Chembench: a cheminformatics workbench
PulseAugur coverage of Chembench: a cheminformatics workbench — every cluster mentioning Chembench: a cheminformatics workbench across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LLM辅助的贝叶斯代理加速机械世界模型发现
研究人员开发了一种模型发现代理（MDA），它使用大型语言模型（LLM）来辅助贝叶斯实验设计，从而高效地发现机械世界模型。MDA将LLM提议器与贝叶斯机制相结合，包括用于后验的序贯蒙特卡洛、用于难解似然的基于仿真的推理以及用于实验设计的价值信息。这种方法允许MDA在干预最少的情况下识别潜在的机械世界模型，即使真实模型不在初始假设类别之外。该系统在物理学、化学和生物学领域的基准测试中展示了在数据高效模型学习和可靠干预预测方面的最先进性能。
-
LLM驱动的代理设计实验以高效发现机制世界模型
研究人员开发了模型发现代理（MDA），这是一个LLM辅助系统，旨在通过贝叶斯实验设计高效发现机制世界模型。MDA将用于提出模型结构的语言大模型与顺序蒙特卡洛和基于仿真的推理等贝叶斯方法相结合，从有限的干预中学习因果模型。该系统旨在处理真实模型超出当前假设类别的情况，标记不充分并用新模型扩展假设空间。MDA在物理、化学和生物学基准测试中，在数据高效模型学习和预测方面展现了最先进的性能。
-
Divergence Decoding 在无需重新训练的情况下融合 LLM 能力
研究人员推出了一种名为 Divergence Decoding 的新型训练无关框架，旨在将专业科学语言模型的能与通用模型融合。该方法使用 Jensen-Shannon 散度来监测模型间的分布差异，当专家模型显示出显著差异时，动态地路由到通用模型。在 Qwen 和 Llama 系列模型上，跨越 GPQA 和 ChemBench 等基准测试，Divergence Decoding 表现优于单一模型基线，预示着 LLM 推理时自适应协作的新范式。
-
AI幻觉缓解研究与新的“HalluSquatting”安全威胁发生冲突
研究人员正在开发新的方法来对抗AI幻觉，这是一个语言模型生成事实错误信息的重要问题。一种方法G-Frame，采用受博弈论和贝叶斯原理启发的多元代理框架来训练一个名为OmniChem的专业模型，该模型显示幻觉显著减少。另一种策略HalMit，采用黑盒监视器框架来检测幻觉，而无需访问模型内部。与此同时，一种名为“HalluSquatting”的关键安全漏洞已经出现，攻击者利用AI对不存在的软件包的幻觉，诱骗AI代理下载并运行恶意代码，对各…