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
- UT Austin 数学系主任：OpenAI 拟一次放出约 400 个 AI 证明 — 141_1337 · 2026-10-06
- RT-SAFE 基准：8 个前沿 VLM 任务成功率达 94%，安全通过率仅 0.7% — Lianhuiq · 2026-10-06
- 动态权重嫁接：定位微调事实在 Transformer 中的两条检索通路 — ChenhaoTan · 2026-10-06
- 数学家 Strogatz 指出 Wolfram 囚徒困境实验缺了演化选择这一环 — stevenstrogatz · 2026-10-06
- 预测与实测扰动相关性仅 0.08，学者质疑「虚拟细胞」巨额投入方向 — anshulkundaje · 2026-10-06
- LLM 说「不确定」时到底指什么：校准与语义之辩 — sineadwilliamso · 2026-10-06