PulseAugur
中
实时 07:00:55
English(EN) Rigorous Evaluation of Large Language Models for Malaria Drug Discovery: Trade-offs in Performance, Scale, and Resource Utility

针对疟疾药物发现微调的大型语言模型性能优于专有模型

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新研究推出了 Malaria-Instruct，这是一个用于利用大型语言模型（LLM）进行疟疾药物发现的数据集。该研究评估了几种开源LLM，发现经过微调的模型在虚拟筛选抗疟化合物方面，其性能显著优于经典的机器学习方法，甚至优于未经微调的专有模型，如Gemini 2.5和OpenAI o3。特定领域的微调对于性能至关重要，其中TxGemma-9B和LlaSMol-Mistral-7B等模型表现最佳。 AI

影响 经过微调的开源LLM为专门的科学发现任务提供了一种资源高效的替代方案，有可能加速药物开发。

排序理由 该集群包含一篇学术论文，详细介绍了新的数据集以及对特定科学任务的LLM进行的严格评估。[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 →

针对疟疾药物发现微调的大型语言模型性能优于专有模型

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Marvellous O. Ajala (Magami Open Sciences Initiative), Zainab Ashimiyu-Abdusalam (Magami Open Sciences Initiative), Comfort Adesina (Magami Open Sciences Initiative) ·

    大型语言模型在疟疾药物发现中的严格评估：性能、规模和资源效用的权衡

    arXiv:2608.20418v1 Announce Type: cross Abstract: We introduce Malaria-Instruct, a curated instruction-following dataset derived from the ChEMBL Legacy Malaria corpus for Malaria virtual screening, and conduct a systematic evaluation of five open-source LLMs; Gemma-2 2B/9B, TxGem…

相关实体

相关话题