XiaoMi-AI文件搜索系统
World File Search System大语
大语言模型的医学解释对放射学诊断决策的影响
临床表现：一名59岁的妇女在右眼有4天的炎症和疼痛病史，在那里她已经失明了几年。慢性失明和最近的症状表明了一个长期存在的眼部问题，现在已经成为症状。成像发现：磁共振成像显示右轨道质量，表明受影响的眼睛有明显的病变。全身参与：腹部和胸部成像显示许多肝肿块，腹部和胸部淋巴结肿大以及椎骨硬化骨性疾病，表明广泛转移性疾病。眼病史：几年患者在眼中盲目的事实表明，长期存在的主要眼病，例如黑色素瘤，可以转移到其他器官。病理确认：将右眼夹紧用于姑息性缓解，并获得组织以进行诊断。摘除剂以控制症状并获得明确的诊断。症状相关性：轨道肿块，广泛的转移性病变和患者眼病史的组合强烈表明转移性眼部黑色素瘤。
使用（不是）大语模型在正式DSL中生成模拟模型 - 反应网络的研究
形式语言是建模和仿真的组成部分。他们允许将知识蒸馏成简明的模拟模型，可自动执行，解释和分析。但是，可以说最容易获得模型的方法是通过自然语言，这是计算机不容易解释的。在这里，我们评估了如何将大型语言模型（LLM）用于将自然语言形式化为模拟模型。现有研究仅使用非常大的LLM（例如商业GPT模型）进行探索，而无需微调模型权重。要缩小这一差距，我们展示了如何对开放量，7B参数Mistral模型进行微调，以将自然语言描述转化为特定于域语言的反应网络模型，从而提供自我托管，计算和内存有效的替代方案。为此，我们开发了一个合成数据代理，以作为微调和评估的基础。我们的量词评估表明，我们的微调Mistral模型可以恢复高达84的地面真相模拟模型。5％的案件。此外，我们的小规模用户研究展示了该模型在各个领域的一次性生成以及交互式建模的实际潜力。虽然有前途，但以当前形式，微型的小LLM无法赶上大型LLM。我们得出的结论是，需要更高质量的培训数据，并期望将来的小型和开源的LLM提供新的机会。
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％。
关于大语言模型（LLM）的工作文件
2国家标准技术研究所，人工智能风险管理框架（AI RMF 1.0），2023年6月，https：//doi.org/10.6028/nist.ai.100-1。 3 United States, Executive Office of the President [Joseph Biden], Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence , October 30, 2023, https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-安全和信任的发展和人工智能使用。 4加州隐私保护局，风险评估和自动决策技术法规（2024年3月），https://cppa.ca.gov/meetings/materials/20240308_item4_item4_draft_risk.pdf;科罗拉多州SB 24-205，人工智能的消费者保护（2024），https：//leg.colorado.gov/bills/sb24-205。2国家标准技术研究所，人工智能风险管理框架（AI RMF 1.0），2023年6月，https：//doi.org/10.6028/nist.ai.100-1。3 United States, Executive Office of the President [Joseph Biden], Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence , October 30, 2023, https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-安全和信任的发展和人工智能使用。4加州隐私保护局，风险评估和自动决策技术法规（2024年3月），https://cppa.ca.gov/meetings/materials/20240308_item4_item4_draft_risk.pdf;科罗拉多州SB 24-205，人工智能的消费者保护（2024），https：//leg.colorado.gov/bills/sb24-205。
