PulseAugur
中
实时 12:03:05
English(EN) PertMind: Eliciting Emergent Biological Reasoning in LLM via Reinforcement Learning on Cellular Perturbation Data

大语言模型通过细胞扰动数据学习生物推理

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PertMind，一种新颖的方法，它利用细胞扰动数据作为大语言模型（LLMs）的强化学习环境。该方法通过使用基因响应作为可计算的奖励来训练LLMs推断生物响应，从而绕过了对昂贵的生物推理痕迹手动整理的需求。PertMind在新的细胞环境中展示了改进的响应推断能力，同时保持了通用语言能力，并显示了其在各种生物推理任务中的可迁移性，包括识别反向扰动和解释生物过程。 AI

影响 这项研究可以通过使用实验数据作为奖励信号，从而实现更具可扩展性的大语言模型在复杂科学领域的训练。

排序理由 研究论文，详细介绍了一种使用实验数据训练大语言模型进行生物推理的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

大语言模型通过细胞扰动数据学习生物推理

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zhenchao Tang, Xiaogang Xu, Tianxu Lv, Jiahui Guan, Jiale Zhou, Haohuai He, Zhi Song, Hanbo Huang, Jiehui Huang, Jiafei Wu, Zhe Liu ·

    PertMind：通过细胞扰动数据上的强化学习在大型语言模型中引发涌现式生物推理

    arXiv:2608.16419v1 Announce Type: cross Abstract: Large language models can describe mechanisms, yet scalable post-training still depends on costly, manually curated biological reasoning traces. Here we show that cellular perturbation atlases can instead become reinforcement-lear…

相关实体

相关话题