STAT+:Tango 在 Revolution Medicines 胰腺癌成果基础上推进
STAT+ 报道称,Tango 在 Revolution Medicines 胰腺癌成果的基础上继续推进。OpenAI 生命科学研究负责人 Joy Jiao 在 Scripps Research 生物技术创新峰会上表示,模型在化学和生物学上达到超人类水平只是时间问题,她认为这将在未来一两年内发生。
按时间排列的全部内容。默认只显示通过双重评分的入选条目;切换到“全部收录”可以检索所有抓到的资料。
287 条收录动态,更新于 10:45
全部收录包含没有通过评分的资料,标题以常规字体显示并标为“未入选”,只供检索,不写入选理由。
STAT+ 报道称,Tango 在 Revolution Medicines 胰腺癌成果的基础上继续推进。OpenAI 生命科学研究负责人 Joy Jiao 在 Scripps Research 生物技术创新峰会上表示,模型在化学和生物学上达到超人类水平只是时间问题,她认为这将在未来一两年内发生。
作者梳理了 OpenAI 内部模型在 5 月找到 Erdős 单位距离猜想的反例、随后发表 Cycle Double Cover 问题证明、7 月再解十个开放问题、9 月给出 Navier-Stokes 证明,以及 Anthropic 对费马大定理的形式化和黎曼猜想的界改进,试图回答模型能解哪类数学问题。
OpenBMB 的 MiniCPM Spark Program S1 挑战赛收官,16 个项目获奖,开发者来自中国、西班牙、意大利、澳大利亚和美国。三个特别奖得主为 Dubedo、ESP32-S3 和 Personal Admin Agent Evaluation,各获 1 年 Typeless 会员。
哈佛关闭写作中心数月后,威廉姆斯学院一名教师在《纽约时报》撰文称口语比写作更适合思考,允许学生用 AI 写论文、事后当面答辩。该校写作中心主任 Julia Morgan McKenzie 撰文反驳,认为写作让在课堂和口试中不敢发言的学生也能发出声音,取消写作将不利于女性、国际学生、有色人种和性别非常规学生。
Global Campus 联合创始人 Paul Tuinenburg 呼吁出版商在论文录用和发表环节提示作者认领并维护自己的 OpenAlex 作者档案。
正文实际内容为网站 Cookie 说明,未包含 TinyFish 的架构细节、版本、数据或可用范围,无法据此写出可核验的摘要。
SciSpace 发布指南,介绍如何用 Python 调用 ClinicalTrials.gov 官方 REST API 以 JSON 获取试验注册数据。NLM 的公开检索示例不提供 API Key,并将该服务描述为开放获取,但官方材料未给出具体速率限制数值。指南演示用 pageToken 翻页,NLM 记录默认每页 10 条研究,并提醒经典 API 已于 2024 年 6 月 25 日退役。
Digital Science 今年早些时候召集医学事务负责人举行圆桌讨论,探讨机构如何构建可落地的 AI 战略,并将可持续的 AI 能力嵌入日常工作流。讨论覆盖建立信任与推动用户采用、科学洞察的数量与质量、ROI 证明、治理与监管对齐、系统综述与方法学严谨性、新兴用例六个议题。进展最明显的机构将雄心用例与严格治理配对,坚持人在回路与来源可溯,并投入变革管理。
arXiv API 是免费检索论文元数据与摘要的接口,官方公开检索流程无需 API Key,返回 Atom 1.0 XML 而非 JSON。速率限制为每 3 秒一次请求、单连接,且在你控制的所有机器上共享;官方文档标注结果上限 30000 条、每页最多 2000 条,而 arxiv.py 文档称每查询 30 万条,两者存在冲突。
SkyRL 团队称在 B200(约 178 GiB)上通过四类系统优化,把 GLM-5.3-Flash 的单序列训练长度做到 100 万 token,峰值约 144.5 GiB,约为开箱 Megatron 基线的 64 倍。
Super excited to share some of the work I’ve been doing on supporting 1M token context training on SkyRL for GLM 5.3 Flash, 64x higher than the out of the box Megatron baseline! 🚀 This work was done in collaboration with the amazing folks at @LilaSciences! 🤩 Getting there took key algorithmic and systems optimizations in four main areas: 1) DeepSeek Sparse Attention: run DSA on a sparse kernel; chunk and shard its quadratic indexer. 2) Activation recompute and offloading: recompute activations in backward and offload saved inputs to CPU. 3) Context parallelism: split each sequence across GPUs, with new CP support for KDA and a fix for DSA. 4) Avoiding unnecessary precision upcasts: keep FP32 copies out of memory and off the network. For more details on our implementations and our results, check out our full technical blog here: https://blog.skyrl.ai/blog/1m-context-glm-5-3-flash! This work benefited from the contributions of many people along the way. Big thanks to @pcmoritz, @erictang000, @sumanthrh, @CyrusHakha, @richliaw from @anyscalecompute and Keith Truongcao, Tushar Khot, Vivek Subramanian, Semih Kara from Lila Sciences for all the help and guidance!
