跳到主要内容
检索

Northwestern Polytechnical University

5 篇关联报道

订阅更新
  1. Nature Communications

    环状RNA与蛋白结合位点预测不再只看RNA:CPRISP把蛋白序列也编进模型,37套基准平均AUC达0.9874

    环状RNA与RNA结合蛋白的结合位点预测长期偏重转录本特征,蛋白侧信息利用有限。CPRISP把环状RNA的序列组成、理化性质、二级结构与预训练嵌入,同蛋白序列的全局与局部表示一起送入多尺度残差网络分类。在37套基准数据集上,其平均AUC为0.9874,高于CircSSNN的0.9230;在序列相似度受控划分下仍保持0.9861。

  2. arXiv

    招商政策与一人公司互相听得见:中介智能体双向传话,政府综合目标较八基线均值高42.4%

    区域招商政策与一人公司之间多了一条双向反馈通道:一人公司由个人借数字平台与AI智能体运营、可在区域间比较,过去政策端与公司端各按自己的估计行动。PolicyMediator把这条通道做成受认知约束的领导者—多跟随者Stackelberg框架,中介智能体向公司解释已核验的政策以建立认知与信任,再把需求与未解疑虑报回政府用于政策学习。在中国六区域、五类一人公司、五套场景与三种模拟器骨干共15组组合中排名第一,政府综合目标较八个基线均值提高42.4%。

  3. arXiv

    UniData 用九模态流水线把简单需求变成多轮多模态指令,在合理性、清晰度、细节与相关性四项指标上超过 Self-Instruct 与 VIGC

    作者提出 UniData,一个通用多模态指令生成流水线:先把用户关键词扩展为多样事件,再用以 LLaMA-3 为骨干、结合图像与音乐分词器的多模态指令生成器逐轮生成指令,并在推理时按轮次相关性纠正重复与无关内容;配套构建含九种模态、2 万条、平均 17.5 轮的 UniDataset,实验显示其数据质量在合理性、清晰度、细节、相关性四项 GPT 引导指标上均优于 Self-Instruct 与 VIGC,且生成数据微调后能提升其他多模态模型的理解与生成表现。

  4. medRxiv

    StrokeAgent 在 100 例急性卒中病例中与专家最终决策一致率达 86%,高于无工具 LLM 与神经科医生

    研究提出 StrokeAgent——一个围绕时间对齐与持续信息综合构建的多模态智能体决策支持框架,可处理临床记录、实验室结果、原始心电图波形与源多模态 CT 图像,支持急诊分诊、初始溶栓决策与最终再灌注规划,并在 100 例富含复杂再灌注情境的多模态患者数据中与专家最终决策达成 86% 一致率,高于三个无工具大语言模型均值 13 个百分点、高于六名住院与主治神经科医生均值 17 个百分点,完整路径一致率为 76%,平均比病例层面神经科医生中位用时快 73.9 秒,且在 1200 次盲法临床医生评估中获得更高的总体临床效用评分与推理质量评分、更少被判定为存在严重潜在危害。

  5. arXiv

    G²PTQ 在量化每个 Transformer 块前刷新梯度与 Hessian,2-bit 下把 KL 散度较 GPTAQ 减半并提升 6.45% 问答准确率

    该工作提出 G²PTQ,一个在全局监督的块级目标下同时利用一阶与二阶信息的训练后量化框架:它在量化每个 Transformer 块之前重新计算梯度与 Hessian 估计以避免陈旧,并用信赖域缩放约束精确一阶补偿步长,在 0.6B 至 125B 的 13 个稠密模型与 2 个 MoE 模型、2/3/4-bit 权重及 4-bit 权重-激活设置下取得比 GPTQ、GuidedQuant、GPTAQ 等基线更低的 KL 散度与更高的下游问答准确率。

已读完全部报道