AITOP
精选
过去 24 小时，从 869 条中筛出 49 条
全部模型产品行业论文技巧
标签：大型语言模型×
6月11日
15:28
15:23
15:07
6月1日
00:09
5月29日
08:02
AITOP5月29日 08:02
Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？
5月28日
11:30
11:30arXiv cs.AI@Bushi Xiao, Sarvesh Soni, Daisy Zhe Wang
精选
大型语言模型在临床文本中部署时，可靠地表达自身不确定性至关重要。现有不确定性量化方法多针对开放域生成，无法在长临床文本中定位到token或片段级别。研究者提出Reverse Probing，首个专为临床摘要设计的不确定性量化框架，直接从已有标注摘要中估计token级不确定性，而非采样新输出。该方法将文本作为探针，从四种内部激活中提取不确定性信号，在两个专家标注的临床数据集上超越八种基线方法，AUPRC提升高达4倍，同时降低推理时间和计算成本。特征分析显示，delta能量和邻域上下文是所有模型中最一致的预测因子，为模型如何内部响应无支持的临床内容提供了可解释的洞见。
论文不确定性量化临床文本大型语言模型Token级可解释性
推荐理由：临床AI部署中，模型能否准确表达不确定性直接关系到患者安全——Reverse Probing让token级不确定性量化首次在临床摘要场景落地，做医疗NLP或AI安全的研究者值得关注。
原文
5月21日
09:46
09:46arXiv cs.AI@Fernando Ortega, Raúl Lara-Cabrera, Jorge Dueñas-Lerín, Alejandro de la Torre-Luque, Mercé Salvador Robert, Enrique Baca-García
精选
该研究利用自然语言处理与机器学习技术，将自由文本的精神科诊断描述自动映射到国际疾病分类（ICD）编码。研究基于14.5万条西班牙语精神科描述数据集，比较了从词袋模型、TF-IDF到大型语言模型（如e5_large、BioLORD、Llama-3-8B）等多种文本表示方法。结果显示，基于Transformer的嵌入方法在捕捉隐含语义和医学术语方面显著优于传统方法，其中e5_large模型通过端到端微调取得了0.866的F1_micro最高分。研究强调，将LLM适配到特定临床术语对于克服“长尾”标签分布和精神科话语的固有歧义至关重要。
论文NLPICD编码精神科诊断大型语言模型临床文本
推荐理由：精神科医生和医疗编码员每天面对大量诊断文本，这项研究展示了如何用LLM自动化ICD编码，大幅减轻行政负担。做医疗NLP或临床信息学的团队值得关注其方法。
原文