。为了解决这些局限性，我们引入了动态智能评估（DIA），这是一种使用动态问题模板测试AI模型的新方法，并改善了多个学科的指标，例如数学，密码学，网络安全性和计算机科学。随附的数据集，Dia-Bench包含各种挑战模板的集合，这些挑战模板具有各种形式的可变参数，包括文本，PDF，编译的二进制文件，视觉难题和CTF风格的网络安全挑战。我们的框架介绍了四个新指标，以评估多次尝试的模型的可靠性和信心。这些指标表明，以不同形式摆姿势时，即使是简单的问题也经常被错误地回答，从而突出了模型的可靠性中的显着差距。值得注意的是，像GPT-4O这样的API模型通常高估了其数学功能，而ChatGpt-4O由于有效的工具使用而显示出更好的性能。在自我评估的Openai的O1-Mini中，证明其应尝试解决哪些任务是最好的判断。我们使用DIA-Bench评估了25个最先进的LLMS，这表明当前的模型在复杂的任务中遇到了困难，并且即使有更简单的问题也表现出意外的较低信心。DIA框架设定了一个新标准，不仅可以评估解决问题的问题，还设定了模型的自适应智能和评估其局限性的能力。该数据集在项目页面上公开可用：https：//github.com/dia-bench。索引术语 - 手工智能，大语言模型，动态基准测试，性能指标，可靠性
跟上KEMS：KEM的更强安全概念和基于KEM的协议的自动分析
关键封装机制（KEMS）是混合加密和现代安全协议的关键构建块，尤其是在量式后环境中。鉴于收件人的不对称公钥，原始键在发送者和收件人之间建立共享的秘密密钥。近年来，已经提出了大量的KEM的抽象设计和具体的实现，例如，在Quantum后原语的NIST过程中。在这项工作中，我们（i）为KEM建立了更强大的安全性概念，（ii）开发了一种符号分析方法来分析使用KEMS的安全协议。首先，我们在计算环境中概括了KEM的现有安全性概念，引入了一些更强的安全概念并证明其关系。我们的新属性正式化了kem的输出，即唯一确定，即绑定其他值。可以使用我们的新绑定属性，例如，证明没有先前的安全概念未捕获的攻击。在其中，我们确定了我们重新封装攻击的新攻击类别。第二，我们开发了一个与我们的计算安全概念层次结构相对应的细粒符号模型的家族，并且适合基于KEM的安全协议的自动分析。我们将模型编码为Tamarin Prover框架中的库。给定基于KEM的协议，我们的方法可以自动得出KEM所需的最小结合特性；或者，如果还给出了具体的KEM，可以分析该协议是否符合其安全目标。在案例研究中，塔玛林会自动发现，例如，在原始的kyber论文[12]中提出的关键交换协议需要比[12]中证明的KEM的属性更强。
进行有效的LLMS培训
强化学习（RL）是一种广泛采用的LLM训练后培训方法，用于增强对齐和推理能力。本演讲将介绍我们在设计有效的RL算法和培训LLM的系统方面的最新进展。在算法方面，我们将首先讨论流行的RLHF方法（即DPO和PPO）之间的优缺点，并表明正确配置的PPO培训可以基本上改善有关挑战竞争性编码基准的LLM表现。然后，我们将讨论一些LLM奖励设计的常见陷阱，这些陷阱很容易导致LLM RL培训中不希望的失败。我们建议可以稳定RL培训并提高LLM数学推理功能的简单技巧。在系统方面，我们将介绍分布式的RLHF培训系统RealHF，该系统是所有算法作品的系统基础。RealHF专门研究LLM RL培训，与其他开源RLHF系统相比，可以实现超过10倍的速度。可以在此处找到相关论文：https：//arxiv.org/pdf/2404.10719，https：//arxiv.org/pdf/2410.15115，https://arxiv.org.org.org/pdf/pdf/2406。14088。
用LLMS革新医疗保健
最近的作品探索了用于医疗保健中各种任务的大型语言模型（LLM），结果令人印象深刻。例如，使用Llama（大语言模型META AI）模型对医学文献进行微调，在生物医学质量检查数据集上获得了有希望的结果。LLM在公共卫生和临床任务中的其他应用涉及对几项预测任务进行电子健康记录的培训，而预培训的版本已用于心理健康分析，使用社交媒体进行情感检测。其中一些已将临床准则实施到LLM中以进行决策支持，而Chatgpt和BiomedLM已用于个性化肿瘤学。除了决策和文档外，LLM的应用包括通过问答系统，医疗聊天机器人和虚拟健康助理与患者的互动。他们甚至被应用于分析可穿戴设备的时间序列健康数据，以进行活动识别和健康监测等任务。尽管具有潜力，但LLMS还提出了有关医疗保健领域可靠性和透明度的非常重要的挑战。这些模型可能会在没有彻底验证的情况下产生不正确的医疗信息，这可能导致严重的误诊和治疗错误，通常会产生深度，推理和来源透明度的反应。
