NIH 团队发 Nature Protocols 教程:医学研究中可靠复用 LLM 的完整工作流
yuyinzhou_cs · x · 2026-09-03
Qiao Jin 等 NIH 研究者在 Nature Protocols 发表教程,总结开发 TrialGPT 等医学 LLM 系统的经验,针对「一次性 demo 多、可复用方案少」的痛点,把 LLM 医学研究工作流拆解为任务定义、模型选型、提示工程(推理、少样本、RAG、agentic 工具调用)、微调与部署五大环节。
作者还建议读者可直接把全文喂给研究 agent,作为搭建 LLM 研究系统的 skill 或指导原则。
「研究」频道最新
- Anvil 团队组合式形式化验证 Kubernetes 控制平面 — tianyin_xu · 2026-09-21
- ReCouPLe 用语言理由做几何约束,奖励模型分布偏移下精度提升1.5倍 — burny_tech · 2026-09-21
- kalomaze：两位同行撞上多模态墙后，他改观了「借 SSL 特征」一事 — kalomaze · 2026-09-21
- 仅两个腕部相机,机器人闭环空间理解演示惊艳 — ChongZzZhang · 2026-09-21
- DeepMind 天气模型直接吃原始卫星辐射数据,逐小时同化预报一体 — burny_tech · 2026-09-21
- Agent 集群一天攻破多年人工密码分析难题,引密码学界热议 — thomasahle · 2026-09-21