施普林格·自然首席出版官哈什·杰加迪桑在专访中表示,学术出版的未来在于开放获取、AI 与全球合作。该机构今年9月更新 AI 编辑政策,以“绿灯”“黄灯”“红灯”区分允许、有条件允许和禁止的 AI 使用,并明确 AI 不能列为作者。2025年其投稿量达310万篇,发表原创研究文章53.9万篇,其中53%以开放获取模式出版。
OpenAI CEO 萨姆·奥尔特曼在斯坦福大学演讲称,面对 AI 进入数学研究,数学家会经历类似“哀悼”的阶段:从“我们完蛋了”到愤怒,再到把 AI 视为不可或缺的工具。他承认数学界受 AI 冲击的速度快于其他领域,但认为不会造成就业大灾难。
Datalab 开源文档解析器基准 OmniParseBench 以 16,288 项通过/失败测试覆盖 2,937 页文档,并公布 27 个解析器的判定结果。该教程基于这些判定重建排行榜,发现排名前两位的解析器在统计上并列,且多数文档切片上领先者会变化。作者还在 50 页样本上自行运行 Tesseract 与 Indra OCR,并指出一项发布数字与公开文件不符。
alphaXiv 发布了一份可解释性图解指南,从早期计算机视觉研究讲到语言模型,梳理特征可视化、SHAP 与积分梯度、电路追踪,以及注意力头、残差流、激活引导、消融与探针实验、多义性与 SAE 等方法。指南还讨论了该领域的局限与开放问题,并回应了近期走红的文章 Neural Networks Are Already Clean 引发的争论:我们是否真在接近逆向工程 LLM。
Silverchair CEO Will Schweitzer 在 Platform Strategies 会议的演讲指出,学术出版业应区分哪些 AI 信号值得立即行动。
陶哲轩在其博客发起一项实验性 AI 数学挑战,邀请读者用 AI 工具从关于准黎曼假设或 Landau–Siegel 零点问题的新稿件中,在不使用 Heegner 方法的前提下推导假想第十判别式的有效上界,并尽量优化该常数。
Tristan Buckmaster 在 Terence Tao 博客撰文称,OpenAI 的 Navier–Stokes 证明据称动用 1 万个智能体、耗时 88 小时,成本达数百万美元,而该问题悬赏仅 100 万美元。
在 Inside Higher Ed 美国高校峰会上,多位校长称 AI 令人“困惑”“混乱”但也意味着“机会”,有校长表示尚无政策指引,并主张不同时押注单一 AI 平台。
Silverchair 在 Platform Strategies 2026 召集 Science Magazine、NEJM Group 等机构专家,讨论科学不实信息传播快于严谨科学时出版方如何应对。
一位在学术医疗中心工作23年的研究方法学家,用 Claude 输入祖母死亡证明、家族病史及上世纪80、90年代的研究资料,试图为家族三代女性携带的罕见病找到名称。她的母亲患病近40年、姐姐15年病程后于41岁去世,均未被告知该病已有命名。家族有50年有记录病史,医生长期以"罕见、了解不足"回应。
Alphabet CEO Sundar Pichai 在 Big Technology Podcast 采访中表示,Google 最新 Gemini 4 Argon 在编程、数学、科学和知识工作基准上超过 OpenAI 与 Anthropic 的公开模型,发布后 72 小时内处理近 25 万亿 Token,约为 Gemini 3.0 同期的三倍。
重庆 Force Academy 在 G7–G12 学生中推行"第二使用者测试":把看似完成的项目交给另一名学生独立复现、检查或修改,以检验作品脱离原作者后是否仍能成立。
SciSpace 发布研究研讨会指南,建议按研究逻辑组织报告而非照搬论文结构,10 分钟报告可从约 10 张幻灯片起步。指南要求标题页写明研究内容、姓名、机构与日期,引言交代问题与空白,并明确陈述研究问题与假设。方法部分需说明研究设计、样本量、重复数、变量与统计方法,并配实验设计示意图。
SciSpace 发布研究指南,整理审稿人 Lyndon Walker 在学术写作网络研讨会上提出的 7 个 AI 写作危险信号,包括批量生产式研究、复制粘贴痕迹、虚构参考文献、泛化文风、结论与数据不符、试图操纵评审系统以及学术归属丧失。
SciSpace 发布的研究指南对比了概念型论文与实证型论文:前者依靠现有文献、理论视角与逻辑推理发展或修正概念框架,后者通过实验、调查、访谈或数据集等系统收集的证据回答研究问题。指南指出两者在主要目的、证据基础、原创贡献与评价标准上存在差异,但这些区分并非绝对规则。
宇树科技创始人王兴兴在 2026 世界物理 AI 大会上透露,宇树测试显示 GPT-6 在完全零训练情况下已能直接控制机器人完成画画、清洗画笔、下围棋等任务。宇树 G1 目前是全球最畅销的人形机器人,累计下线约 1 万至 2 万台。宇树正在开发"宇树预演"物理 AI 机器人自进化系统,让 AI 模型自行搜集论文、写代码、在仿真环境训练并到真实环境测试,由 AI 打分反馈形成自循环。
斯坦福 CS 329Z(Fall 2026)第9讲给出 Agent 系统优化选型图:前提是数据、系统、评估指标三样齐备,一般先做上下文优化(prompt 与 few-shots),不够用、想蒸馏到小模型或 prompt 过长时再改权重。
CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp https://cs329z.stanford.edu/ 课程定位:从"模型"到"系统"的工程学 覆盖:简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补: @Diyi_Yang(斯坦福 NLP 教授,人机交互与社会计算方向) @michaelryan207(DSPy 核心贡献者,自动评估 AutoMetrics 作者) @jyangballin(SWE-agent / SWE-bench / SWE-smith 作者,软件工程 Agent 领域最重要的研究者之一) # 课程主线:三大工程挑战 贯穿全课的三个核心问题——分解(decomposition)、数据(data)、评估(evaluation)。11 周的内容基本围绕这三条线展开,可以分为五个模块: 模块 1:构建基元(Week 2–3) · LLM 作为构建材料:API/SDK(litellm)、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG:embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用:函数调用 API、MCP(Model Context Protocol)、工具设计、代码沙箱、错误处理与重试 模块 2:框架与设计模式(Week 3–5) · 框架层:DSPy(signature / module / optimizer)、LangChain/LangGraph、LlamaIndex,重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式:workflow vs. agent 的分类学,五种可组合 workflow 模式,ReAct / plan-and-execute / reflection,"scaffold(脚手架)本身就是设计决策" · 记忆架构:短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆(MemGPT、Mem0、Generative Agents) · 多 Agent 系统:编排模式、handoff 与状态传递,以及一个很有态度的对照阅读——既读 AutoGen,也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3:优化(Week 5) · 从提示词到微调的全景:GEPA、MIPROv2、OPRO、TextGrad(提示优化);LoRA/QLoRA、蒸馏、RLHF/DPO(权重优化);test-time scaling(推理算力) · 核心问题是决策框架:什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4:数据与评估(Week 6–8)——最有分量的部分 · 数据:trace、demonstration、feedback 三类数据;训练数据 vs. 评估数据;数据飞轮;合成数据;从 Agent 轨迹构建数据集(SWE-smith) · 评估基础:为什么 eval 难;4 元组框架(request / environment / stopping criteria / scorer);好 benchmark 的性质;tinyBenchmarks · 评估基础设施:三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5:安全与前沿(Week 8–11) · 安全:工具访问的隐私风险、prompt injection(含间接注入)、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent:SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent:从 reactive 到 proactive,General User Models(GUM)、Next Action Prediction,以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题:多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性(tracing、monitoring、成本管理) # 作业设计:一手建、一手评 HW1:从零构建 Agent 系统(10%) 给定论文库,构建能检索并推理回答科学问题的 Agent。 · Part A:只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B:用 DSPy 重建关键组件,并反思框架抽象了什么 HW2:评估一个 Agent(10%) 给定一个预构建 Agent,设计完整评估套件:代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。
Netflix 资深研究科学家 Cameron R. Wolfe 发布主观任务 Agent 评测路线图,主张人工评测、离线自动评测、线上监控三步走,并配功效分析、置信区间、重复采样三件统计工具。
I just published my roadmap for building evals on highly subjective tasks. Here are the key steps involved and practical tricks for reducing noise / increasing confidence… Blog is here: https://cameronrwolfe.substack.com/p/subjective-evals Why is this difficult? Evaluating agents is already hard due to their broad scope, emphasis on expensive / long-horizon tasks, and non-determinism. Subjective tasks make this even harder because we cannot deterministically verify solutions and must rely on human judgments (or LLM judges). This introduces additional noise into an already difficult evaluation process. Evaluation roadmap. We can build