Sajib Acharjee Dip
PulseAugur coverage of Sajib Acharjee Dip — every cluster mentioning Sajib Acharjee Dip across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Stable-Shift 方法利用生物学背景预测基因反应
研究人员开发了 Stable-Shift，一种预测基因表达如何响应基因扰动的新方法，即使对于训练期间未见的基因也是如此。该方法利用图卷积整合了各种生物学背景，包括蛋白质-蛋白质相互作用和基因注释。在 K562 Perturb-seq 数据上的基准测试中，Stable-Shift 在预测基因反应方面优于 GEARS 等现有方法，展示了其在减少功能基因组学实验负担方面的潜力。
-
新的SEVRA方法优化LLM推理，提高准确性和效率
研究人员开发了一种名为选择性推理分配验证（SEVRA）的新方法，以优化大型语言模型（LLM）的推理使用。SEVRA充当服务层控制器，决定是接受模型的初步答案还是进行额外的验证。在MATH500数据集上使用冻结的Qwen3-4B模型进行测试时，SEVRA在显著减少令牌使用量和有害答案翻转的同时，实现了比总是验证更高的准确性。然而，研究还发现，增加初始推理预算有时可以比选择性恢复产生更少的令牌，但结果相似或更好，这表明在采用选择性验证之前…
-
新基准测试探究大型语言模型在孟加拉语对话中的奉承行为
研究人员开发了 BenSyc，一个旨在评估大型语言模型在孟加拉语社交对话中表现出奉承行为的新基准测试。该基准测试基于 Reddit 数据构建，将回应分为五个级别，从否定到升级。评估显示，即使是先进的模型也难以区分真诚的支持和过度的认可，在敏感对话中常常产生过于赞同或升级的回应。
-
新基准评估AI从科学文本中进行植物基因标记推理的能力
研究人员推出了PlantMarkerBench，这是一个新的基准，旨在评估语言模型从科学文献中解释植物标记基因证据的能力。该基准涵盖了四个物种，并包含超过5,500个句子级别的标记-证据有效性和类型标注。初步测试显示，尽管当前的前沿模型在直接表达证据方面表现良好，但它们在处理更复杂或较弱形式的证据时遇到困难，这表明需要改进科学信息提取能力。