English(EN) Model Retirement Creates Reproducibility Risk in Biomedical AI Publications

生物医学AI研究面临LLM退役带来的可复现性危机

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-07 04:00

一篇新发表在arXiv上的研究强调了由于大型语言模型（LLMs）的退役，生物医学研究中存在重大的可复现性风险。研究人员发现，42%使用LLMs的论文涉及的模型在其发表两年内已经退役或计划退役。从发表到模型退役的中位时间为538天，这表明许多依赖这些模型的生物医学出版物在发表后不久就可能变得无法在计算上复现。该研究强调，模型弃用需要作为该领域的一个关键报告和保存问题来解决。 AI

影响这项研究突显了需要更好的模型生命周期管理和保存策略，以确保AI驱动领域科学发现的长期有效性。

排序理由该集群包含一篇发表在arXiv上的研究论文，详细介绍了LLM在生物医学研究中的可复现性发现。[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 →

本文如何被排名

Signal score: 32 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇发表在arXiv上的研究论文，详细介绍了LLM在生物医学研究中的可复现性发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Nathan Wolfrath, Meghan Conroy, Thomas Kosten, Dave Bell, Bhabishya Neupane, Jonah Kindel, Anjishnu Banerjee, Priya Deshpande, Bradley Taylor, Anai N. Kothari · 2026-09-07 04:00

模型退役给生物医学AI出版物带来可复现性风险

arXiv:2609.04699v1 Announce Type: new Abstract: Background. Large language models (LLMs) are being adopted in biomedical research at a rapid and accelerating pace, yet commercial services that host many widely used models operate under deprecation schedules that can complicate sc…

本文如何被排名

报道来源 [1]

模型退役给生物医学AI出版物带来可复现性风险

相关实体

相关话题