reliable evaluations using a repeatable framework with three components: - Human evaluation: Our North Star for quality. Create quality guidelines that clearly define quality with the help of subject-matter experts, calibrate human evaluators to ensure agreement, and continually monitor evaluation quality. - Offline evaluation: Use calibrated LLM judges or task-specific rubrics as an efficient proxy for human evaluation. This allows us to scale experimentation without relying on expensive human evaluation for every new model. - Production monitoring: Track quality signals from real-world agent usage and use A/B testing to validate improvements before fully deploying a new agent. Multi-stage evaluation. These components form a tiered evaluation process: Offline evaluation → Human evaluation → Production A/B test → Full deployment We can test many ideas automatically, send promising candidates to human evaluation, and validate improvements through production A/B testing. Continual production monitoring then allows us to discover new use cases / failure cases in production that we can add into the earlier stages of evaluation to create a feedback loop. Sampling useful data. Evaluation quality depends heavily on which tasks we select. We want tasks that are diverse, realistic, difficult, discriminative, and accurate. Techniques like structured task taxonomies, model-based difficulty filtering, Item Response Theory (IRT), and LLM-based auditing help us construct more informative evaluation sets. Handling noise. We should leverage statistics throughout the evaluation process: - Power analysis: Estimate the number of evaluation samples needed to detect meaningful improvements. - Confidence intervals: Quantify uncertainty and provide clear confidence signals alongside evaluation results. - Re-sampling: Repeat agent / judge evaluations to reduce within-task variance and potentially tighten confidence intervals. - Paired comparisons: Evaluate models on the same tasks to more reliably detect performance differences. Key takeaway. An improved benchmark score does not always mean our agent is more capable. We need well-designed evaluation tasks, calibrated human / model evaluators, and statistical confidence signals to distinguish meaningful capability improvements from noise (especially on subjective tasks). By combining these techniques into a repeatable evaluation process / roadmap, we can make building and maintaining evaluation suites more systematic, reliable, and scalable.
终于整理出了一份关于开放模型现状的完整演示文稿。 涵盖它们是什么、许可证、竞争力如何、人们正在使用它们的迹象、蒸馏的影响,以及我们如何平衡开放的风险与收益! 很快会录制这些内容的视频讲座,希望每年能重做几次。