使用MMSEQS2
通过计算工具从参考数据库中检索进化相关的序列（HO-MOLOGS）已经实现了许多生物学的进步（1-4）。在基于序列的蛋白质同源性范式上构建这些工具（5，6），通过搜索类似的氨基酸性序列来检测数百万到数十亿参考条目中输入查询的同源物。在数十年中，同源性搜索对于推断蛋白质特性至关重要（7-9），例如二级结构预测（10），检测蛋白质残基对之间的直接耦合（11）和第三纪结构预测，长期以来对生物学的巨大挑战（12）。特定的远程同源物已被证明是对当代深度学习方法（如Alphafold2等）（13 - 15）（13-15）的输入，以预测准确的结构（16-18）。要检索远程同源物，需要在数据库中查询和参考序列之间检测对成对的相似性的敏感工具。从理论上讲，可以通过应用基于动态编程的，间隙的史密斯 - 水手-GotoH算法（19，20）来找到高灵敏度，以在每个查询参考对准时找到最佳路径（对准）（21）。但是，参考序列数据库的不断增长的大小（17）使这种详尽的方法不切实际。结果，基于启发式的方法，例如BLAST（1），PSI-BLAST（22），MMSEQS2（4）和DIAMOND（3），在执行计算价格昂贵的间隙计算之前，融合了预滤波技术，以修剪大多数不同的序列。这通常是通过采用种子和扩展策略来完成的，其中简短的k-mer单词（“种子”）被索引和匹配，然后将其扩展到间隙比对。敏感的对准器（2）和hhblits（23）都采用了简化的动态编程方法，该方法在序列对之间的对齐矩阵的所有无间隙路径（严格的对角线）中得分，以找到最高得分的未射程匹配。与基于k的方法不同，是较低的比对的较低结合的近似值，无间隙对准会导致所有对以计算效率为代价的分数。探索了几种方法以达到更高的执行速度，无论启发式如何，例如中央处理单元
G.O.（MS）No.128/2024/Agri日期，Thiruvananthapuram，...
至：1。农业特别官员（WTO Cell）部门2。农业发展与农民福利部主任，蒂鲁瓦南塔普兰3.土壤科学与农业化学教授兼校长，喀拉拉邦农业大学（Vellanikkara）的喀拉拉邦农业大学土壤健康与有机农业项目协调员，土壤健康与有机农业（喀拉拉邦农业大学）。中央种植园作物研究所（CPCRI）的农业扩展主要科学家，Kasaragod 5。thiruvananthapuram 6。农业联合主任（无花果）和州协调员Jaiva Karshika任务，农业发展和农民福利
dalk：LLM和KG的动态共调解，以科学文献回答阿尔茨海默氏病问题
大型语言模型（LLM）的最新进步已在各种应用程序中实现了有希望的表现。nonthe sell，整合长尾知识的持续挑战继续阻碍了专业人士中LLM的无缝采用。在这项工作中，我们介绍了dalk，又称d ynamic的共同体LMS和K g，以解决这一局限性，并证明其研究阿尔茨海默氏病（AD）的能力，生物医学专业的亚场和全球健康优先级。With a synergized frame- work of LLM and KG mutually enhancing each other, we first leverage LLM to construct an evolving AD-specific knowledge graph (KG) sourced from AD-related scientific literature, and then we utilize a coarse-to-fine sampling method with a novel self-aware knowledge re- trieval approach to select appropriate knowl- edge from the KG to augment LLM inference capabilities.实验结果是在我们构建的AD问题答案（ADQA）基准的基准上进行的，强调了Dalk的效果。此外，我们执行了一系列详细的分析，这些分析可以为相互增强KG和LLM的新兴主题提供有价值的见解和准则。
在英国采用新方法方法（NAM）的建议
在我们的答复中，该委员会发现，英国在公共卫生和安全领域的技术和科学能力，包括预防非传播暴露与疾病相关的疾病，基本上是先进的，从而为英国提供了很大的机会，从而为全球领导者提供了通过将NAM整合到监管过程中，以评估Chection Chemist otions otions otions ot Comation section。需要针对NAM的明确和透明标准，以有效地征求针对化学安全评估中使用NAM（包括成本）的特定方法的建议。在本文档中，我们提供了一个框架和一组监管采用标准，作为促进NAM在化学法规中使用的重要初步步骤。