通过大语言模型指导预测学习
强化学习算法通常在没有密集，形状良好的奖励功能的情况下挣扎。本质上动机的利用方法通过奖励访问新颖状态或过渡的代理来解决这一限制，但是这些方法在大多数发现的新颖性与下游任务无关的大环境中提供了有限的好处。我们描述了一种使用文本语料库中背景知识来塑造探索的方法。此方法称为Ellm（e xploring at llm s）奖励代理，以实现由促使代理当前状态描述的语言模型所建议的目标。通过利用大规模的语言模型进行预处理，Ellm指导代理人朝着人类善意而有用的行为来实现，而无需在循环中进行人类。我们在手工游戏环境和管家机器人模拟器中评估ELLM，表明经过训练期间，经过ELLM训练的代理在训练过程中具有更好的覆盖范围，并且通常在一系列下游任务上匹配或提高性能。
通过大语言模型探索零拍的跨语性生物医学概念归一化
摘要。在过去的几年中，歧视性和生成性的大语言模型（LLM）已成为自然语言处理的主要方法。，尽管取得了重大进步，但在比较跨语性生物医学概念归一化中判别和生成性LLM的性能仍然存在差距。在本文中，我们对几个LLM进行了比较研究，涉及跨语言生物医学概念通过致密检索的具有挑战性的任务。我们利用涵盖10种语言的XL-BEL数据集来评估模型在不进一步适应的情况下在各种语言环境中概括的能力。实验发现表明，E5是一种判别模型，表现出卓越的性能，而生物分类出现为表现最佳的生成LLM。复制实验的代码可在以下网址提供：https：//github.com/hrouhizadeh/zsh_cl_bcn。
大语言扩散模型
自回旋模型（武器）被广泛地成为大型语言模型（LLMS）的基石。我们通过介绍LLADA挑战了这一概念，这是一种扩散模型，该模型在训练和监督的细调（SFT）范式下从头开始训练。llada通过向前数据掩盖过程和反向过程进行分散模型，该过程由香草变压器参数列出以预测掩盖的令牌。通过操作可能性结合的可能性，它为概率引发提供了一种限制的生成方法。在广泛的基准测试中，Llada表现出强大的可伸缩性，表现优于我们的自我建造的手臂基线。明显地，LLADA 8B具有强大的LLM，例如LLAMA3 8B在秘密学习中，并且在SFT之后，在诸如多转变型号之类的案例研究中表现出令人印象深刻的跟随能力。此外，Llada解决了诅咒，在逆转诗的完成任务中超过了GPT-4O。我们的发现将扩散模型建立为武器的可行且有前途的替代方案，挑战了上面讨论的关键LLM功能固有地与武器相关的假设。项目页面和代码：https：//ml-gsai.github.io/llada-demo/。
大语模型的潜力在产生多重...
在本研究中使用了一种定制的Chatgpt，称为GPTS [15] [15]，结果模型被称为“ Physio Exam gpt”。自定义过程涉及两个主要组成部分：首先，一个包括340个MCQ的知识库以及相应的正确答案，解释和链接的主题，这些主题是从第57届日本和第58届日本国家物理治疗师的国家许可检查中得出的。作者开发了这些解释和相关主题，如附录部分（补充1）所示。第二，量身定制的提示配置旨在使用户能够输入相关主题，从而使GPT可以根据知识库中嵌入的信息生成MCQ。提示设计的细节在补充2中列出；如上所述，自定义过程有意限于嵌入“知识”（MCQ）并配置“提示”，而没有其他微调或模型调整。生成的问题仅依赖于自定义GPT框架的标准功能。
生物医学数据分析中的人工智能：对自动临床试验解释和统计评估的大语言模型的比较评估
分析临床试验数据对于评估新疗法的功效和安全性至关重要。传统上，此过程需要在生物医学，临床研究，生物统计学和数据科学方面的专业专业知识，通常使其劳动密集型，耗时且昂贵[1]。对于缺乏数据分析培训的临床医生和研究人员，复杂的统计要求可能会成为重大障碍，从而导致将研究结果转化为临床实践的延迟。以大数据集和多个终点为特征的现代临床试验的复杂性日益加剧，加剧了这些挑战[2]。临床试验越来越依赖的不同原始和次要数据源的整合进一步强调了对处理复杂的，异质数据的先进分析工具的需求。介入的临床试验依赖于严格的协议下的一致记录保存，涉及多个学科的专家，包括 - 疾病生物学，专科临床护理，毒理学，转化科学，生物统计学，生物分析科学，监管事务，监管事务和生物医学伦理学。每个领域都为试验设计提供了重要的要素，以确保试验的各个方面都符合监管标准和科学严格的严格性，以产生有关治疗功效和安全性的证据。